Abstract:
Fluktuasi harga saham yang tinggi dan kompleks menjadi tantangan utama bagi
investor dalam mengambil keputusan. Penelitian ini bertujuan untuk
mengimplementasikan dan mengevaluasi efektivitas model Machine Learning,
khususnya Long Short-Term Memory (LSTM), untuk melakukan forecasting
(peramalan) harga saham. Data yang digunakan adalah data historis harga
penutupan harian (closing price) saham Apple Inc. (AAPL) dari 1 Januari 2022
hingga 31 Desember 2024, yang diperoleh melalui Yahoo Finance. Proses
penelitian meliputi tahapan preprocessing data dengan normalisasi MinMaxScaler
dan pembentukan dataset sekuensial menggunakan metode sliding window. Model
LSTM dengan arsitektur dua lapis kemudian dibangun dan dilatih menggunakan
framework TensorFlow dan Keras. Kinerja model dievaluasi menggunakan metrik
Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) untuk
mengukur tingkat akurasi prediksi. Hasil penelitian menunjukkan bahwa model
LSTM yang diimplementasikan berhasil menangkap tren umum pergerakan harga
saham dengan baik, dibuktikan dengan perolehan nilai RMSE sebesar 3.31 dan
MAE sebesar 2.68. Penelitian ini memberikan kontribusi empiris mengenai
penerapan praktis model LSTM dalam domain keuangan dan menunjukkan alur
kerja yang sistematis untuk membangun sistem peramalan harga saham yang dapat
diandalkan.
