Article Sidebar

Submitted
September 16, 2024
Accepted
December 1, 2024
Published
November 30, 2024
Download
PDF
Statistic
Read Counter : 306 Download : 172

Downloads

Download data is not yet available.

Main Article Content

Abstract

Saham merupakan suatu surat berharga atas bukti penyertaan atau kepemilikan individu maupun institusi dalam suatu perusahaan. Alasan banyak investor menanamkan modalnya saat berinvestasi adalah return yang tinggi. Namun pergerakan harga saham sulit untuk ditebak arah kelanjutannya. Banyak metode dan cara yang dilakukan untuk memprediksi jual beli saham, salah satunya adalah perkembangan komputasi untuk pembelajaran mesin yang sangat pesat, yaitu teknik kecerdasan buatan. Dalam penelitian ini, metode kecerdasan buatan yang digunakan adalah Recurrent Neural Network (RNN) dan Linear Regression. Penelitian ini menggunakan dataset saham Netflix dari tahun 2022 sampai dengan 2023. Penelitian ini bertujuan untuk membandingkan metode RNN dan linear regression dengan melihat nilai Koefisien determinasi (R2) dan Mean Absolute Percentage Error (MAPE). Setelah dilakukan pengujian, didapatkan hasil dari R2 pada metode RNN sebesar 85.11%, menandakan bahwa hasil prediksi sudah baik dan nilai MAPE nya sebesar 5.74% yang berarti bahwa tingkat errornya sudah sangat rendah. Sedangkan pada metode linear regression, nilai R2 yang didapat sebesar 100% menandakan bahwa hasil prediksi sudah sangat baik dan nilai MAPE nya sebesar 1.23%, menandakan bahwa tingkat error nya sudah sangat rendah.

Keywords

RNN Linear Regression Koefisien Determinasi MAPE

Article Details

License

Copyright (c) 2024 Duriyawati, Rodiah, Diana Tri Susetianingtias

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Sang Pencerah Journal is an electronic journal that freely available. Papers that submitted to this journal are published under the terms of the Creative Commons License. The terms of the license are:

Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.

ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.

No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

 Creative Commons License
How to Cite
Duriyawati, Rodiah, & Susetianingtias, D. T. (2024). Perbandingan Metode Recurrent Neural Network (RNN) dengan Linear Regression untuk Prediksi Saham Netflix. Sang Pencerah: Jurnal Ilmiah Universitas Muhammadiyah Buton, 10(4), 984–995. https://doi.org/10.35326/pencerah.v10i4.6381
Download Citation
Endnote/Zotero/Mendeley (RIS)
BibTeX

References

  1. Al Hakim, H. A. (2021). Prediksi Tren Pergerakan Harga Sahammenggunakan Algoritma Temporal Convolutional Network (Tcn) Halaman Judul.
  2. Baradja, A., & Sukoco, S. (2023). Pemanfaatan Recurrent Neural Network (RNN) Untuk Meningkatkan Akurasi Prediksi Mata Uang Pada Forex Trading. Journal of Software Engineering Ampera, 4(2), 119-131.
  3. Fidhayatin, S. K. (2012). Analisa Nilai Perusahaan, Kinerja Perusahaan Dan Kesempatan Bertumbuh Perusahaan Terhadap Return Saham Pada Perusahaan Manufaktur Yang Listing Di Bei (Doctoral dissertation, Stie Perbanas Surabaya).
  4. Ghozali, I. (2016). Aplikasi analisis multivariete dengan program IBM SPSS 23. Semarang: Badan Penerbit Universitas Diponegoro.
  5. Hanafiah, A., Arta, Y., Nasution, H. O., & Lestari, Y. D. (2023). Penerapan Metode Recurrent Neural Network dengan Pendekatan Long Short-Term Memory (LSTM) Untuk Prediksi Harga Saham. Bulletin of Computer Science Research, 4(1), 27-33.
  6. Lee, M. O., Sitanggang, D., Indra, E., Sains, F., & Teknologi, D. (2023). 88 Prediksi Mata Uang Kripto Menggunakan Metode Algoritma Linear Regression. Jurnal TEKINKOM, 6(1). https://doi.org/10.37600/tekinkom.v6i1.757
  7. Lestandy, M., Abdurrahim, A., & Syafa’ah, L. (2021). Analisis Sentimen Tweet Vaksin COVID-19 Menggunakan Recurrent Neural Network dan Naïve Bayes. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(4), 802-808.
  8. Mahendra, G. S., Yahya, S. R., Widians, J. A., Sepriano, S., Iskandar, A. P. S., & Darwin, D. (2023). Artificial Intelligence Tools Populer: Penerapan & Implementasi Al Pada Dunia Kerja Dan Industri. PT. Sonpedia Publishing Indonesia.
  9. Paradiba, L., & Nainggolan, K. (2015). Pengaruh laba bersih operasi terhadap harga saham pada perusahaan food and beverage yang terdaftar di BEI. Jurnal riset akuntansi dan bisnis, 15(1).
  10. Putra, R. B. R., & Hendry, H. (2022). Multivariate Time Series Forecasting pada Penjualan Barang Retail dengan Recurrent Neural Network. Jurnal Inovtek Polbeng Seri Informatika, 7(1), 71-82.
  11. Radjavani, A., & Sasongko, T. B. (2023). Analisa Perbandingan Algoritma CNN dan LSTM untuk Klasifikasi Pesan Cyberbullying pada Twitter. Indonesian Journal of Computer Science, 12(4).
  12. Rasdi Rere, L. M., & dan Rozi, H. (2022). Studi Prediksi Harga Bitcoin Menggunakan Recurrent Neural Network. In Seminar Nasional Teknologi Informasi dan Komunikasi STI&K (SeNTIK) (Vol. 6, Issue 1).
  13. Rizkilloh, M. F., & Widiyanesti, S. (2022). Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM). Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(1), 25-31.
  14. Ronald, R.E. 1995. “Pengantar Statistika”, Jakarta : PT. Gramedia Pustaka Utama
  15. Siregar, S. R., & Widyasari, R. (2023). Peramalan Harga Crude Oil Menggunakan Metode Long Short-Term Memory (LSTM) Dalam Recurrent Neural Network (RNN). Jurnal Lebesgue: Jurnal Ilmiah Pendidikan Matematika, Matematika Dan Statistika, 4(3), 1478-1489.
  16. Syahputra, J., Dias Ramadhani, R., & Burhanudin, A. (2022). Terbit online pada laman web jurnal: http://journal.ittelkom-pwt.ac.id/index.php/dinda Journal of Dinda Prediksi Harga Saham Bank Bri Menggunakan Algoritma Linear Regresion Sebagai Strategi Jual Beli Saham. Data Institut Teknologi Telkom Purwokerto, 2(1), 1–10. http://journal.ittelkom-pwt.ac.id/index.php/dinda
  17. Syahram, E. F., Effendy, M. M., & Setyawan, N. (2020). Sun Position Forecasting Menggunakan Metode RNN–LSTM Sebagai Referensi Pengendalian Daya Solar Cell. SinarFe7, 3(1).
  18. Utami, H. (2022). Analisis Sentimen dari Aplikasi Shopee Indonesia Menggunakan Metode Recurrent Neural Network. Indonesian Journal of Applied Statistics, 5(1), 31-38.
  19. Yuliatin, U., Wardhana, A. S., Dewi, A. K., & Hamdani, C. N. (2023). Pemodelan Energi Listrik yang Dihasilkan oleh PV Menggunakan Metode Time Series dan Neural Network untuk Komparasi. EDUKASIA: Jurnal Pendidikan dan Pembelajaran, 4(2).