Metode Long Short Term Memory dan Generalized Autoregressive Conditional Heteroscedasticity untuk Pemodelan Data Saham
Article Sidebar
Published
Feb 23, 2021
Main Article Content
Abstract
Salah satu investasi yang diminati masyarakat saat ini adalah investasi pada saham. Terdapat risiko dalam berinvestasi, sehingga diperlukan peramalan untuk meminimalisir kerugian. Banyak metode peramalan yang dapat digunakan, baik linier maupun nonlinier. Artikel ini membahas tentang metode Long Short Term Memory (LSTM) dan Generalized Autoregressive Conditional Heteroscedasticity (GARCH) untuk pemodelan data saham. Data yang digunakan adalah data harga penutupan saham Alphabet Inc dengan kode GOOGL. Tujuan dari penelitian ini adalah mendapatkan metode terbaik dalam peramalan harga saham, sehingga memberikan peramalan yang lebih efektif dan hasil yang lebih akurat.
Article Details
How to Cite
Lubis, J., & Kharisudin, I. (2021). Metode Long Short Term Memory dan Generalized Autoregressive Conditional Heteroscedasticity untuk Pemodelan Data Saham. PRISMA, Prosiding Seminar Nasional Matematika, 4, 652-658. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/44897
Section
Articles
References
Arfan, A., & Lussiana, E. T. P. (2020). Perbandingan Algoritma Long Short-Term Memory dengan SVR Pada Prediksi Harga Saham di Indonesia. Petir: Jurnal Pengkajian dan Penerapan Teknik Informatika, 13(1), 33-43.
Arfan, A., & Lussiana, E. T. P. (2019). Prediksi Harga Saham Di Indonesia Menggunakan Algoritma Long Short-Term Memory. SenTIK, 3(1), 225–230.
Azis, M., Mintarti, S., & Nadir, M. (2015). Manajemen Investasi Fundamental, Teknikal, Perilaku Investor dan Return Saham. Sleman: Deepublish.
Berradi, Z., & Lazaar, M. (2019). Integration of Principal Component Analysis and Recurrent Neural Network to Forecast the Stock Price of Casablanca Stock Exchange. Procedia Computer Science, 148, 55–61.
Chollet, F. (2018). Deep Learning with Python. Shelter Island: Manning.
Enders, W. (2004). Applied econometrics time series. In Applied Time Series Econometrics (4th ed.).
Hanke, J. E., & Wichern, D. (2014). Business Forecasting (9th ed.). London: Pearson Education Limited.
Hendikawati, P. (2015). Peramalan Data Runtut Waktu Metode dan Aplikasinya dengan Minitab & Eviews (D. Mubarok, Ed.). Semarang: FMIPA Unnes.
Huda, F. F. El. (2019). Penerapan Long Short-Term Memory Untuk Peramalan Harga Saham Perusahaan Perkebunan Di Indonesia. (Doctoral Diseration). Universitas Islam Indonesia.
Rahmadya. (2017). Epoch, Iteration, dan Stop Condition. (Online). (https://rahmadya.com/2017/10/23/epoch-iteration-dan-stop)
Yolanda, N. B., Nainggolan, N., & Komalig, H. A. H. (2017). Penerapan Model ARIMA-GARCH Untuk Memprediksi Harga Saham Bank BRI. Jurnal MIPA, 6(2), 92.
Arfan, A., & Lussiana, E. T. P. (2019). Prediksi Harga Saham Di Indonesia Menggunakan Algoritma Long Short-Term Memory. SenTIK, 3(1), 225–230.
Azis, M., Mintarti, S., & Nadir, M. (2015). Manajemen Investasi Fundamental, Teknikal, Perilaku Investor dan Return Saham. Sleman: Deepublish.
Berradi, Z., & Lazaar, M. (2019). Integration of Principal Component Analysis and Recurrent Neural Network to Forecast the Stock Price of Casablanca Stock Exchange. Procedia Computer Science, 148, 55–61.
Chollet, F. (2018). Deep Learning with Python. Shelter Island: Manning.
Enders, W. (2004). Applied econometrics time series. In Applied Time Series Econometrics (4th ed.).
Hanke, J. E., & Wichern, D. (2014). Business Forecasting (9th ed.). London: Pearson Education Limited.
Hendikawati, P. (2015). Peramalan Data Runtut Waktu Metode dan Aplikasinya dengan Minitab & Eviews (D. Mubarok, Ed.). Semarang: FMIPA Unnes.
Huda, F. F. El. (2019). Penerapan Long Short-Term Memory Untuk Peramalan Harga Saham Perusahaan Perkebunan Di Indonesia. (Doctoral Diseration). Universitas Islam Indonesia.
Rahmadya. (2017). Epoch, Iteration, dan Stop Condition. (Online). (https://rahmadya.com/2017/10/23/epoch-iteration-dan-stop)
Yolanda, N. B., Nainggolan, N., & Komalig, H. A. H. (2017). Penerapan Model ARIMA-GARCH Untuk Memprediksi Harga Saham Bank BRI. Jurnal MIPA, 6(2), 92.