PREDIKSI HARGA SAHAM PT TELKOM MENGGUNAKAN METODE CNN-LSTM
DOI:
https://doi.org/10.24076/joism.2025v7i1.2087Keywords:
CNN-LSTM, hyperparameter, PT Telkom, prediksi harga saham, time seriesAbstract
PT Telkom sebagai perusahaan informasi dan komunikasi terbesar di Indonesia, memiliki harga saham yang menarik minat investor. Penelitian ini bertujuan untuk mengembangkan aplikasi yang mampu memprediksi harga saham PT Telkom menggunakan metode CNN-LSTM. Tantangan dalam memprediksi harga saham meliputi volatilitas pasar, keterbatasan data historis, dan kompleksitas faktor-faktor yang mempengaruhi harga. Metode CNN digunakan untuk mengenali pola spasial dalam data, sementara LSTM mengatasi masalah vanishing gradient dan menangkap dependensi jangka panjang. Model CNN-LSTM diuji dengan berbagai kombinasi hyperparameter, termasuk learning rate (0.001, 0.0001, dan 0.0005), kernel size (3, 5, dan 7), dan jumlah epoch (30, 50, dan 100). Hasil terbaik diperoleh dengan konfigurasi learning rate 0.0005, kernel size 7, dan 100 epoch, yang menghasilkan nilai Mean Absolute Error (MAE) sebesar 56.13, Root Mean Squared Error (RMSE) sebesar 75.75, dan koefisien determinasi (R²) sebesar 0.973. Hasil ini menunjukkan kemampuan prediksi yang baik dari model. Penelitian ini diharapkan dapat memberikan solusi bagi investor dalam memprediksi harga saham PT Telkom dan membantu pengambilan keputusan investasi.
References
[1] J. Martin Pesireron, R. Kusumawardhani, and R. Rinofah, “Young Investors Interest in Investing in The Capital Market Through Fintech Technology,” Indones. J. Econ., vol. 02, no. 05, pp. 48–58, 2024.
[2] I. L. Senjaya, “Analisis Valuasi Saham Bumn Menggunakan Metode Dividend Discounted Model Dan Economic Value Added,” J. Adm. Bisnis, vol. 17, no. 2, pp. 115–128, 2021, doi: 10.26593/jab.v17i2.5022.115-128.
[3] M. Zidan Rusminto, S. Adi Wibowo, and F. Santi Wahyuni, “Peramalan Harga Saham Menggunakan Metode Arima (Autoregressive Integrated Moving Average) Time Series,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1263–1270, 2024, doi: 10.36040/jati.v8i2.9089.
[4] X. Ji, J. Wang, and Z. Yan, “A stock price prediction method based on deep learning technology,” Int. J. Crowd Sci., vol. 5, no. 1, pp. 55–72, 2021.
[5] A. W. Ishlah, S. Sudarno, and P. Kartikasari, “Implementasi Gridsearchcv Pada Support Vector Regression (Svr) Untuk Peramalan Harga Saham,” J. Gaussian, vol. 12, no. 2, pp. 276–286, 2023, doi: 10.14710/j.gauss.12.2.276-286.
[6] H. Nazhiroh, D. Fitria, and D. Permana, “PT . Telkom ( Tbk ) Stock Price Forecasting Using Long Short Term Memory ( LSTM ),” vol. 2, no. 2020, pp. 414–421, 2024.
[7] W. Zha et al., “Forecasting monthly gas field production based on the CNN-LSTM model,” Energy, vol. 260, p. 124889, 2022.
[8] A. Morales-Hernández, I. Van Nieuwenhuyse, and S. Rojas Gonzalez, A survey on multi-objective hyperparameter optimization algorithms for machine learning, vol. 56, no. 8. Springer Netherlands, 2023. doi: 10.1007/s10462-022-10359-2.
[9] S. Liu, C. Zhang, and J. Ma, “CNN-LSTM neural network model for quantitative strategy analysis in stock markets,” in Neural Information Processing: 24th International Conference, ICONIP 2017, Guangzhou, China, November 14-18, 2017, Proceedings, Part II 24, Springer, 2017, pp. 198–206.
[10] I. K. A. Enriko, F. Nizar Gustiyana, and R. H. Putra, “Komparasi Hasil Optimasi Pada Prediksi Harga Saham PT. Telkom Indonesia Menggunakan Algoritma Long Short Term Memory,” J. Media Inform. Budidarma, vol. 7, no. 2, pp. 659–667, 2023, doi: 10.30865/mib.v7i2.5822.
[11] S. J. Pipin, R. Purba, and H. Kurniawan, “Prediksi Saham Menggunakan Recurrent Neural Network (RNN-LSTM) dengan Optimasi Adaptive Moment Estimation,” J. Comput. Syst. Informatics, vol. 4, no. 4, pp. 806–815, 2023, doi: 10.47065/josyc.v4i4.4014.
[12] T. O. Hodson, “Root mean square error (RMSE) or mean absolute error (MAE): When to use them or not,” Geosci. Model Dev. Discuss., vol. 2022, pp. 1–10, 2022.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
