Optimasi Prediksi Saham Perbankan dengan Satu Lapisan Long Short-Term Memory

Abstrak

Pasar saham yang bersifat volatil serta meningkatnya keterlibatan investor, khususnya di sektor perbankan, menunjukkan pentingnya kebutuhan prediksi harga saham yang akurat. Penelitian ini mengembangkan dan mengevaluasi model Long Short-Term Memory (LSTM) satu lapisan untuk memprediksi harga penutupan enam saham perbankan utama di Indonesia: PT Bank Central Asia Tbk (BBCA.JK), PT Bank Rakyat Indonesia Tbk (BBRI.JK), PT Bank Mandiri Tbk (BMRI.JK), PT Bank Negara Indonesia Tbk (BBNI.JK), PT Bank MEGA Tbk (MEGA.JK), dan PT Bank Tabungan Negara Tbk (BBTN.JK). Arsitektur LSTM satu lapisan diuji secara sistematis dengan menggunakan 4 hiperparameter berbeda, meliputi jumlah neuron, ukuran batch, optimizer, dan laju pembelajaran. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa model LSTM satu-lapisan dengan 100 neuron mencapai akurasi terbaik dengan nilai MAPE terendah sebesar 1,95% dan RMSE sebesar 106,54 pada saham BBNI dibandingkan konfigurasi dengan 50 atau 200 neuron. Selain itu, pada pengaturan 100 neuron dan laju pembelajaran 0,001, optimizer Adam dan Adamax secara konsisten mengungguli RMSProp dalam prediksi semua saham. Temuan ini memberikan panduan praktis dalam penyetelan hiperparameter untuk prediksi saham berbasis LSTM di industri perbankan Indonesia.