PERBANDINGAN KINERJA LONG SHORT-TERM MEMORY (LSTM) DAN BIDIRECTIONAL LONG SHORT-TERM MEMORY (BiLSTM) PADA PREDIKSI HARGA PENUTUPAN SAHAM PERBANKAN INDONESIA
DOI:
https://doi.org/10.54314/jssr.v9i4.6898Keywords:
LSTM, BiLSTM, prediksi saham, deep learning, time seriesAbstract
Pergerakan harga saham yang bersifat fluktuatif dan nonlinier menuntut penggunaan model prediksi yang mampu menangkap pola deret waktu secara efektif. Penelitian ini bertujuan membandingkan kinerja metode Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM) dalam memprediksi harga penutupan saham sektor perbankan Indonesia, yaitu BBCA, BBRI, dan BMRI. Data yang digunakan berupa data historis harian yang diperoleh dari Yahoo Finance periode 1 Januari 2019 hingga 30 Desember 2024 dengan jumlah 1.469 data untuk setiap emiten. Tahapan penelitian meliputi preprocessing, uji korelasi, normalisasi Min-Max, pembentukan data menggunakan sliding window, pembagian data secara kronologis dengan proporsi 70% data pelatihan, 15% data validasi, dan 15% data pengujian, serta hyperparameter tuning. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM memberikan performa terbaik pada saham BBRI dengan MAPE 1,85% dan BMRI dengan MAPE 1,57%, sedangkan model BiLSTM menghasilkan performa terbaik pada saham BBCA dengan MAPE 1,57%. Secara keseluruhan, kedua model mampu menghasilkan prediksi dengan tingkat akurasi yang tinggi (MAPE < 2%), namun model yang optimal bergantung pada karakteristik masing-masing saham.
Downloads
References
Afrianto, N. (2022). Prediksi Saham dengan Bidirectional LSTM dan Analisis Sentimen. 74. https://dspace.uii.ac.id/handle/123456789/39884
Alfansuri, D. U., Munawaroh, E., & Ilyas, M. (2025). Memahami Dan Menerapkan Uji Korelasi Dalam Analisis Data Penelitian Pendidikan. 740–752.
Dwijayanti, N. M. A. (2021). Pengaruh Nilai Tukar dan Inflasi Terhadap Harga Saham Perbankan Pada Masa Pandemi COVID-19. Jurnal Bisnis & Kewirausahaan, 17(1), 86–93. http://ojs.pnb.ac.id/index.php/JBK
Hewamalage, H., Bergmeir, C., & Bandara, K. (2021). Recurrent Neural Networks for Time Series Forecasting: Current status and future directions. International Journal of Forecasting, 37(1), 388–427. https://doi.org/10.1016/j.ijforecast.2020.06.008
Kwanda, K., Herwindiati, D. E., & Lauro, M. D. (2024). Perbandingan LSTM dan Bidirectional LSTM pada Sistem Prediksi Harga Saham Berbasis Website. 7(1), 26–35.
Lara-Benítez, P., Carranza-García, M., & Riquelme, J. C. (2021). An Experimental Review on Deep Learning Architectures for Time Series Forecasting. International Journal of Neural Systems, 31(3), 1–25. https://doi.org/10.1142/S0129065721300011
Marganda Bako, S., & Abdullah, A. (2024). Analisis Pengaruh Nilai Tukar (Kurs) Dollar As (Usd), Inflasi, Tingkat Suku Bunga Sbi Dan Indeks Dow Jones Terhadap Indeks Harga Saham Gabungan (Ihsg) Di Bursa Efek Indonesia. ECONOMIST: Jurnal Ekonomi dan Bisnis, 1(4), 87–110. https://doi.org/10.63545/economist.v1i4.131
Mushliha, M. (2024). Implementasi CNN-BiLSTM untuk Prediksi Harga Saham Bank Syariah di Indonesia. Jambura Journal of Mathematics, 6(2), 195–203. https://doi.org/10.37905/jjom.v6i2.26509
Octaviana, S., & Indah, Y. (2025). Perbandingan Metode LSTM dan BiLSTM untuk Prediksi Data Curah Hujan. 19, 45–52.
Permatasari, S. H., Nur, I. M., & Fauzi, F. (n.d.). Metode Bidirectional Long Short-Term Memory ( BiLSTM ) Untuk Memprediksi Harga Saham BBRI Dengan Optimasi Nesterov Adaptive Moment ( Nadam ). 1151–1159.
Petropoulos, F., Apiletti, D., Assimakopoulos, V., Babai, M. Z., Barrow, D. K., Ben Taieb, S., Bergmeir, C., Bessa, R. J., Bijak, J., Boylan, J. E., Browell, J., Carnevale, C., Castle, J. L., Cirillo, P., Clements, M. P., Cordeiro, C., Cyrino Oliveira, F. L., De Baets, S., Dokumentov, A., … Ziel, F. (2022). Forecasting: theory and practice. International Journal of Forecasting, 38(3), 705–871. https://doi.org/10.1016/j.ijforecast.2021.11.001
Pratama, F. R., Santoso, B., & Kacung, S. (2025). Prediksi Harga Saham Pt Telkom Menggunakan Metode Cnn-Lstm. Journal of Information System Management (JOISM), 7(1), 66–70. https://doi.org/10.24076/joism.2025v7i1.2087
Puteri, D. I. (2023). Implementasi Long Short Term Memory (LSTM) dan Bidirectional Long Short Term Memory (BiLSTM) Dalam Prediksi Harga Saham Syariah. Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi, 11(1), 35–43. https://doi.org/10.34312/euler.v11i1.19791
Zuzzaifa, N., & Sancoko, S. D. (2022). Implementasi Algoritme Long Short-Term Memory untuk Prediksi Harga Saham BBCA dan BBRI. 19(2), 91–97.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Muhammad Septi, Tekad Matulatan, Feri Irawan (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
