LSTM Skripsi

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PREDIKSI HARGA BURSA EFEK INDONESIA

MENGGUNAKAN METODE LONG-SHORT TERM
MEMORY
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer
Program Studi Informatika
Oleh:
Yohanes Dani Pratama Rahadianto

185314058
Program Studi Informatika

Fakultas Sains dan Teknologi
Universitas Sanata Dharma
Yogyakarta
2022
i
INDONESIA STOCK MARKET PREDCITION USING

LONG-SHORT TERM MEMORY
THESIS
Present as Partial Fulfillment of The Requirements

To Obtain Bachelor Degree
In Department of Informatics
By:

185314058
Informatics Study Program

Faculty of Science and Technology
Sanata Dharma University
Yogyakarta
2022
ii
HALAMAN PERSETUJUAN
SKRIPSI

MEMORY
Disusun Oleh:

185314058
Telah Disetujui Oleh:
Pembimbing,
Cyprianus Kuntoro Adi, S.J., M.A., M.Sc., Ph.D. Tanggal ……………
iii
HALAMAN PENGESAHAN
SKRIPSI
MENGGUNAKAN METODE LONG-SHORT TERM MEMORY
Dipersiapkan dan disusun oleh:
YOHANES DANI PRATAMA RAHADIANTO

NIM : 185314058
Telah dipertahankan di depan Tim Penguji

Pada tanggal 9 September 2022
dan dinyatakan memenuhi syarat.
Susunan Tim Penguji:
Tanda Tangan
Ketua : Robertus Adi Nugroho, S.T., M.Eng. ………………

Sekretaris : Ir. Kartono Pinaryanto, S.T., M.Cs. ………………
Anggota : Cyprianus Kuntoro Adi, S.J., M.A., M.Sc., Ph.D. ………………
Yogyakarta, …….………………
Fakultas Sains dan Teknologi
Universitas Sanata Dharma
Dekan
Drs. Haris Sriwindono, M.Kom., Ph.D.
iv
HALAMAN MOTTO
“Trau lieber deiner kraft als deinem glück.”
Publilius Syrus.
v
PERNYATAAN KEASLIAN KARYA
Dengan ini saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya
tulis tidak mengandung atau memuat karya orang lain, kecuali yang telah
disebutkan dalam daftar Pustaka dan kutipan selayaknya karya ilmiah.
Yogyakarta,
vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH
Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Yohanes Dani Pratama Rahadianto

NIM : 185314058
Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul:

MEMORY
Dengan demikian saya memberikan kepada perpustakaan Universitas Sanata

Dharma hak untuk meyimpan, mengalihkan dalam bentuk lain, mengelolanya
dalam bentuk pangkalan data mendistribusikan secara terbatas dan
mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa
perlu meminta ijin dari saya maupun memberikan royalty kepada saya selama tetap
mencantumkan nama saya sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di Yogyakarta,
Pada tanggal ……………………
Yang menyatakan,
vii
Abstrak
Pada masa pandemi seperti sekarang ini, banyak orang yang mau mencari
uang dengan berbagai macam hal salah satunya dengan berinvestasi melalui Bursa
Efek Indonesia. Dengan meningkatnya jumlah investor baru yang bergabung ke
Bursa Efek Indonesia banyak orang yang hanya asal menginvestasikan uangnya di
perusahaan tertentu tanpa berpikir panjang.
Dengan banyaknya muncul hal tersebut maka dilakukan sebuah penelitian
untuk membuat indikator yang dapat memprediksi harga saham dengan metode
Long Short-Term Memory dengan menggunakan proses pre processing MinMax
Scaler dan Z-Score, serta penginputan lookback berentang 1 sampai 4 minggu yang
diimplementasikan ke 5 dataset berbeda
Hasil akhir dari proses ini adalah untuk mencari eror rate terkecil dari hasil
pengujian yang telah dilakukan dengan menggunakan 2 proses preprocessing dan
input Lookbaack yang ada maka didapatkan eror rate paling kecil adalah 0.13 pada
dataset PT. Medco Energi Internasional Tbk. dengan input lookback 3 minggu dan
epoch sebanyak 50.
Kata Kunci: Prediksi, Long-Short Term Memory, Harga Bursa Efek Indonesia,
Root Mean Squared Eror.
viii
Abstract
During a pandemic like today, many people are willing to make money with
various things, one of which is by investing through the Indonesia Stock Exchange.
With the increasing number of new investors joining the Indonesia Stock Exchange,
many people only invest their money in certain companies without thinking.
With so many emergences, a study was carried out to create an indicator
that can predict stock prices using the Long Short-Term Memory method using the
MinMax Scaler and Z-Score pre-processing processes, as well as inputting
lookbacks spanning 1 to 4 weeks which are implemented into 5 different datasets
The final result of this process is to find the smallest error rate from the test
results that have been carried out using 2 preprocessing processes and existing
Lookback inputs, the smallest error rate is 0.13 in the PT. Medco Energi
International Tbk. with a 3-week input lookback and 50 epochs.
Keywords: Prediction, Long-Short Term Memory, Indonesia Stock Exchange

Price, Root Mean Squared Error.
ix
Kata Pengantar
Puji syukur penulis haturkan pada Tuhan Yang Maha Esa atas segala berkat
yang telah diberikan pada penulis sehingga dapat menyelesaikan tugas akhir yang
berujudul “Prediksi Harga Bursa Efek Indonesia Menggunakan Metode Long-Short
Term Memory” ini dengan baik. Tugas Akhir ini merupakan salah satu syarat yang
harus ditempuh oleh penulis untuk memperoleh gelar Sarjana Komputer yang
penulis tempuh di prodi Informatika Universitas Sanata Dharma Yogyakarta.
Dalam menyelesaikan tugas akhir ini penulis tak lepas dari doa, dukungan,
motivasi, maupun bimbingan dari berbagai pihak. Pada kali ini penulis ingin
mengucapkan terima kasih pada:
1. Tuhan Yesus Kristus, atas berkat, anugerah, dan mengabulkan doa

penulis dalam menyelesaikan tugas akhir ini.
2. Papa, Mama, dan Cece yang selalu mendukung, mendoakan, dan
memberikan semangat pada penulis dalam segala kegiatan perkuliahan
hingga proses penyelesaian tugas tigas akhir ini.
3. Keluarga besar Suramto dan Redjosumarto yang selalu memberikan doa
bagi penulis agar dapat segera menyelesaikan tugas akhir ini.
4. Romo Cyprianus Kuntoro Adi sebagai dosen pembimbing tugas akhir
yang telah membantu penulis dalam memberikan arahan, masukan, dan
waktu kepada penulis selama menyelesaikan Tugas akhir ini.
5. Seluruh dosen prodi Informatika Universitas Sanata Dharma yang telah
memberikan ilmu dan pengalaman selama penulis berkuliah di
Univeristas Sanata Dharma.
6. Teman-teman grup WA “Bekas Gerup er pe el” yang senantiasa
mendengar keluh kesah penulis maupun membantu memberikan saran
kepada penulis dalam menyelesaikan tugas akhir ini.
x
7. Teman-teman grup WA “Danai Empire” yang menghibur penulis

dengan segala hiburan, dan dukungannya kepada penulis untuk
menyelesaikan tugas akhir ini.
8. Teman-teman “MenCesTol” dengan segala bercandaannya yang dapat
membuat penulis semangat kembali di kala jenuh dalam penyelesaian
tugas akhir ini.
9. Teman seperbimbingan seperti Mas Aryo dan Deo yang saling
mendukung penulis dan memberikan info dalam proses penyelesaian
tugas akhir ini.
10. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah
membantu, mendoakan, maupun memberikan semangat kepada penulis
dalam meneylesaikan tugas akhir ini.
Penulis menyadari masih banyak kekurangan yang terdapat pada tugas akhir
ini. Maka dari itu kritik maupun saran yang membangun dapat sangat membantu
penulis untuk menyempurnakannya. Semoga tugas akhir ini dapat bermanfaat bagi
siapapun yang membacanya dan saya sendiri sebagai penulis tugas akhir ini
Yogyakarta, …………………..
Penulis ……………
xi
Daftar Isi
HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN ............................................................................... iv
HALAMAN MOTTO ............................................................................................. v
PERNYATAAN KEASLIAN KARYA ................................................................ vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH . vii
Abstrak ................................................................................................................. viii
Abstract .................................................................................................................. ix
Kata Pengantar ........................................................................................................ x
Daftar Isi ............................................................................................................... xii
Daftar Tabel .......................................................................................................... xv
Daftar Gambar...................................................................................................... xvi
Bab I. Pendahuluan ................................................................................................. 1
1.1. Latar Belakang ......................................................................................... 1
1.2. Rumusan Masalah .................................................................................... 2
1.3. Tujuan Penelitian...................................................................................... 3
1.4. Manfaat Penelitian.................................................................................... 3
1.5. Batasan Masalah. ...................................................................................... 3
Bab II. Landasan Teori............................................................................................ 4
2.1. Bursa Efek ................................................................................................ 4
2.2. Deep Learning .......................................................................................... 5
2.3. Long Short Term Memory ....................................................................... 8
2.3.1 Arsitektur Long Short Term Memory ......................................................... 8
2.4. MinMax Scaler ....................................................................................... 13

2.5. Z-Score Scaler ........................................................................................ 13
2.6. Root Mean Square .................................................................................. 14
Bab III. Metodologi Penelitian ............................................................................. 15
3.1. Bahan dan Alat ....................................................................................... 15
3.1.1 Bahan Penelitian ....................................................................................... 15
xii
3.1.2 Alat Penelitian .......................................................................................... 16
3.2. Desain Alat Uji ....................................................................................... 16

3.2.1 Normalisasi Data ...................................................................................... 18
3.2.1 Proses LSTM ............................................................................................. 19
3.3. Skenario Pengujian ................................................................................. 25

3.4. Desain GUI ............................................................................................. 27
3.4.1 Input GUI ................................................................................................. 28
3.4.2 Output GUI............................................................................................... 28
Bab IV. Hasil Penelitian dan Analisa ................................................................... 29

4.1. Data ........................................................................................................ 29
4.2. Pre-Processing Data ............................................................................... 31
4.2.1 Normalisasi Data ...................................................................................... 31
4.2.1 Split Data .................................................................................................. 33
4.3. Implementasi Long Short Term Memory ............................................... 34

4.4. Perhitungan Error Rate ........................................................................... 35
4.5. Hasil Pengujian Skenario ....................................................................... 36
4.5.1 Hasil Pengujian Lookback 5..................................................................... 36
4.5.2 Hasil Skenario Pengujian Lookback 10 ................................................... 37
4.6. Analisa Hasil Pengujian Skenario .......................................................... 40

4.6.1 Hasil PT. Aneka Tambang Tbk. ............................................................... 41
4.6.2 Hasil PT. Bank Central Asia Tbk. ............................................................ 43
4.6.3 Hasil PT. Mitra Adi Perkasa Tbk. ............................................................ 45
4.6.4 Hasil PT. Medco Energi Internasional Tbk. ............................................. 47
4.6.5 Hasil PT. Wijaya Karya Tbk. ................................................................... 49
4.7. Analisa Variasi Pengujian ...................................................................... 51
xiii
Bab V. Penutup ..................................................................................................... 53

5.1. Kesimpulan............................................................................................. 53
5.2. Saran ....................................................................................................... 54
Daftar Pustaka ....................................................................................................... 55
xiv
Daftar Tabel
Tabel 2.1 Perusahaan/Emiten LQ45 5
Tabel 3.1 Contoh Data Dummy 17

Tabel 3.2 Hasil Normalisasi Data 19
Tabel 3.3 Proses TimeStep 20
Tabel 3.4 Input LSTM dan Proses Learning 22
Tabel 3.5 Output LSTM 23
Tabel 3.6 Hasil Inverse 23
Tabel 3.7 Hasil Akhir 24
Tabel 3.8 Parameters 25
Tabel 4.1 Proses Pengujian 29

Tabel 4.2 Hasil Pengujian Lookback 5 36
Tabel 4.6 Hasil Pengujian ANTM 41
Tabel 4.7 Hasil Pengujian BBCA 43
Tabel 4.8 Hasil Pengujian MAPI 45
Tabel 4.9 Hasil Pengujian MEDC 48
Tabel 4.10 Hasil Pengujian WIKA 50
Tabel 4.11 Hasil Pengujian Variasi 52
xv
Daftar Gambar
Gambar 2.1 Kiri Reccurent Network, tengah Multi Layer, kanan Single Layer 6
Gambar 2.2 Arsiterktur RNN 7
Gambar 2.2 Arsitektur Jaringan LSTM 8
Gambar 2.3 Arsitektur Forget Gate 9
Gambar 2.3 Arsitektur Input Gate 10
Gambar 2.4 Arsitektur Cell state baru 11
Gambar 2.5 Arsitektur Hidden State baru 12
Gambar 3.1 Data Perdagangan BBCA 16

Gambar 3.2 Desain Alat Uji 17
Gambar 3.3 Desain LSTM 20
Gambar 3.4 Proses Pengujian 26
Gambar 3.5 Desain GUI 27
Gambar 4.1 Potongan Code membaca data 30

Gambar 4.2 Code normalisasi MinMax 30
Gambar 4.3 Code normalisasi Z-Score(StandardScaler) 30
Gambar 4.4 Proses normalisasi data MinMax Scaler 31
Gambar 4.5 Proses normalisasi data Z-Score 31
Gambar 4.6 Data test BCA sebelum di normalisasi 32
Gambar 4.7 Data test BCA setelah normalisasi MinMax 32
Gambar 4.8 Data test BCA setelah normalisasi Z-Score 33
Gambar 4.9 Potongan code pembagian data train dan test 33
Gambar 4.10 Potongan proses dari normalisasi data 33
Gambar 4.11 Pembuatan model LSTM 34
Gambar 4.12 Jumlah input neuron dan dense 34
Gambar 4.13 Potongan code system kerja LSTM 34
Gambar 4.14 Code Inverse Transform 35
Gambar 4.15 Code Error Rate 35
Gambar 4.14 Grafik Lookback 5 Hari 37
xvi
Gambar 4.16 Grafik Lookback 15 39

Gambar 4.17 Grafik Lookback 20 40
Gambar 4.18 Grafik Prediksi Harga ANTM MinMax 41
Gambar 4.19 Grafik Prediksi Harga ANTM Z-Score 42
Gambar 4.20 Grafik Error Rate ANTM 42
Gambar 4.21 Grafik Prediksi Harga BBCA MinMax 44
Gambar 4.22 Grafik Prediksi Harga BBCA Z-Score 44
Gambar 4.23 Grafik Error Rate BBCA 45
Gambar 4.24 Grafik Prediksi Harga MAPI MinMax 46
Gambar 4.25 Grafik Prediksi Harga MAPI Z-Score 46
Gambar 4.26 Grafik Error Rate MAPI 47
Gambar 4.27 Grafik Error Rate MEDC 48
Gambar 4.28 Grafik Prediksi Harga MEDC MinMax 49
Gambar 4.29 Grafik Prediksi Harga MEDC Z-Score 49
Gambar 4.30 Grafik Error Rate WIKA 50
Gambar 4.31 Grafik Prediksi Harga WIKA MinMax 51
Gambar 4.32 Grafik Prediksi Harga WIKA Z-Score 51
xvii
Bab I
Pendahuluan
Pada bab ini akan menjelaskan mengapa peneliti mengambil bahan penelitian
dengan judul Prediksi Harga Bursa Efek Indonesia Menggunakan Metode Long-
Short Term Memory. Pada bab ini akan dijelaskan latar belakang peneliti memilih
judul ini dilanjutkan dengan tujuan masalah, rumusan masalah, manfaat penelitian
dan batasan masalah yang diteliti pada penelitian ini.
1.1. Latar Belakang

Investasi saham sedang menjadi tren baru di era pandemi ini. Sebagai negara
berkembang Indonesia juga sedang meningkatkan jumlah investor baru, hal
tersebut dilakukan oleh Bursa Efek Indonesia melalui program mereka yang disebut
Yuk Nabung Saham. Badan ini juga menyediakan program yang bernama Sekolah
Pasar Modal. Dengan berbagai program tersebut KSEI (Kustodian Sentral Efek
Indonesia) yang mengatur tentang penyelesaian transaksi efek dan mengkonfirmasi
atas pembuatan akun untuk investor baru menyebutkan bahwa pertumbuhan
investor baru pada bulan Februari 2021 meningkat sebesar 16,53% (PT Kustodian
Sentral Efek Indonesia 2021).
Dengan data tersebut peneliti yang juga merupakan salah satu dari sekian
banyak orang yang ikut masuk ke dunia investasi tentu saja ingin mendapatkan
sebuah keuntungan dari hasil berinvestasi tersebut. Ditambah dengan
meningkatnya jumlah investor baru dan muncul beberapa berita kurang
mengenakan dikarenakan orang-orang yang masuk ke bursa efek hanya mengikuti
tren saja yang mengakibatkan banyaknya investor merugi (Viral Beli Saham Pakai
Utang n.d.). Maka dari itu memunculkan ide untuk membuat suatu alat bantu atau
indikator yang dapat berguna untuk memprediksi pergerakan dari emiten yang
melantai di Bursa Efek Indonesia.
1
Banyak cara yang dapat dilakukan untuk membuat suatu sistem prediksi
seperti salah satunya adalah Neural Network System Long-Short Term Memory.
Metode ini dianggap memiliki performa yang cukup baik dengan tingkat kesalahan
yang rendah dengan tingkat kesalahan yang rendah tersebut harga saham yang
diprediksi dapat akurat (Arfan and ETP, 2019). Metode ini dapat bekerja
menggunakan sebuah data yang disebut data Time-Series yang di mana tipe data
tersebut dapat diproses menggunakan metode yang dipilih peneliti.
Penelitian tentang prediksi harga saham ini sudah cukup banyak dilakukan di
lakukan oleh peneliti lain yang di mana peneliti tersebut menggunakan Mean
Squared Eror atau Root Mean Squared Eror untuk mencari tingkat error rate yang
di mana semakin kecil angka MSE atau RMSE maka semakin akurat hasil prediksi
tersebut. Berikut adalah hasil penelitian yang dilakukan oleh beberapa peneliti lain
seperti penelitian dari (Ko and Chang, 2021) yaitu penelitian tentang beberapa
emiten yang melantai di bursa efek Tiongkok, tingkat RMSE paling rendah yang
didapatkan dari 6 emiten yang diuji salah satunya bernilai 0.073. Penelitian dari
(Karno, 2020) memprediksi harga emiten BRI dengan tingkat RMSE yang
didapatkan 227,47. Penelitian dari (Arfan and ETP, 2019) memprediksi harga
emiten Unilever dengan tingkat MSE yang didapatkan sebesar 0.0015.
Dengan hasil penelitian yang telah dilakukan peneliti lain yang di mana
memiliki tingkat error rate yang cukup rendah, maka dari itu peneliti ingin
melakukan penelitian berupa Prediksi Harga Bursa Efek Indonesia menggunakan
metode LSTM dengan menggunakan data dari emiten yang berbeda dan keluaran dari
penelitian ini dapat memprediksi harga saham untuk hari berikutnya. Selain itu
peneliti juga ingin mengetahui apakah dengan adanya penelitian ini dapat
memperkuat indikator-indikator lain yang digunakan oleh peneliti untuk
menganalisis emiten secara manual.
1.2. Rumusan Masalah

Rumusan masalah pada penelitian ini adalah sebagai berikut:
1. Bagaimana metode LSTM bekerja dalam memproses data yang bersifat

time-series?
2. Berapa tingkat error rate yang dapat diperoleh dengan menggunakan
metode ini?
1.3. Tujuan Penelitian

Tujuan dari penelitian ini adalah:
1. Membuat sistem prediksi harga emiten Bursa Efek Indonesia.
2. Mengetahui tingkat error rate LSTM dalam memprediksi harga emiten di
Bursa Efek Indonesia.
1.4. Manfaat Penelitian

Manfaat dari penelitian ini adalah:
1. Menambah pengetahuan tentang bagaimana mengaplikasikan algoritma
LSTM dalam melakukan prediksi harga emiten di Bursa Efek Indonesia.
2. Dapat membantu pihak lain yang meneliti tentang Prediksi Harga Bursa
Efek Indonesia.
1.5. Batasan Masalah.

Batasan masalah dari penelitian ini adalah:
1. Data yang digunakan adalah data histori perdagangan dari beberapa
perusahaan yang masuk ke dalam daftar indeks LQ 45
2. Data yang digunakan dari Januari 2015 sampai September 2021
Bab II
Landasan Teori
Pada bab ini akan dilakukan pembahasan mengenai teori yang digunakan
peneliti dalam penelitian kali ini yang meliputi Bursa Efek, Indeks Liquidity, Deep
Learning, Long Short-Term Memory, MinMax Scaler, Z-Score Scaler, dan Root
Mean Squared Error.
2.1. Bursa Efek

Bursa efek adalah suatu pihak yang menyelenggarakan dan menyediakan
suatu sistem atau sarana untuk mempertemukan antar penawaran jual dan beli efek
dari pihak yang memperdagangkan efek tersebut.
Liquidity merupakan sub klasifikasi indeks yang mengelompokkan indeks

berdasarkan likuiditas transaksi yang tinggi dan kapitalisasi pasar besar serta
didukung oleh fundamental perusahaan yang baik (Indonesia Stock Exchange
(IDX), 2021). Untuk masuk ke dalam Indeks ini harus memenuhi beberapa kriteria
seperti termasuk dalam 60 perusahaan teratas dengan nilai kapitalisasi tertinggi
dalam 12 bulan terakhir, sudah tercatat di bursa selama minimal 3 bulan, mengalami
penambahan bobot free float dalam porsi penilaian (Investor Newbie Wajib
Kenalan Nih Sama Indeks LQ45 n.d.). Dengan beberapa kriteria tersebut maka
berikut ini merupakan beberapa contoh perusahaan yang termasuk ke dalam Indeks
LQ45:
4
Tabel 2.1 Perusahaan/Emiten LQ45
No. Kode Nama Saham
1 ACES Ace Hardware Indonesia Tbk.

2 ADRO Adaro Energy Tbk.
3 AKRA AKR Corporindo Tbk.
4 ANTM Aneka Tambang Tbk.
5 ASII Astra International Tbk.
-----------------------------------------------------------
41 TOWR Sarana Menara Nusantara Tbk.
42 TPIA Chandra Asri Petrochemical Tbk.
43 UNTR United Tractors Tbk.
44 UNVR Unilever Indonesia Tbk.
45 WIKA Wijaya Karya (Persero) Tbk.
Pada table 2.1 di atas merupakan contoh dari salah satu isi dari indeks yang
dikeluarkan oleh Bursa Efek Indonesia. Terdapat 3 Indeks Liquidity yang
dikeluarkan secara resmi oleh Bursa Efek Indonesia yaitu LQ 30, LQ 45, LQ 80.
Pada tiga indeks tersebut dapat berisi perusahaan yang sama secara jelasnya
perusahaan yang masuk ke dalam indeks LQ 30 sudah pasti juga berada di daftar
indeks LQ 45 dan LQ 80 sementara untuk indeks LQ 45 dan LQ 80 ada beberapa
perusahaan yang tidak termasuk dalam indeks LQ 30.
2.2. Deep Learning

Deep learning merupakan salah satu bagian dari machine learning yang
merupakan perkembangan dari neural network untuk melakukan sebuah tugas yang
meliputi deteksi objek, pengenalan suara, terjemahan Bahasa, klasifikasi gambar,
rekayasa keuangan, prediksi saham (Pengenalan Deep Learning – Universitas
Gadjah Mada Menara Ilmu Machine Learning n.d.).
Neural network pada proses deep learning di buat untuk meniru cara kerja
maupun fungsi dari otak manusia dalam melakukan tugasnya, dengan jumlah
neuron yang banyak hal inilah yang membuat neural network dapat belajar sendiri
dan dapat membuat sebuah keputusan berdasarkan hasil proses belajar yang
dilakukan.
Neural Network atau artificial neural network atau ANN terbagi menjadi 3
bagian yaitu single layer, multi layer, dan reccurent network. Single layer bekerja
dengan input layer yang berasal dari sumber node diproyeksikan langsung ke utput
pada layer neuron tetapi tidak berlaku sebaliknya. Multi layer adalah input layer
yang menyuplai input vector pada jaringan, kemudian input tersebut di masukan
melalui komputasi pada layer kedua, hasil dari output layer kedua digunakan
sebagai input layer ketiga dan seterusnya atau sampai jumlah layer yang digunakan
sudah terpenuhi. Reccurent Network terbentuk pada jaringan single dan multi layer
yang idmana harus memiliki feedback untuk diri sendiri pada setiap loop
jaringannya (Artificial Neural Network (ANN) – Universitas Gadjah Mada Menara
Ilmu Machine Learning n.d.). Proses dari dari bagian-bagian dari ANN dapat dilihat
pada gambar 2.1 berikut
Gambar 2.1 Kiri Reccurent Network, tengah Multi Layer, kanan

Single Layer
Secara umum deep learning mempunyai beberapa algoritma yang cukup

populer seperti Convolutional Neural Network (CNN), Reccurent Neural Network
(RNN), Long Short-Term Memory (LSTM), Stacked Auto-Encoders, Deep Boltzman
Machine (DBM), Deep Belief Networks (DBN) (A Tour of Machine Learning
Algorithms n.d.). Pada penelitian kali ini algoritma deep learning yang digunakan
adalah Long Short-Term Memory yang merupakan turunan dari algoritma

Reccurent Neural Network.
RNN atau Reccurent Neural Network adalah bagian dari deep learning yang
dirancang untuk memproses data bersambung atau berurutan. Algoritma ini mampu
menyimpan memori yang memungkinkan untuk mengenali pola data dengan baik
kemudian hasil mengenali pola maupun penyimpanan memori tersebut dapat
digunakan untuk membuat suatu prediksi dengan hasil yang akurat (Recurrent
Neural Network (RNN) – Universitas Gadjah Mada Menara Ilmu Machine
Learning n.d.). Langkah kerja yang dilakukan algoritma ini dilakukan secara
berulang yang di mana hasil operasi pada input pertama akan menjadi input pada
operasi selanjutnya dan berulang sampai tercapainya sekuens tertentu hal ini dapat
dilihat pada gambar berikut ini
Gambar 2.2 Arsitektur RNN
Pada gambar 2.2 dapat dilihat untuk arsitektur dari RNN pada bagian
sebelum tanda panah merupakan bentuk posisi RNN yang tidak dibuka atau dapat
dikatakan pada posisi unrolled ke jaringan penuh atau full network. Untuk bagian
setelah tanda panah merupakan posisi RNN pada bentuk full network. Xt pada
gambar di atas menjelaskan tentang input time step atau input data yang di masukan
ke model perhitungan. St merupakan hidden state pada step t yang berupa sebuah
memory yang di mana pada bagian ini dapat menyimpan hasil perhitungan yang
telah dilakukan. Ot merupakan output hasil step t yang di mana hasil ini nantinya
dapat digunakan sebagai input untuk perhitungan time step selanjutnya ataupun
menjadi hasil akhir dari semua perhitungan yang telah dilakukan.
2.3. Long Short Term Memory

LSTM atau Long Short-Term Memory adalah salah satu jenis khusus dari
Reccurent Neural Network atau biasa disebut RNN, metode ini mampu untuk
mempelajari suatu data yang bergantung dengan data lainnya dalam waktu yang
cukup lama metode ini dikembangkan oleh Hochreiter dan Schmidhuber tahun
1997 (Olah, 2015).
2.3.1 Arsitektur Long Short Term Memory

Arsitektur dari jaringan LSTM terbagi menjadi 4 bagian yaitu forget
gate, input gate, output gate, dan cell state untuk gambar arsitektur jaringan
LSTM dapat dilihat pada Gambar 2.1 di bawah ini
Gambar 2.2 Arsitektur Jaringan LSTM
Sumber: (LSTM : What’s the fuss about?. LSTM learns. LSTM

remembers. Be like… | by Etqad Khan | Analytics Vidhya | Medium n.d.)
2.3.1.1 Forget Gate

Forget Gate adalah bagian dari proses LSTM yang
berfungsi untuk memilah informasi mana yang dapat disimpan atau
informasi apa yang perlu dibuang. Informasi yang digunakan

didapatkan dari hidden state sebelumnya ditambah dengan input data
terbaru lalu digunakan fungsi sigmoid untuk mendapatkan hasil 0
sampai 1. Gerbang ini dapat dirumuskan sebagai berikut:
𝑓𝑡 = σ(𝑊𝑓 × [ℎ𝑡 − 1, 𝑋𝑡 ] + 𝑏𝑓 ) (2.1)
Keterangan :
𝑓𝑡 : forget gate
σ : fungsi sigmoid
𝑊𝑓 : weight forget gate
ℎ𝑡 − 1 : output dari block lstm pada timestep sebelumnya
𝑋𝑡 : input pada timestep saat ini
𝑏𝑓 : bias forget gate
Gambar 2.3 Arsitektur Forget Gate
2.3.1.2 Input Gate

Input gate adalah bagian dari proses LSTM yang berfungsi
untuk memperbarui cell state yang ada sebelumnya.
10
Gambar 2.3 Arsitektur Input Gate
Dapat dilihat pada Gambar 2.1 bahwa pada proses ini terbagi
menjadi 2 bagian yang di mana bagian pertama mengambil nilai input
data baru ditambah dengan hidden state lalu dilakukan proses sigmoid
untuk mendapatkan hasil 0 sampai 1, proses ini dapat dirumuskan
sebagai berikut:
𝑖𝑡 = σ(𝑊𝑖 × [ℎ𝑡 − 1, 𝑋𝑡 ] + 𝑏𝑖 ) (2.2)
Keterangan :
𝑖𝑡 : input gate
σ : fungsi sigmoid
𝑊𝑖 : weight input gate
𝑏𝑖 : bias input gate
Sementara pada proses kedua menggunakan data yang sama
dengan proses sebelumnya namun setelah ditambahkan menggunakan
fungsi tanh untuk mendapatkan hasil -1 sampai 1 proses ini dapat
dirumuskan sebagai berikut
𝐶̃𝑡 = α(𝑊𝑐 × [ℎ𝑡 − 1, 𝑋𝑡 ] + 𝑏𝑐 ) (2.4)
Keterangan :
𝐶̃𝑡 : kandidat representasi cell state pada timestep t
α : fungsi tanh
𝑊𝑐 : weight cell state
11

𝑏𝑐 : bias cell state
Setelah kedua proses selesai hasil dari sigmoid dan tanh

dikalikan.
2.3.1.3 Cell state

Cell state adalah proses di mana hasil dari perhitungan yang
sudah dilakukan pada proses Forget Gate dan Input Gate di
gabungkan dengan nilai Cell state sebelumnya untuk mendapatkan
nilai baru. Proses ini dapat dirumuskan sebagai berikut:
𝐶𝑡 = 𝑓𝑡 × 𝐶𝑡 − 1 + 𝑖𝑡 × 𝐶̃𝑡 (2.5)
Keterangan :
𝐶𝑡 : cell state
𝑓𝑡 : forget gate
𝐶𝑡 − 1 : output cell state dari block lstm pada timestep
sebelumnya
𝑖𝑡 : input gate
𝐶̃𝑡 : kandidat representasi cell state pada timestep t
Gambar 2.4 Arsitektur Cell state baru
2.3.1.4 Ouput Gate

Output gate adalah proses yang menentukan nilai hidden
state selanjutnya. Pada bagian ini diambil dari data cell state yang
sudah didapatkan lalu digunakan fungsi tanh untuk mencari nilai -1
12
sampai 1, proses ini dapat dirumuskan sebagai berikut:

α = (𝑊𝑜 × [ℎ𝑡 − 1, 𝑋𝑡 ] + 𝑏𝑜 ) (2.6)
Keterangan :
α : fungsi tanh
𝑊𝑜 : weight ouput gate
𝑏𝑜 : bias output gate
Sesudah itu hasilnya dikalikan dengan nilai input data baru

ditambah dengan nilai hidden state sebelumnya menggunakan
sigmoid untuk mendapatkan nilai 0 sampai 1, proses ini dapat
dirumuskan sebagai berikut:
ℎ𝑡 = 𝑂𝑡 × α(𝐶𝑡 ) (2.7)
Keterangan :
ℎ𝑡 : nilai hidden state
𝑂𝑡 : output gate
α : fungsi tanh
𝐶𝑡 : cell state
Gambar 2.5 Arsitektur Hidden State baru

13
Dengan proses arsitektur LSTM yang sudah dijabarkan di atas, maka bentuk
permodelan pada LSTM dimulai dari Input Gate yang dimana data akan mulai di
masukan ke dalam jaringan neural network untuk dilakukan proses perhitungan atau
proses pembelajaran. Kemudian berlanjut ke bagian cell state di mana data akan di
proses kembali untuk menjalani iterasi atau perulangan berikutnya atau
mengeluarkan hasil akhir yang di mana hal ini juga akan divalidasi bersamaan
dengan output gate.
Forget gate pada algoritma ini digunakan Ketika proses iterasi atau perulangan
proses learning masih harus dilanjutkan yang di mana bagian ini akan menyaring
data yang dianggap tidak perlu dan dilanjutkan pada gate selanjutnya.
2.4. MinMax Scaler

Untuk normalisasi data akan menggunakan MinMax Scaler. Metode ini
digunakan untuk menimbang setiap data yang ada untuk diubah menjadi suatu nilai
baru yang dapat digunakan untuk dijadikan training set data. Rentang nilai untuk
normalisasi data ini dapat diset menjadi 0 sampai 1
(sklearn.preprocessing.MinMaxScaler — scikit-learn 1.0.1 documentation n.d.).
Metode ini dapat dirumuskan sebagai berikut:
𝑥−𝑥𝑚𝑖𝑛
𝑥𝑠𝑡𝑑 = (2.8)
𝑥𝑚𝑎𝑥 −𝑥𝑚𝑖𝑛
Keterangan :
𝑥𝑠𝑡𝑑 : nilai baru atau value baru
𝑥 : nilai original atau nilai asli atau nilai awal
𝑥𝑚𝑖𝑛 : nilai minimum pada kolom
𝑥𝑚𝑎𝑥 : nilai maksimum pada kolom
2.5. Z-Score Scaler

Z-Score merupakan sebuah metode yang dilakukan untuk menormalisasi data
14
dengan cara mentransformasi ke dalam bentuk distribusi dengan nilai rata-rata 0 dan
standart deviasi 1 (Data normalization with Pandas and Scikit-Learn | by Amanda
Iglesias Moreno | Towards Data Science n.d.). Setiap data yang distrandarisasikan
nilainya dihitung dengan mengurangi rata-rata fitur dan membaginya dengan standar
deviasi.
𝑥− 𝜐
𝑥𝑠𝑡𝑑 = (2.9)
𝜎
Keterangan :
𝑥𝑠𝑡𝑑 : nilai standarisasi
𝑥 : nilai original atau nilai asli atau nilai awal
𝜐 : rata rata populasi
𝜎 : standar deviasi populasi
2.6. Root Mean Square

Root Mean Squared Eror atau bisa disebut RMSE adalah sebuah metode yang
dapat mengukur tingkat error rate dari sebuah kumpulan data. Hasil ini didapat dari
seberapa banyak data yang tersebar di luar garis regresi/prediksi yang ada (RMSE:
Root Mean Square Error - Statistics How To n.d.). ‘Metode ini dapat dirumuskan
sebagai berikut:
𝑅𝑀𝑆𝐸 = √̅̅̅̅̅̅̅̅̅̅
(𝑓 − 𝑂)2 (2.10)
Keterangan :
𝑅𝑀𝑆𝐸 : nilai standarisasi
𝑓 : hasil yang diharapkan atau data asli
𝑂 : nilai hasil pengujian
Bab III
Metodologi Penelitian
Pada bab ini akan dibahas mengenai data penelitian yang akan digunakan, alat
yang digunakan peneliti untuk melakukan penelitian, desain alat uji yang
digunakan, scenario pengujian yang dilakukan, dan desain interface yang
digunakan.
3.1. Bahan dan Alat
3.1.1 Bahan Penelitian

Bahan yang digunakan diperoleh dari (Yahoo Finance - Stock
Market Live, Quotes, Business & Finance News n.d.) dengan mengambil
sejarah data perdagangan dari Januari 2015 sampai September 2021. Data
yang digunakan berasal dari 5 perusahaan yang dipilih penulis dan masuk ke
dalam indeks LQ 45, data perusahaan yang diambil adalah sebagai berikut
PT. Aneka Tambang Tbk. (ANTM), PT. Medco Energy Internasional Tbk.
(MEDC), PT. Perusahaan Gas Negara Tbk. (PGAS), PT. Bank Central Asia
Tbk. (BBCA), PT. Mitra Adi Perkasa Tbk, (MAPI). Berikut merupakan
contoh data yang akan digunakan pada penelitian kali ini, selengkapnya akan
dilampirkan.
15
16
Gambar 3.1 Data Perdagangan BBCA
Gambar 3.1 merupakan salah satu contoh data yang digunakan

pada proses pengujian yang dilakukan pada bab selanjutnya. Data yang
diambil berupa data dari kolom Close.
3.1.2 Alat Penelitian

Alat yang akan digunakan dalam melakukan penelitian ini adalah
sebagai berikut:
1. Prosesor Intel® i5-8400 @2.8 GHz
2. Memori 16 GB
3. HDD 1 TB
4. Sistem Operasi Windows 10
5. Spyder IDE
3.2. Desain Alat Uji

Tahap-tahap penelitian yang akan dilakukan digambarkan pada gambar di
bawah berikut:
17
Gambar 3.2 Desain Alat Uji
Pada proses awal data diambil dari local yang sudah didapatkan sebelumnya
dan semua pengujian menggunakan data Close, bentuk data yang ada sebagai berikut:
Tabel 3.1 Contoh Data Dummy

Adj
Date Open High Low Close Volume
Close
8/3/2020 690 695 640 650 650 60943400
8/4/2020 670 670 625 665 665 25238700
8/5/2020 655 670 650 665 665 21555200
8/6/2020 670 710 665 695 695 38061500
8/7/2020 700 710 685 700 700 42980200
8/10/2020 700 710 685 690 690 5457000
8/11/2020 700 700 685 695 695 10854300
8/12/2020 700 700 685 695 695 7729000
8/13/2020 695 720 695 695 695 28105600
8/14/2020 695 705 685 690 690 8962600
18
Adj
Date Open High Low Close Volume
Close
8/18/2020 690 715 685 690 690 26173700
8/19/2020 690 705 690 690 690 6584600
8/24/2020 690 710 685 710 710 27868500
8/25/2020 710 720 695 705 705 18177600
8/26/2020 710 710 695 695 695 20689600
8/27/2020 700 705 685 685 685 8288900
8/28/2020 685 695 680 685 685 12940100
8/31/2020 690 690 665 680 680 22706300
Dengan data yang sudah didapatkan maka dilakukan proses Normalisasi data
dan pembagian data atau bisa disebut split data. Proses split data dilakukan dengan
cara membagi data secara langsung yaitu dengan membagi jumlah data pada dataset
yang ada. Pada pegujian ini pembagian dataset dibagi menjadi 98% testing 2%
testing. Pembagian ini didapatkan berdasarkan hasil peneliti membaca referensi
maupun jurnal yang ada.
3.2.1 Normalisasi Data

Pada bagian ini data yang diinput dan diambil yaitu data pada kolom
close dilakukan proses normalisasi yang dimana data akan dibentuk menjadi
nilai yang dapat membantu proses perhitungan nantinya. Proses yang
digunakan pada perhitungan ini adalah dengan menggunakan normalisasi
MinMax atau rumus (2.8) yang dimana nilai tertinggi dan nilai terendah
pada jumlah data yang ada diambil untuk menjadi acuan normalisasi pada
data-data yang ada.
19
Tabel 3.2 Hasil Normalisasi Data

Term Normalised Data
645 0.58064516, 0.95249768
650 0.61290323, 0.96112576
655 0.64516129, 0.96595398
655 0.64516129, 0.96595398
640 0.5483871 , 0.96421376
640 0.5483871 , 0.96421376
635 0.51612903, 0.95976833
645 0.58064516, 0.96353973
635 0.51612903, 0.96043005
635 0.51612903, 0.96043005
650 0.61290323, 0.96876729
3.2.1 Proses LSTM

Setelah proses normalisasi data dan split data maka dilanjutkan dengan
proses implementasi LSTM. Data pada tabel 3.2 menjadi input untuk sistem LSTM.
Pada proses pengujian ini LSTM yang digunakan menggunakan 10 neuron dengan
10 epoch dan jumlah lookback maka dari itu data yang digunakan hanya data yang
menjadi input. Lookback dapat diartikan sebagai sebuah proses untuk melihat
masa sebelumnya atau nilai pada hari sebelumnya maka dari itu apabila
menggunakan lookback 2 hari maka data yang digunakan adalah data 2 hari
sebagai contoh sebagai berikut
Terdapat data 10 hari yang di train pada proses learning

20
Tabel 3.3 Proses TimeStep
1 2 3 4 5 6 7 8 9 10
Input Output
1, 2 3
2, 3 4
3, 4 5
4, 5 6
5, 6 7
6, 7 8
7, 8 9
8, 9 10
Secara jelas lookback ini digunakan untuk membagi data untuk menjadi
train per minggu ataupun per hari, penggunaan lookback ini berbeda-beda
tergantung penelitian yang dilakukan. Hal ini juga berpengaruh pada timestep
LSTM yang digunakan maka bentuknya akan menjadi seperti berikut:
Gambar 3.3 Desain LSTM

21
Pada gambar grafik di atas dapat dilihat untuk proses kerja LSTM
pada penggunaan lookback. Kotak biru menjadi nilai input yang di masukan
pada algoritma LSTM yang kemudian berlanjut ke kotak merah yang di
mana input data di masukan ke dalam neuron-neuron LSTM. Pada kotak
kuning di mana algoritma LSTM bekerja ketika nilai input di masukan maka
akan diteruskan pada proses perhitungan di forget gate, input gate, output
gate.
Proses pertama dimulai dengan masuknya data pada cell LSTM.
Nilai input masuk ke dalam gate yang ada pada LSTM unit secara
bersamaan. Pada forget gate apabila nilai input yang sudah dilakukan
perhitungan bernilai 0 maka data tersebut tidak akan diteruskan pada proses
timestep selanjutnya sebaliknya apabila bernilai mendekati diubah menjadi
nilai hidden state pada unit/timestep selanjutnya pada proses LSTM.
Sebagai contoh pada gambar di atas setelah data input di proses pada LSTM
t+1 dilanjutkan ke LSTM t+2 hasil dari LSTM t+1 menjadi nilai hidden state
pada proses LSTM t+2 hal ini berulang sampai pada t+n yang sudah
ditentukan atau jumlah perhitungan pada lookback yang digunakan sudah
terpenuhi. Proses ini juga akan diulangi terus menerus sampai sesuai dengan
berapa banyak epoch yang digunakan pada penelitian ini.
Pada saat proses perhitungan data yang di proses pada masing-

masing unit neuron didapatkan hasil pada tabel di bawah ini:
22
Tabel 3.4 Input LSTM dan Proses Learning

Input Normalised Data Training LSTM
645 0.58064516, 0.95249768 0.05606036, 0.08154989, ....., 0.04083556, -0.01106093
650 0.61290323, 0.96112576 0.05595117, 0.08132938, ....., 0.04173678, -0.01144249
655 0.64516129, 0.96595398 0.05566522, 0.08082038, ....., 0.04241636, -0.0117032
655 0.64516129, 0.96595398 0.05566522, 0.08082038, ....., 0.04241636, -0.0117032
640 0.5483871, 0.96421376 0.0570518, 0.08327573, ....., 0.04113994, -0.01132608
640 0.5483871, 0.96421376 0.0570518, 0.08327573, ....., 0.04113994, -0.01132608
635 0.51612903, 0.95976833 0.05732193, 0.08379351, ....., 0.04049132, -0.01107757
645 0.58064516, 0.96353973 0.05654701, 0.08237092, ....., 0.04148928, -0.01141194
635 0.51612903, 0.96043005 0.05735052, 0.08384258, ....., 0.04053021, -0.0110986
635 0.51612903, 0.96043005 0.05735052, 0.08384258, ....., 0.04053021, -0.0110986
650 0.61290323, 0.96876729 0.05629082, 0.08189841, ....., 0.04219018, -0.01168529
Pada proses training data ini data mulai masuk pada gate yang terdapat pada
metode LSTM ini. Semua data input awal di masukan pada proses forget gate
terlebih dahulu yang di mana forget gate ini akan mengecek apakah ada kesamaan
pada data input sebelumnya. Apabila ada data yang sama maka dapat dilihat pada
kolom 5 dari tabel 3.3 input pada kolom input 3 dan 4 yang bernilai 655 sebelum
dilakukan proses normalisasi. Pada kolom 3 data sudah terlebih dahulu dilakukan
proses perhitungan maka dari itu ketika data pada kolom ke 4 masuk ke forget gate
maka data tersebut langsung di eliminasi oleh forget gate dan cell state yang ada
sebelumnya langsung diteruskan ke proses timestep selanjutnya. Hal ini yang
membuat LSTM lebih efisien dalam melakukan proses training data.
Setelah data di masukan ke dalam proses LSTM data akan terus di train
sampai batasan tertentu, batasan yang dimaksud ini adalah jumlah perulangan yang
dilakukan pada proses training data dengan metode ini. Begitu perulangan selesai
maka didapatkan hasil output dari perhitungan sebagai berikut ini:
23
Tabel 3.5 Output LSTM

Output
0.5013016
0.5066536
0.5112201
0.5112201
0.4997137
0.4997137
0.49502063
0.5033763
0.49514613
0.49514613
0.5080809
Setelah didapatkan data output makan proses selanjutnya adalah mengubah

kembali data output dengan inverse transform. Dengan proses ini data akan lebih
mudah dibaca oleh peneliti dan lebih mudah untuk membandingkan dengan data
testing yang. Berikut merupakan hasil dari inverse transform yang telah dilakukan:
Tabel 3.6 Hasil Inverse

Hasil Inverse
632.7018
633.5313
634.2391
634.2391
632.4556
632.4556
631.7282
633.0233
631.7477
631.7477
633.75256
24
Dengan demikian dapat di analisa untuk proses selanjutnya yaitu mencari

nilai error rate. Error rate yang digunakan pada penelitian kali ini adalah
perhitungan root mean squared error, perhitungan ini didapatkan dengan
membandingkan data test dengan data ouput yang ada maka didapatkan nilai error
rate sebagai berikut ini:
Tabel 3.7 Hasil Akhir

Data Hasil Error
Test Prediksi Rate
645 632.7018
650 633.5313
655 634.2391
655 634.2391
640 632.4556
640 632.4556 14.343
635 631.7282
645 633.0233
635 631.7477
635 631.7477
650 633.75256
Perhitungan ini menggunakan RMSE prosesnya adalah sebagai berikut:
𝑅𝑀𝑆𝐸 = √̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
(total data test − total hasil prediksi)2
Dengan demikian hasil pengujian untuk data dummy didapatkan dengan nilai
error rate yang didapatkan 14.343 poin, hasil ini merupakan tingkat yang cukup baik
karena rata-rata nilai hasil prediksi memiliki perbedaan yang tidak jauh dengan data
asli yang ada.
25
3.3. Skenario Pengujian

Untuk pengujian yang dilakukan akan dilakukan dengan skenario pengujian
sebagai berikut:
Tabel 3.8 Parameters

Term Value
Normalise data MinMax, Z-Score
Lookback 5, 10, 15, 20
learning rate 0.001
split data 0.98
Neuron 10
Batch size 15
Epoch 50
Validation 0.01
Pada tabel 3.8 merupakan parameter yang akan digunakan pada pengujian
kali ini. Angka ini dipilih dengan mengacu pada jurnal-jurnal yang menjadi acuan
penulis. Pada prosesnya pengujian akan dilakukan sebagai berikut ini:
26
Gambar 3.4 Proses Pengujian
Diagram di atas merupakan proses lengkap pengujian yang dilakukan pada

penelitian kali ini. Detail pada pengujian kali ini dilakukan dengan beberapa
pengujian sebagai berikut:
27
Tabel 3.9 Detail Pengujian

Detail Pengujian
Param\Pengujian 1 2 3 4
MinMax & MinMax & MinMax & MinMax &
Normalise Data
Z-Score Z-Score Z-Score Z-Score
Lookback 5 10 15 20
learning rate 0.01 0.01 0.01 0.01
split data 0.98 0.98 0.98 0.98
Neuron 10 10 10 10
Batch size 15 15 15 15
Epoch 50 50 50 50
Validation 0.01 0.01 0.01 0.01
Pengujian ini dilakukan pada semua dataset yang ada total pengujian yang
dilakukan sebanyak 40 kali pengujian yang di mana pada masing-masing dataset
perusahaan dilakukan pengujian sebanyak 8 kali yang terdiri dari pengujian dengan
menggunakan lookback 5, 10, 15, 20 dan normalisasi MinMax maupun Z-Score.
Dengan penggunaan beberapa parameter di atas maka hasil yang optimal atau nilai
eror rate yang didapatkan dapat bernilai kurang dari 1.
3.4. Desain GUI
Gambar 3.5 Desain GUI

28
Untuk GUI terbagi menjadi beberapa bagian
3.4.1 Input GUI
Untuk input dari GUI berupa:

1. File yang berisi data set yang akan digunakan untuk melakukan
prediksi.
2. Day Interval untuk memasukkan jumlah hari yang akan di
prediksi.
3.4.2 Output GUI
Untuk output dari GUI berupa:

1. Hasil data pre processing
2. Grafik yang menunjukkan nilai prediksi dan nilai saham aslinya
3. Tingkat error rate dari prediksi yang dilakukan.
Bab IV
Hasil Penelitian Dan Analisis
Pada bab ini dijelaskan mengenai hasil penelitian yang telah diuji oleh
peneliti berdasarkan data yang sudah dipilih peneliti.
4.1. Data
Data yang digunakan berupa 5 dataset terdiri dari beberapa perusahan yang
berada dalam list Bursa Efek Indonesia yaitu PT. Aneka Tambang Tbk. (ANTM),
PT. Bank Central Asia Tbk. (BBCA), PT. Medco Energi Internasional Tbk.
(MEDC), PT. Perusahaan Gas Negara Tbk. (PGAS), PT. Mitra Adi Perkasa Tbk.
(MAPI). Kelima dataset ini nantinya akan digunakan satu persatu untuk mencari
prediksi masing masing dari harga saham perusahaan tersebut.
Seluruh scenario ini digunakan sesuai dengan yang sudah peneliti tuliskan
pada bab sebelumnya dan untuk hasil penelitian ini parameter deep learning pada
masing-masing pengujian algoritma LSTM yang digunakan sebagai berikut:
Tabel 4.1 Proses Pengujian
Proses Pengujian
Param\Pengujian 1 2 3 4
MinMax & MinMax & MinMax & MinMax &
Normalise Data
Z-Score Z-Score Z-Score Z-Score
Lookback 5 10 15 20
learning rate 0.01 0.01 0.01 0.01
split data 0.98 0.98 0.98 0.98
Neuron 10 10 10 10
Batch size 15 15 15 15
Epoch 50 50 50 50
Validation 0.01 0.01 0.01 0.01
29
30
Sebelum dilakukan pengujian maka data akan dipanggil dengan

menggunakan proses seperti di bawah ini.
Gambar 4.1 Potongan Code membaca data
Pada gambar 4.1 di atas digunakan fungsi pandas untuk membaca data csv
yang nantinya akan digunakan untuk proses pengujian. Seluruh file yang ada
tersimpan di lokal data.
Proses selanjutnya adalah preProcessing data yang di mana nantinya data

akan di lakukan beberapa penyesuaian agar lebih mudah untuk digunakan pada
proses selanjutnya.
Gambar 4.2 Code normalisasi MinMax
Gambar 4.3 Code normalisasi Z-Score(StandardScaler)
Pada gambar 4.2 dan 4.3 merupakan potongan code yang dilakukan untuk
melakukan proses normalisasi data yang akan digunakan untuk pengujian. Nantinya
setelah proses normalisasi sudah selesai akan dilanjutkan ke proses pembagian data
train dan data test.
31
4.2. Pre-Processing Data

Pada tahap ini data yang sudah di inputkan akan dilakukan Pre-Processing
yang meliputi normalisasi data. Pada tahap ini data akan di normalisasi
menggunakan 2 metode yaitu MinMax Scaler dan Z-Score. Setelah dilakukan
proses normalisasi data maka akan dilakukan split data untuk data training dan data
testing.
4.2.1 Normalisasi Data

Pada tahap ini akan dilakukan normalisasi data dengan
menggunakan library dari scikit-learn, berikut contoh proses normalisasi data
yang dilakukan pada pengujian ini.
Gambar 4.4 Proses normalisasi data MinMax Scaler
Gambar 4.5 Proses normalisasi data Z-Score
Setelah data yang di inputkan di normalisasi akan dilakukan proses

retransform data yang di mana data akan dikembalikan ke bentuk awal atau
di inverse transform agar data dapat dibaca lagi dengan mudah untuk proses
prediksi nantinya. Data yang sudah melalui proses normalisasi dan di
inverse kembali menjadi bentuk awalnya. Sebagai contoh data peneliti
menggunakan data dari perusahaan PT. Bank Central Asia Tbk. sebagai
gambaran bentuk data yang di proses pada penelitian kali ini
32
Gambar 4.6 Data test BCA sebelum di normalisasi
Gambar 4.7 Data test BCA setelah normalisasi MinMax

33
Gambar 4.8 Data test BCA setelah normalisasi Z-Score
4.2.1 Split Data

Pada tahap ini dilakukan pemecahan data untuk data training dan
testing. Dari satu dataset perusahaan yang ada akan dibagi menjadi 98%
data training dan 2% data testing. Pembagian data ini dilakukan dengan cara
sebagai berikut.
Gambar 4.9 Potongan code pembagian data train dan test
Setelah dilakukan pembagian data maka akan dilakukan normalisasi

data yang akan digunakan pada algoritma LSTM yang nantinya akan
digunakan untuk membuat permodelannya dan akan digunakan untuk
prediksi. Proses untuk membuat data train dan split dapat dilihat sebagai
berikut.
Gambar 4.10 Potongan proses dari normalisasi data

34
Untuk data train dan testnya akan di inputkan juga history point yang
di mana history point ini digunakan untuk melihat nilai data dengan rentang
hari tertentu sesuai dengan yang di inputkan.
4.3. Implementasi Long Short Term Memory

Pada tahap ini dilakukan implementasi algoritma LSTM yang menjadi topik
bahasan utama pada penelitian ini. Pada penelitian kali ini implementasi LSTM
yang dilakukan sebagai berikut.
Gambar 4.11 Pembuatan model LSTM
Pada gambar 4.11 dilakukan Langkah awal untuk membuat model LSTM
yang akan digunakan. Bentuk dari LSTM terdiri dari history_point atau bisa
disebut lookback dan dimensi yang didapatkan dari hasil preprocessing.
Gambar 4.12 Jumlah input neuron dan dense
Pada gambar 4.12 merupakan proses untuk menambahkan jumlah neuron

dan dense yang akan digunakan dalam proses LSTM. Terdapat juga untuk
aktivasinya menggunakan aktivasi linear untuk output yang akan dihasilkan dari
proses LSTM ini.
Gambar 4.13 Potongan code system kerja LSTM

35
Pada gambar 4.13 dapat dijelaskan sebagai bagaimana nantinya sistem

LSTM ini harus bekerja. Pada model LSTM ini menggunakan optimisasi Adam yang
di mana nantinya optimisasi ini digunakan untuk mengkalkulasi seberapa baik
algoritma ini harus bekerja dan untuk menentukan seberapa besar error rate atau
tingkat kesalahan yang didapatkan apabila menggunakan algoritma ini. Pencarian
keakuratan ini menggunakan metode RMSE.
Untuk melatih data, digunakan epoch atau perulangan sebanyak 50 kali dan
dengan total batch 15. Untuk validasi data digunakan sebesar 0.01 agar lebih akurat.
4.4. Perhitungan Error Rate

Setelah semua proses dilakukan dengan melakukan training dataset yang
ada maka akan didapatkan hasil untuk dilakukan penghitungan nilai errornya.
Sebelum dilakukan proses perhitungan error ini maka data akan dilakukan proses
inverse transform sebagai berikut:
Gambar 4.14 Code Inverse Transform
Setelah data di inverse transformkan atau di re-normalisasi Kembali maka

perhitungan error rate dapat dilakukan. Proses perhitungan error dapat dilihat
sebagai berikut:
Gambar 4.15 Code Error Rate
Perhitungan error rate didapatkan dari hasil testing dengan model predict
yang dilakukan sebelumnya. Pada library memang tertulis mean squared error.
Berdasarkan publikasi dari website resmi scikit learn maka untuk mendapatkan root
36
mean squared error ini dapat ditambahkan squared = False untuk mendapatkan
nilai RMSE (sklearn.metrics.mean_squared_error — scikit-learn 1.1.1
documentation n.d.).
4.5. Hasil Pengujian Skenario
Setelah melalui proses normalisasi data, pembagian data dan pengolahan

data menggunakan metode LSTM yang dilakukan maka didapatkan hasil dari hasil
pengujian yang menggunakan parameter pada tabel 4.1. Parameter yang akan
digunakan selalu sama dalam setiap pengujian yang dilakukan dengan
menggunakan 5 dataset yang ada. Perbedaan dari pengujian ini nantinya adalah
pada isi dari variabel history point atau lookback yang digunakan, variabel ini
digunakan untuk melihat beberapa hari sebelumnya dan karena Bursa Efek hanya
buka pada hari kerja maka dari itu nilai lookback akan disesuaikan per minggunya
mengikuti dengan hari kerja yang berlaku. Berikut merupakan hasil dari pengujian
yang telah dilakukan.
4.5.1 Hasil Pengujian Lookback 5

Pada pembahasan hasil pengujian kali ini dimulai degan pengujian
menggunakan lookback 5 atau melihat data 5 hari atau 1 minggu
sebelumnya. Berikut merupakan hasil pengujiannya.
Tabel 4.2 Hasil Pengujian Lookback 5
Error Rate Lookback 5

PrePro\Emiten MEDC WIKA ANTM MAPI BBCA
MinMax 0.205 0.517 0.497 0.198 0.845
Z-Score 0.199 0.375 0.487 0.203 0.669
37
Error Rate Lookback 5 Hari

1
0.8
Error Rate
0.6
0.4
0.2
0
MEDC WIKA ANTM MAPI BBCA
Emiten
MinMax Z-Score
Gambar 4.14 Grafik Lookback 5 Hari
Berdasarkan hasil yang dapat dilihat pada tabel 4.2 dan gambar 4.14
dapat diketahui bahwa untuk pengujian dengan menggunakan lookback 5
ini error rate terendahnya didapatkan pada pengujian perusahaan MAPI
dengan nilai eror sebesar 0.198 dengan menggunakan normalisasi MinMax.
Sementara itu untuk eror tertinggi didapatkan pada perusahaan

BBCA dengan nilai eror sebesar 0.848 dengan menggunakan normalisasi
MinMax.
4.5.2 Hasil Skenario Pengujian Lookback 10

Pembahasan selanjutnya adalah untuk hasil pengujian dengan
menggunakan lookback 10 hari atau rentang waktu 2 minggu. Berikut
merupakan hasil pengujiannya.
38

MinMax 0.136 0.377 0.668 0.207 0.731
Z-Score 0.137 0.377 0.561 0.192 0.566

0.8
0.6
Error Rate
0.4
0.2
0
Emiten
MinMax Z-Score
Gambar 4.15 Grafik Lookback 10 Hari

Berdasarkan hasil pengujian yang diperoleh dari tabel 4.3 dan
gambar 4.15 maka dapat dilihat error rate terendah didapatkan dengan
menggunakan metode normalisasi MinmMax dengan hasil 0.136 pada
perusahaan MEDC sementara untuk error rate tertingi didapatkan pada hasil
pengujian data BBCA dengan normalisasi MinMax yang bernilai 0.731.

Berikutnya akan dilanjutkan untuk pembahasan lookback 15 hari
atau 3 minggu. Berikut merupakan hasil pengujiannya.
39

MinMax 0.141 0.445 0.597 0.279 0.623
Z-Score 0.131 0.455 0.712 0.195 0.605

0.8
0.6
Error Rate
0.4
0.2
0
Emiten
MinMax Z-Score
Gambar 4.16 Grafik Lookback 15
Berdasarkan hasil pengujian yang telah dilakukan maka diperoleh

hasil seperti pada tabel 4.4 dan gambar 4.16. Untuk error rate terendah
didapatkan pada pengujian dengan menggunakan normalisasi Z-Score
dengan nilai 0.131 pada data MEDC, sementara untuk error rate tertinggi
dengan nilai 0.712 dengan pengujian pada data ANTM.

Berikutnya akan dilanjutkan untuk pembahasan hasil pengujian
dengan menggunakan lookback dengan rentang 20 hari atau 4 minggu atau
1 bulan.
40

MinMax 0.142 0.3 0.893 0.231 0.474
Z-Score 0.155 0.446 1.066 0.206 0.769

1.2
1
Error Rate
0.8
0.6
0.4
0.2
0
Emiten
MinMax Z-Score
Gambar 4.17 Grafik Lookback 20
Berdasarkan hasil pengujian yang telah dilakukan maka diperoleh

hasil seperti pada tabel 4.5 dan gambar 4.17. Untuk error rate terendah
didapatkan pada pengujian dengan menggunakan normalisasi MinMax
dengan nilai 0.142 pada data MEDC, sementara untuk error rate tertinggi
dengan nilai 1.066 dengan pengujian pada data ANTM.
4.6. Analisa Hasil Pengujian Skenario

Berdasarkan data hasil pengujian yang sudah dijabarkan pada bagian
sebelumnya maka dapat dikatakan metode LSTM dapat memprediksi harga saham
dengan cukup baik dengan menggunakan data yang digunakan. Berikut merupakan
hasil pengujian dari masing-masing perusahaan.
41
4.6.1 Hasil PT. Aneka Tambang Tbk.

Berdasarkan hasil pengujian yang telah dilakukan maka pengujian
untuk perusahaan ANTM mendapatkan hasil yang cukup baik dalam
pengujian untuk memprediksi data testing yang ada. Hal ini dapat dilihat
dengan tingkat eror yang didapatkan pada tabel berikut ini.
Tabel 4.6 Hasil Pengujian ANTM

Akurasi ANTM
PrePro\LB LB 5 LB 10 LB 15 LB 20 Mean
MinMax 0.497 0.668 0.597 0.893 0.664
Z-Score 0.487 0.561 0.712 1.066 0.707
Berdasarkan tabel 4.6 dapat dikatakan untuk penggunaan Lookback

semakin besar maka tingkat error rate yang didapatkan juga semakin tinggi.
Sebagai perbandingan berikut merupakan grafik yang memperlihatkan
harga asli dari perusahaan ANTM dengan data hasil prediksi yang
dilakukan.
Gambar 4.18 Grafik Prediksi Harga ANTM MinMax

42
Gambar 4.19 Grafik Prediksi Harga ANTM Z-Score
Berdasarkan gambar 4.18 dan 4.19 Terlihat untuk penggunaan 2

normalisasi yang berbeda dapat menghasilkan prediksi yang cukup identik
dan akurat. Hal ini juga dibuktikan dengan data tabel 4.6 yang
memperlihatkan nilai error yang di dapatkan dari masing-masing scenario
pengujian yang dilakukan.
Error Rate ANTM

1.2
1
Error Rate
0.8
0.6
0.4
0.2
0
LB 5 LB 10 LB 15 LB 20
Lookback
MinMax Z-Score
Gambar 4.20 Grafik Error Rate ANTM

43
Berdasarkan data grafik diatas juga dapat disumpulkan bahwa

pengujian dengan dataset ANTM dan menggunakan lookback 5 sampai 10
normalisasi Z-Score dapat menghasilkan prediksi yang cukup baik dengan
tingkat error lebih rendah. Sementara untuk lookback lebih 15-20
normalisasi MinMax dapat memberikan hasil yang lebih baik.
Dari Pengujian dengan dataset ANTM dapat disimpulkan bahwa

hasil yang didapat dari beberapa Pengujian yang sudah dilakukan cukup
baik. Rata rata eror rate yang didapatkan bernilai cukup rendah yaitu di
angka Rp. 600 – 700 per lembar saham.
4.6.2 Hasil PT. Bank Central Asia Tbk.

Pada hasil pengujian dengan menggunakan data perusahaan BCA
mendapatkan hasil yang cukup baik, hasil pengujian dapat dilihat sebagai
berikut.
Tabel 4.7 Hasil Pengujian BBCA
Akurasi BBCA
MinMax 0.848 0.731 0.623 0.474 0.669
Z-Score 0.669 0.566 0.605 0.769 0.652
Berdasarkan tabel 4.7 dapat dilihat bahwa penggunaan normalisasi

MinMax memiliki hasil yang lebih baik dari penggunaan metode Z-Score.
Untuk Penggunaan MinMax ditambah dengan nilai Lookback yang semakin
tinggi juga didapatkan hasil yang lebih baik dibuktikan dengan nilai error
rate yang terus menurun.
44
Gambar 4.21 Grafik Prediksi Harga BBCA MinMax
Gambar 4.22 Grafik Prediksi Harga BBCA Z-Score
Gambar 4.21 dan 4.22 merupakan bukti seberapa akurat harga

prediksi dengan harga testing yang digunakan. Dapat dilihat pada
normalisasi menggunakan MinMax data yang dihasilkan cukup bagus dan
dengan semakin besar lookback yang digunakan tingkat error semakin
kecil. Sementara untuk normalisasi Z-Score hasil yang didapat kurang baik
dengan ketidak konsistenan nilai error yang didapatkan dan cenderung
semakin besar nilai lookback nilai error semakin tinggi. Hasilnya dapat
dilihat pada gambar berikut.
45
Error Rate BBCA

1
0.8
Error Rate
0.6
0.4
0.2
0
LB 5 LB 10 LB 15 LB 20
Lookback
MinMax Z-Score
Gambar 4.23 Grafik Error Rate BBCA
Dari hasil Pengujian saham BBCA dapat disimpulkan bahwa hasil

yang didapatkan untuk memprediksi saham perusahaan ini cukup baik yang
dimana rata-rata hasil pengujian di dapatkan dengan nilai error rate cukup
rendah yaitu di sekitar Rp. 600 per lembar saham.
4.6.3 Hasil PT. Mitra Adi Perkasa Tbk.

Berdasarkan hasil pengujian yang telah dilakukan maka pengujian
untuk perusahaan MAPI didapatkan hasil yang cukup baik. Hasil pengujian
dapat dilihat sebagai berikut.
Tabel 4.8 Hasil Pengujian MAPI

Akurasi MAPI
MinMax 0.198 0.207 0.279 0.231 0.229
Z-Score 0.203 0.192 0.195 0.206 0.199
Berdasarkan data tabel 4.8 penggunaan metode LSTM untuk

memprediksi harga saham dapat dikatakan efektif. Hasil ini didapatkan
46
dengan melihat tingkat error yang didapatkan cukup baik dan dengan
perbedaan nilai lookback yang berbeda tidak terlalu mempengaruhi hasil
pengujian. Untuk hasil dari pengujian antara data testing dan hasil prediksi
dapat dilihat pada gambar berikut ini.
Gambar 4.24 Grafik Prediksi Harga MAPI MinMax
Gambar 4.25 Grafik Prediksi Harga MAPI Z-Score
Berdasarkan gambar 4.24 dan 4.25 dapat dilihat bahwa untuk harga
prediksi posisinya cukup mendekati dengan harga testing yang digunakan.
Untuk error rate yang cukup kecil pada pengujian ini di dominasi dengan
47
penggunaan normalisasi Z-Score. Sementara untuk MinMax kurang baik

untuk memprediksi dengan menggunakan data MAPI. Hal ini dapat dilihat
pada grafik berikut ini.
Error Rate MAPI

0.3
Error Rate
0.2
0.1
0
LB 5 LB 10 LB 15 LB 20
Lookback
MinMax Z-Score
Gambar 4.26 Grafik Error Rate MAPI
Berdasarkan gambar 4.26 dapat dilihat bahwa untuk dataset MAPI

pengujian terbaik didapatkan pada pengujian dengan menggunakan
normalisasi Z-Score.
Dari hasil Pengujian saham MAPI dapat disimpulkan bahwa hasil

di mana rata-rata hasil pengujian di dapatkan dengan nilai error rate cukup
rendah yaitu di sekitar Rp. 100 - 200 per lembar saham.
4.6.4 Hasil PT. Medco Energi Internasional Tbk.

Berdasarkan hasil pengujian yang telah dilakukan pada perusahaan
MEDC maka didapatkan hasil sebagai berikut ini.
48
Tabel 4.9 Hasil Pengujian MEDC

Akurasi MEDC
MinMax 0.205 0.136 0.141 0.142 0.156
Z-Score 0.199 0.137 0.131 0.155 0.156
Dari data pada tabel 4.9 dapat dilihat bahwa untuk data perusahaan
MEDC mendapat tingkat error yang cukup rendah. Pada normalisasi
MinMax penggunaan nilai lookback cukup berpengaruh dalam memprediksi
harga saham. Untuk normalisasi Z-Score penggunaan lookback yang
berbeda cukup mempengaruhi tingkat error yang didapatkan dan proses
normalisasi ini dapat dikatakan yang terbaik untuk pengujian dengan
menggunakan data ini hasilnya dapat dilihat sebagai berikut.
Error Rate MEDC

0.3
Error Rate
0.2
0.1
0
LB 5 LB 10 LB 15 LB 20
Lookback
MinMax Z-Score
Gambar 4.27 Grafik Error Rate MEDC
Untuk hasil pengujian antara data testing dan hasil prediksi dapat
dilihat sebagai berikut.
49
Gambar 4.28 Grafik Prediksi Harga MEDC MinMax
Gambar 4.29 Grafik Prediksi Harga MEDC Z-Score
Dari hasil Pengujian saham MEDC dapat disimpulkan bahwa hasil

4.6.5 Hasil PT. Wijaya Karya Tbk.

Berdasarkan hasil pengujian yang telah dilakukan pada perusahaan
WIKA maka didapatkan hasil sebagai berikut ini.
50
Tabel 4.10 Hasil Pengujian WIKA

Akurasi WIKA
MinMax 0.517 0.377 0.445 0.3 0.410
Z-Score 0.375 0.377 0.455 0.446 0.413
Berdasarkan data tabel di atas dapat dilihat bahwa untuk pengujian

dengan menggunakan data WIKA didapatkan hasil yang cukup baik.
Penggunaan nilai lookback semakin besar juga mempengaruhi pada
pengujian tertentu. Untuk memudahkan dapat dilihat pada gambar berikut
ini.
Error Rate WIKA

0.6
Error Rate
0.4
0.2
0
LB 5 LB 10 LB 15 LB 20
Lookback
MinMax Z-Score
Gambar 4.30 Grafik Error Rate WIKA
Berdasarkan data gambar 4.30 untuk pengujian WIKA didapatkan

error terendahnya pada pengujian lookback 20 dan dengan normalisasi
MinMax, namun untuk tingkat error tertinggi juga terdapat pada pengujian
dengan normalisasi MinMax dengan lookback 5.
Berikut merupakan hasil pengujian menggunakan data testing

beserta hasil prediksinya.
51
Gambar 4.31 Grafik Prediksi Harga WIKA MinMax
Gambar 4.32 Grafik Prediksi Harga WIKA Z-Score
Dari hasil Pengujian saham MEDC dapat disimpulkan bahwa hasil

4.7. Analisa Variasi Pengujian

Berdasarkan data hasil pengujian yang sudah dijabarkan pada bagian
52
sebelumnya dapat dilihat bahwa hasil yang didapat cukup baik dan untuk
mendapatkan hasil yang lebih baik lagi untuk beberapa Pengujian yang sudah
dilakukan maka penguji melakukan pengujian kembali dengan memvariasikan
parameter yang ada dan di dapatkan hasil sebagai berikut ini.
Tabel 4.11 Hasil Pengujian Variasi

Validation
Pengujian Norm Neuron Epoch LB Train (%) Error
(%)
ANTM MM 15 150 20 30 80 0.229
BBCA Z-Score 15 100 100 30 80 2.379
BBCA MM 25 100 100 30 80 0.932
MEDC Z-Score 25 50 100 30 80 0.229
Berdasarkan tabel 4.11 dapat disimpulkan bahwa dengan melakukan tuning

parameter yang digunakan dapat meningkatkan nilai error rate namun hal ini tetap
dikatakan dengan hasil yang lebih baik. Hal ini dikarenakan penggunaan data
testing yang lebih besar yaitu sebanyak 20% dari dataset. Hal ini dapat dilihat juga
bahwa dengan penggunaan validasi data yang lebih besar juga memperbaiki hasil
prediksi yang ada dengan lebih baik.
Bab V
Penutup
5.1. Kesimpulan
Berdasarkan hasil penelitian tentang Prediksi Harga Bursa Efek Indonesia
Menggunakan Metode LSTM yang telah dikerjakan, maka dapat disimpulkan
sebagai berikut:
1. Pengujian dengan menggunakan 5 dataset yang berbeda dan
menggunakan beberapa parameter yang berbeda menunjukan bahwa
hasil prediksi yang didapat hasil yang cukup baik dan memiliki nilai eror
rate yang cukup optimal.
2. Penggunaan jumlah neuron yang berbeda dapat mempengaruhi hasil
akhir dari proses pengujian hasil yang didapatkan dapat bernilai lebih
baik.
3. Penggunaan normalisasi data dapat berpengaruh terhadap hasil
pengujian seperti contoh pengujian data ANTM ketika penggunaan
lookback 20 untuk hasil Z-Score menjadi sangat tinggi dikarenakan
normalisasi ini merata-rata seluruh nilai yang digunakan pada pengujian
dengan adanya hal tersebut ketika nilai yang dinormalisasi mengalami
kenaikan yang cukup signifikan menimbulkan nilai error yang cukup
besar.
4. Arsitektur terbaik didapatkan pada pengujian data PT. Medco Energi
Internasional Tbk. dengan pengujian pada model lookback 15 hari dan
proses normalisasi Z-Score yang menghasilkan error rate 0.131.
Dengan hasil yang didapatkan maka dapat ditentukan apakah emiten
yang diprediksi aman untuk di investasikan atau tidak.
53
54
5.2. Saran
Untuk pengembangan sistem yang ada, adapun saran yang dapat diberikan
untuk membuat sistem ini lebih baik lagi yaitu:
1. Dapat dilakukan proses Forecasting untuk melihat ramalan harga di hari
kedepan.
2. Penggunaan dataset terbaru.
3. Menggunakan parameter yang berbeda seperti penggunaan fungsi
aktivasi yang berbeda, parameter LSTM yang berbeda.
Daftar Pustaka
“Analysis of Stock Price Predictions using LSTM models | by Yu Hao Lee | Analytics Vidhya |
Medium.” https://medium.com/analytics-vidhya/analysis-of-stock-price-predictions-
using-lstm-models-f993faa524c4 (tanggal di akses November 29, 2021).
“A Tour of Machine Learning Algorithms.” https://machinelearningmastery.com/a-tour-of-
machine-learning-algorithms/ (tanggal di akses June 23, 2022).
Arfan, Adhib, and Lussiana ETP. 2019. “Prediksi Harga Saham Di Indonesia Menggunakan
Algoritma Long Short-Term Memory.” SeNTIK 3(1): 225–30.
“Artificial Neural Network (ANN) – Universitas Gadjah Mada Menara Ilmu Machine
Learning.” https://machinelearning.mipa.ugm.ac.id/2018/05/24/artificial-neural-network-
ann/ (tanggal di akses June 23, 2022).
“Data Normalization with Pandas and Scikit-Learn | by Amanda Iglesias Moreno | Towards Data
Science.” https://towardsdatascience.com/data-normalization-with-pandas-and-scikit-
learn-7c1cc6ed6475 (tanggal di akses May 27, 2022).
Indonesia Stock Exchange (IDX). 2021. “Pengumuman Evaluasi Mayor Indeks IDX30, LQ45
Dan IDX80 No. Peng-00210/BEI.POP/07-2021.” 2021.
“Investor Newbie Wajib Kenalan Nih Sama Indeks LQ45.”
https://www.idxchannel.com/economia/investor-newbie-wajib-kenalan-nih-sama-indeks-
lq45 (tanggal di akses June 15, 2022).
Karno, Adhitio Satyo Bayangkari. 2020. “Prediksi Data Time Series Saham Bank BRI Dengan
Mesin Belajar LSTM (Long ShortTerm Memory).” Journal of Informatic and Information
Security 1(1): 1–8.
Ko, Ching Ru, and Hsien Tsung Chang. 2021. “LSTM-Based Sentiment Analysis for Stock Price
Forecast.” PeerJ Computer Science 7: 1–23.
“LSTM : What’s the Fuss about?. LSTM Learns. LSTM Remembers. Be Like… | by Etqad
Khan | Analytics Vidhya | Medium.” https://medium.com/analytics-vidhya/lstm-whats-the-
fuss-about-1ae9d4c3e33e (tanggal di akses September 19, 2022).
Olah, Christopher. 2015. “Understanding LSTM Networks [Blog].” Web Page: 1–13.
http://colah.github.io/posts/2015-08-Understanding-LSTMs/.
“Pengenalan Deep Learning – Universitas Gadjah Mada Menara Ilmu Machine Learning.”
55
56
https://machinelearning.mipa.ugm.ac.id/2018/06/10/pengenalan-deep-learning/ (tanggal di
akses June 23, 2022).
PT Kustodian Sentral Efek Indonesia. 2021. “Statistik Pasar Modal Indonesia Februari 2021.” :
1–6.
“Recurrent Neural Network (RNN) – Universitas Gadjah Mada Menara Ilmu Machine
Learning.” https://machinelearning.mipa.ugm.ac.id/2018/07/01/recurrent-neural-network-
rnn/ (tanggal di akses June 23, 2022).
“RMSE: Root Mean Square Error - Statistics How To.”
https://www.statisticshowto.com/probability-and-statistics/regression-analysis/rmse-root-
mean-square-error/ (tanggal di akses December 1, 2021).
“Sklearn.Metrics.Mean_squared_error — Scikit-Learn 1.1.1 Documentation.” https://scikit-
learn.org/stable/modules/generated/sklearn.metrics.mean_squared_error.html (tanggal di
akses June 14, 2022).
“Sklearn.Preprocessing.MinMaxScaler — Scikit-Learn 1.0.1 Documentation.” https://scikit-
learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html (tanggal di
akses December 1, 2021).
“ViralBeli Saham Pakai Utang.” https://www.cnnindonesia.com/ekonomi/20210118092457-
92-594972/viral-beli-saham-pakai-utang (tanggal di akses November 29, 2021).
“Yahoo Finance - Stock Market Live, Quotes, Business & Finance News.”
https://finance.yahoo.com/ (tanggal di akses November 29, 2021).

LSTM Skripsi

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

LSTM Skripsi

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PREDIKSI HARGA BURSA EFEK INDONESIA

Diajukan untuk Memenuhi Salah Satu Syarat

Yohanes Dani Pratama Rahadianto

Program Studi Informatika

INDONESIA STOCK MARKET PREDCITION USING

Present as Partial Fulfillment of The Requirements

Yohanes Dani Pratama Rahadianto

Informatics Study Program

PREDIKSI HARGA BURSA EFEK INDONESIA

Yohanes Dani Pratama Rahadianto

Telah Disetujui Oleh:

Cyprianus Kuntoro Adi, S.J., M.A., M.Sc., Ph.D. Tanggal ……………

Dipersiapkan dan disusun oleh:

YOHANES DANI PRATAMA RAHADIANTO

Telah dipertahankan di depan Tim Penguji

Susunan Tim Penguji:

Ketua : Robertus Adi Nugroho, S.T., M.Eng. ………………

Drs. Haris Sriwindono, M.Kom., Ph.D.

“Trau lieber deiner kraft als deinem glück.”

PERNYATAAN KEASLIAN KARYA

Yohanes Dani Pratama Rahadianto

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

Nama : Yohanes Dani Pratama Rahadianto

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan

PREDIKSI HARGA BURSA EFEK INDONESIA

Dengan demikian saya memberikan kepada perpustakaan Universitas Sanata

Demikian pernyataan ini saya buat dengan sebenarnya.

Yohanes Dani Pratama Rahadianto

Keywords: Prediction, Long-Short Term Memory, Indonesia Stock Exchange

1. Tuhan Yesus Kristus, atas berkat, anugerah, dan mengabulkan doa

7. Teman-teman grup WA “Danai Empire” yang menghibur penulis

Yohanes Dani Pratama Rahadianto

HALAMAN PERSETUJUAN ............................................................................... iii

2.4. MinMax Scaler ....................................................................................... 13

3.1.2 Alat Penelitian .......................................................................................... 16

3.2. Desain Alat Uji ....................................................................................... 16

3.2.1 Proses LSTM ............................................................................................. 19

3.3. Skenario Pengujian ................................................................................. 25

3.4.2 Output GUI............................................................................................... 28

Bab IV. Hasil Penelitian dan Analisa ................................................................... 29

4.2.1 Split Data .................................................................................................. 33

4.3. Implementasi Long Short Term Memory ............................................... 34

4.5.2 Hasil Skenario Pengujian Lookback 10 ................................................... 37

4.5.3 Hasil Skenario Pengujian Lookback 15 ................................................... 38

4.5.4 Hasil Skenario Pengujian Lookback 20 ................................................... 39

4.6. Analisa Hasil Pengujian Skenario .......................................................... 40

4.6.2 Hasil PT. Bank Central Asia Tbk. ............................................................ 43

4.6.3 Hasil PT. Mitra Adi Perkasa Tbk. ............................................................ 45

4.6.4 Hasil PT. Medco Energi Internasional Tbk. ............................................. 47

4.6.5 Hasil PT. Wijaya Karya Tbk. ................................................................... 49

4.7. Analisa Variasi Pengujian ...................................................................... 51

Bab V. Penutup ..................................................................................................... 53

Tabel 2.1 Perusahaan/Emiten LQ45 5

Tabel 3.1 Contoh Data Dummy 17

Tabel 4.1 Proses Pengujian 29

Gambar 3.1 Data Perdagangan BBCA 16

Gambar 4.1 Potongan Code membaca data 30

Gambar 4.16 Grafik Lookback 15 39

1.1. Latar Belakang

1.2. Rumusan Masalah

1. Bagaimana metode LSTM bekerja dalam memproses data yang bersifat

1.3. Tujuan Penelitian

Sumber: (LSTM : What’s the fuss about?. LSTM learns. LSTM