Perbandingan Metode Long Short-Term Memory dan Double Random Forest dalam Prediksi Harga Penutupan Saham

Abstrak

Long Short-Term Memory (LSTM) merupakan bagian dari Recurrent Neural Network (RNN) yang memiliki keunggulan dalam memproses data sekuensial dan mengenali pola serta ketergantungan dalam data berurutan, sementara Double Random Forest (DRF) adalah metode ensemble yang mampu menangkap pola yang kompleks dengan memanfaatkan pohon keputusan dari data pelatihan secara keseluruhan. Kedua metode ini dapat digunakan untuk melakukan forecasting, termasuk dalam kasus prediksi harga saham. Penelitian ini bertujuan untuk membandingkan metode LSTM dan DRF dalam konteks prediksi harga penutupan saham pada PT. Indofood Sukses Makmur, Tbk, menggunakan dataset berukuran 1.253 data yang akan dibagi menjadi 80% data latih dan 20% data uji. Eksperimen ini mencakup tiga skenario, yaitu penggunaan semua fitur yang tersedia, penggunaan fitur dengan korelasi linier positif tinggi, dan penggunaan fitur dengan korelasi linier rendah. Error metrics yang digunakan pada penelitian ini adalah RMSE, MAE, dan MAPE. Dari hasil penelitian prediksi harga penutupan PT. Indofood Sukses Makmur, Tbk diperoleh bahwa LSTM memiliki hasil yang lebih baik dibandingkan DRF dengan nilai RMSE (80.99), MAE (61.08), dan MAPE (0.94). Hasil dari riset ini diharapkan dapat memberikan kontribusi nyata dalam pengembangan sistem prediksi harga saham berbasis machine learning.