Keywords
BNI
Forecasting
LSTM
Saham
How to Cite
Abstract
Latar belakang penelitian ini adalah fluktuasi harga saham BNI yang signifikan, serta kurangnya pengetahuan investor pemula dalam menentukan strategi investasi. Penelitian ini bertujuan untuk merancang dan membangun sistem prediksi harga saham Bank Negara Indonesia (BNI) berbasis Android menggunakan algoritma Long Short-Term Memory (LSTM). Data historis harga saham dikumpulkan melalui Yahoo Finance dan dinormalisasi menggunakan metode Min-Max Scaling. Model LSTM dibangun dan dioptimasi dengan teknik deep learning, kemudian diintegrasikan ke dalam aplikasi Android melalui backend Django. Hasil evaluasi performa model dilakukan menggunakan metrik Mean Absolute Error (MAE) adalah 0.075030, Mean Squared Error (MSE) adalah 0.008613, dan Root Mean Squared Error (RMSE) adalah 0.092806. Hasil penelitian menunjukkan bahwa model LSTM mampu memprediksi tren harga saham BNI secara efektif, sehingga dapat menjadi alat bantu bagi investor dalam mengambil keputusan investasi yang lebih informatif. Aplikasi yang dihasilkan juga memberikan visualisasi prediksi dalam bentuk grafik dan tabel, sehingga lebih mudah dipahami oleh pengguna.
References
[1] A. Al-Ajlouni, “Financial technology in banking industry: Challenges and opportunities,” in e International Conference on Economics and Administrative Sciences ICEAS2018, 2018.
[2] N. van der Wijst, Discrete-Time Asset Pricing Models in Applied Stochastic Finance. Chichester, UK: Wiley, 2012.
[3] N. Metawa, M. K. Hassan, and S. Metawa, Artificial Intelligence and Big Data for Financial Risk Management. Routledge. https://doi. org/10.4324/9781003144410, 2022.
[4] E. M. Akimova, E. M. Stein, and Y. S. Prokhorova, “System analysis in the investment processes management and theoretical principles of the investments assessment,” Journal of Advanced Research in Law and Economics, vol. 6, no. 3, pp. 472–487, 2015.
[5] B. E. Indonesi, “Daftar Saham LQ45.”
[6] H. Suhendri, S. Indah, and A. H. Al-Abi Syahril, “Analisis Perubahan Harga Saham Bank Syariah BUMN sebelum Merger dan Pasca Merger,” Referensi: Jurnal Ilmu Manajemen dan Akuntansi, vol. 10, no. 2, pp. 84–90, 2022.
[7] S. E. Ady Inrawan, Buku Ajar Manajemen Keuangan. Zahir Publishing.
[8] R. C. Staudemeyer and E. R. Morris, “Understanding LSTM--a tutorial into long short-term memory recurrent neural networks,” arXiv preprint arXiv:1909.09586, 2019.
[9] J. Brownlee, Deep learning for time series forecasting: predict the future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery, 2018.
[10] A. Moghar and M. Hamiche, “Stock market prediction using LSTM recurrent neural network,” Procedia Comput Sci, vol. 170, pp. 1168–1173, 2020.
[11] M. Nirraca and E. Hartati, “Prediksi harga bitcoin menggunakan metode long short term memory”, doi: 10.32502/digital.v7i1.7974.
[12] A. Yusuf and B. K. Selatan, “PREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN LONG SHORT-TERM MEMORY,” vol. 15, no. 2, pp. 124–132, 2021, [Online]. Available: http://ppjp.ulm.ac.id/journals/index.php/epsilon
[13] D. Chandranegara, R. Afif, C. Aditya, W. Suharso, and H. Wibowo, “Prediksi Harga Saham Jakarta Islamic Index Menggunakan Metode Long Short-Term Memory,” 2023.
[14] Moch Farryz Rizkilloh and Sri Widiyanesti, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 25–31, Feb. 2022, doi: 10.29207/resti.v6i1.3630.
[15] T. G. Lasijan, R. Santoso, and A. R. Hakim, “PREDIKSI HARGA EMAS DUNIA MENGGUNAKAN METODE LONG-SHORT TERM MEMORY,” Jurnal Gaussian, vol. 12, no. 2, pp. 287–295, Jul. 2023, doi: 10.14710/j.gauss.12.2.287-295.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Regi Cendika Pratama, Umi Mahdiyah, Resty Wulanningrum