METODE GENETIC ALGORITHM - LONG SHORT-TERM MEMORY PADA PERAMALAN HARGA SAHAM

Lathifatul Azizah; YL Sukestiyarno

doi:10.15294/ujm.v11i2.61067

Arfan, A., & Lussiana ETP. 2019. Prediksi Harga Saham Di Indonesia Menggunakan Algoritma Long Short-Term Memory. Seminar Nasional Teknologi Informasi dan Komunikasi STI&K (SeNTIK). Jakarata 22 Agustus 2019.
Chung, H., & Shin, K. S. 2018. Genetic algorithm-optimized long short-term memory network for stock market prediction. Sustainability, 10(10): 1-18.
El-Amir, H., & Hamdy, M. 2020. Deep Learning Pipeline: Building a Deep Learning Model with TensorFlow. New York : Apress Media LLC.
Goodfellow, I., Bengio, Y., & Courville, A. 2016. Deep Learning. Cambridge: MIT Press.
Hadi, M. I., & Abidin, Z. 2019. Prediksi Harga Cryptocurrency menggunakan Metode Long Short Term Memory dengan Optimasi Adaptive Moment Estimation. Scientific Journal of Informatics, 6(1): 1–11.
Haupt, R. L., & Haupt, S. E. 2004. Practical Genetic Algorithms. Hoboken: John Wiley & Sons, Inc.
Peter, G., & Matskevichus, M. 2019. Hyperparameters Tuning for Machine Learning Models for Time Series Forecasting. 2019 6th International Conference on Social Networks Analysis, Management and Security (SNAMS). Granada 22-25 Oktober 2019.
PT Bursa Efek Indonesia. (n.d.). Diakses di https://www.idx.co.id/perusahaan-tercatat/profil-perusahaan-tercatat/detail-profile-perusahaan-tercatat/?kodeEmiten=BBRI tanggal 3 Februari 2022.
Sabar Sautomo, & Hilman Ferdinandus Pardede. 2021. Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM). Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1): 99–106.
Sugiyarto, I., & Faddillah, U. 2017. Optimasi Artificial Neural Network dengan Algorithm Genetic pada Prediksi Approval Credit Card. Jurnal Teknik Informatika STMIK Antar Bangsa, 3(2): 151–156.
Yotenka, R., Fikri, F., & Huda, E. 2020. Implementasi Long Short-Term Memory Pada Harga Saham Perusahaan Perkebunan Di Indonesia. Jurnal UJMC, 6(1): 9–18.

Abstract viewed - 273 times
PDF downloaded - 354 times

Affiliations

Lathifatul Azizah
Universitas Negeri Semarang

YL Sukestiyarno
Universitas Negeri Semarang

Content Top

METODE GENETIC ALGORITHM - LONG SHORT-TERM MEMORY PADA PERAMALAN HARGA SAHAM

Lathifatul Azizah ,
YL Sukestiyarno

Vol 11 No 2 (2022)

DOI 10.15294/ujm.v11i2.61067

Submitted: Oct 9, 2022

Published: Jul 7, 2023

Abstract

Pelatihan dan keberhasilan algoritma deep learning sangat dipengaruhi terhadap pemilihan hyperparameter yang tepat. Dalam penelitian ini akan dilakukan hybrid antara Genetic Algorithm dan Long Short-Term Memory untuk mencari model yang cocok dalam memprediksi harga saham Bank Rakyat Indonesia Tbk. Hybrid LSTM yang diintegrasikan dengan GA untuk menemukan window size, epoch, dan jumlah unit LSTM. Pemilihan algoritma untuk pengoptimalan menggunakan optimizers untuk mendapatkan model terbaik sehingga dapat ditemukan hyperparameter terbaik untuk peramalan data time series. Dari metode Genetic Algorithm – Long Short-Term Memory yang telah diterapkan menghasilkan, bahwa metode tersebut memiliki tingkat akurasi yang baik dengan nilai MAPE di bawah 10% di setiap optimizer yang digunakan. Tingkat kesalahan yang dihasilkan cukup rendah dengan nilai RMSE 93,03 sampai dengan 94,40 saat training dan testing. Kemudian hyperprameter terpilih yang dapat digunakan yaitu epoch sebesar 24, dengan neurons [4, 5, 2] dan window size 2, serta optimizer Adam.

The training and success of deep learning algorithms is strongly influenced by the selection of the right hyperparameters. In this research, a hybrid between Genetic Algorithm and Long Short-Term Memory will be carried out to find a suitable model in predicting the stock price of Bank Rakyat Indonesia Tbk. Hybrid LSTM integrated with GA to find window size, epoch, and number of LSTM units. Algorithm selection for optimization uses optimizers to get the best model so that the best hyperparameters can be found for forecasting time series data. From the Genetic Algorithm – Long Short-Term Memory method that has been applied, it shows that this method has a good level of accuracy with MAPE values below 10% in each optimizer used. The resulting error rate is quite low with an RMSE value of 93.03 to 94.40 during training and testing. Then the selected hyperparameter that can be used is epoch of 24, neurons [4, 5, 2], window size 2, and optimizer Adam.