EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-SA 4.0

PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DAN LONG SHORT TERM MEMORY

Fatia Naura, Safwandi, Rizki Suwanda

Rabit : Jurnal Teknologi dan Sistem Informasi Univrab · 30.07.2026 · 11 (2) · 4447-4460

DOI: 10.36341/rabit.v11i2.8345 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, online erschienen am 30.07.2026. Verfasst von Fatia Naura und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Fluktuasi harga saham yang tidak dapat diprediksi mendorong penggunaan metode kecerdasan buatan berdasarkan pembelajaran mendalam. Penelitian ini membandingkan kinerja Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM) dalam memprediksi harga saham PT Pacific Strategic Financial Tbk. menggunakan 346 data historis harian (Januari 2024–Juni 2025) yang bersumber dari Investing.com. Data yang dikumpulkan meliputi harga saham harian, seperti pembukaan, penutupan, tertinggi, terendah, dan volume perdagangan, yang akan digunakan untuk melatih dan menguji model prediksi. Tahapan penelitian meliputi pra-pemrosesan data (normalisasi Min-Max dan windowing), desain dan pelatihan model, evaluasi menggunakan Mean Squared Error (MSE) dan Mean Absolute Error (MAE), validasi silang 5 kali lipat, dan analisis sensitivitas ukuran jendela. Hasil penelitian menunjukkan bahwa RNN sedikit lebih unggul dari LSTM dalam akurasi prediksi (MSE 0,001417 vs 0,001514; MAE 0,030937 vs 0,031938), konsistensi antar lipatan, dan efisiensi komputasi parameter RNN hanya seperempat dan penggunaan memori 1,5 kali lebih efisien daripada LSTM. Sebaliknya, LSTM menghasilkan pola prediktif yang lebih halus secara visual dan berpotensi lebih cocok untuk analisis tren jangka panjang. Terbatasnya jumlah data (346 pengamatan) pada satu emiten diduga merupakan faktor yang membatasi keunggulan teoritis dari arsitektur gating LSTM. Temuan ini mengimplikasikan bahwa RNN merupakan pilihan yang lebih efisien untuk prediksi harga saham jangka pendek dengan data terbatas, sementara LSTM lebih relevan untuk kebutuhan analisis tren jangka panjang pada volume data yang lebih besar..

Zitieren

APA

Naura, F., Safwandi, & Suwanda, R. (2026). PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DAN LONG SHORT TERM MEMORY. Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, 11(2), 4447-4460. https://doi.org/10.36341/rabit.v11i2.8345

Vancouver

Naura F, Safwandi, Suwanda R. PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DAN LONG SHORT TERM MEMORY. Rabit : Jurnal Teknologi dan Sistem Informasi Univrab. 2026;11(2):4447-4460. doi:10.36341/rabit.v11i2.8345

BibTeX
@article{Naura2026,
  author = {Naura, Fatia and Safwandi and Suwanda, Rizki},
  title = {PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DAN LONG SHORT TERM MEMORY},
  journal = {Rabit : Jurnal Teknologi dan Sistem Informasi Univrab},
  year = {2026},
  volume = {11},
  number = {2},
  pages = {4447--4460},
  doi = {10.36341/rabit.v11i2.8345}
}
Kostenlos starten →