Abstract:
Pasar
saham Indonesia menunjukkan pertumbuhan signifikan dengan
meningkatnya jumlah investor, namun fluktuasi harga saham yang tinggi masih
menjadi tantangan besar dalam pengambilan keputusan investasi. Prediksi harga
saham menjadi upaya penting untuk meminimalkan risiko dan meningkatkan
akurasi strategi investasi. Penelitian ini bertujuan untuk membandingkan performa
dua metode deep learning, yaitu Long Short-Term Memory (LSTM) dan
Bidirectional LSTM (BiLSTM), dalam memprediksi harga saham harian dua
emiten blue chip Indonesia, yaitu PT Bank Central Asia Tbk (BBCA) dan PT
Telkom Indonesia Tbk (TLKM), dengan menggunakan data historis dari Alpha
Vantage API periode 2019–2023.Proses preprocessing dilakukan melalui
ekstraksi harga penutupan (Close), normalisasi dengan MinMaxScaler, serta
pembentukan sliding window untuk data time series. Model LSTM dan BiLSTM
kemudian dilatih dan diuji menggunakan framework TensorFlow-Keras, dengan
tuning hyperparameter melalui pendekatan Grid Search terhadap kombinasi
jumlah neuron, batch size, epoch, dan dropout rate.Evaluasi dilakukan
menggunakan tiga metrik utama, yaitu Mean Squared Error (MSE), Root Mean
Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil
menunjukkan bahwa BiLSTM memberikan akurasi prediksi yang lebih tinggi
dibandingkan LSTM pada kedua saham yang diuji, terutama karena
kemampuannya membaca urutan data dua arah. Penelitian ini memberikan
kontribusi terhadap pengembangan model prediksi saham berbasis deep learning
yang lebih akurat dan sistematis, serta dapat direplikasi oleh peneliti maupun
praktisi pasar modal lainnya.
