PREDIKSI HARGA SAHAM MENGGUNAKAN ALGORITMA XCEEMDAN - BIDIRECTIONAL LSTM - SPLINE

Bidirectional Long Short Term Memory (Bidirectional LSTM) adalah teknik machine learning dengan kemampuan menangkap konteks data dengan melintasi data backward ke data forward dan sebaliknya. Namun, karakteristik data saham dengan fluktuasi besar, dimensi tinggi dan non-linier menjadi tantangan dalam mendapatkan nilai akurasi prediksi harga saham yang tinggi. Tujuan dari penelitian ini adalah memberikan solusi terhadap masalah karakteristik data saham dengan fluktuasi besar, dimensi tinggi dan non-linier menggunakan penggabungan metode Complete Ensemble Empirical Mode Decomposition With Adaptive Noise terhadap fitur eksogen (XCEEMDAN), Bidirectional Long Short Term Memory (LSTM), dan Spline. Data yang diprediksi akan melalui proses normalisasi dan preprocessing menggunakan XCEEMDAN kemudian hasil dekomposisi XCEEMDAN terbagi menjadi sinyal frekuensi tinggi dan rendah. Bidirectional LSTM akan mengatasi sinyal frekuensi tinggi dan model Spline mengatasi sinyal frekuensi rendah. Pengujian dilakukan dengan membandingkan model yang diusulkan XCEEMDAN-Bidirectional LSTM-Spline dengan model XCEEMDAN-LSTM-Spline menggunakan parameter yang sama serta melakukan perubahan noise seed secara random sebanyak 50 kali. Hasil pengujian menunjukkan bahwa model yang diusulkan memiliki nilai rata-rata RMSE terkecil sebesar 0.787213833 sedangkan model yang dibandingkan hanya memiliki nilai rata-rata RMSE terkecil sebesar 0.807393567.