PREDIKSI HARGA SAHAM MENGGUNAKAN LONG SHORT-TERMS MEMORY DAN TEMPORAL CONVOLUTIONAL NETWORK

Karakteristik harga saham yang fluktuasi, kompleks dan chaos menjadi tantangan dalam mendapatkan nilai akurasi prediksi harga saham yang tinggi. Tujuan dari penelitian ini adalah memberikan solusi terhadap masalah karakteristik harga saham tersebut menggunakan penggabungan Long Short-Terms Memory dan Temporal Convolutional Network. Data yang diprediksi akan melalui proses normalisasi menggunakan fungsi MinMaxScaler sehingga data yang digunakan berada dalam rentang 0 hingga 1. Selanjutnya akan dilakukan pemisahan data training dan data testing dengan variasi 90, 10 dan 80,10. Pemodelan akan dilakukan pada 4 model hybrid yaitu TCNLSTM, LSTMTCN, TCANLSTM, dan LSTMTCAN. Pengujian dilakukan dengan membandingkan model ke-4 model tersebut menggunakan parameter yang sama serta pengulangan proses training parameter sebanyak 3 kali. Hasil pengujian pada varian data 90,10 menunjukkan bahwa model TCNLSTM unggul memiliki nilai rata-rata RMSE terkecil sebesar 0.03098 sedangkan pada varian data 80,20 menunjukkan bahwa model LSTMTCN unggul dengan nilai rata-rata RMSE sebesar 0.025605.