Ide Skripsi

Prediksi Harga Saham dengan Kecerdasan Buatan

Panduan lengkap, ide judul, latar belakang, rumusan masalah, dan abstrak untuk penelitian skripsi tentang Prediksi Harga Saham dengan Kecerdasan Buatan .

5 Ide Judul Skripsi

Implementasi Model Deep Learning LSTM untuk Prediksi Harga Saham di Bursa Efek Indonesia TERPILIH

Analisis Sentimen Berbasis AI dan Pengaruhnya Terhadap Akurasi Prediksi Harga Saham Emiten Teknologi

Optimasi Portofolio Saham Menggunakan Algoritma Reinforcement Learning dalam Kondisi Pasar Volatil

Perbandingan Kinerja Model Machine Learning (SVM, Random Forest) dan Deep Learning (GRU) dalam Memprediksi Arah Pergerakan Harga Saham

Pengembangan Sistem Prediksi Harga Saham Berbasis Hybrid Model (CNN-LSTM) dengan Integrasi Data Fundamental dan Teknis

Pembahasan Mendalam Judul Terpilih

Implementasi Model Deep Learning LSTM untuk Prediksi Harga Saham di Bursa Efek Indonesia

Latar Belakang Masalah

Pasar modal, khususnya pasar saham, merupakan salah satu instrumen investasi yang paling menarik sekaligus menantang. Potensi keuntungan yang tinggi sejalan dengan risiko yang inheren akibat fluktuasi harga yang sangat dinamis. Kemampuan untuk memprediksi pergerakan harga saham di masa depan memiliki nilai strategis yang sangat besar bagi investor, trader, maupun pengambil kebijakan. Namun, sifat pasar saham yang non-linier, non-stasioner, dan dipengaruhi oleh berbagai faktor ekonomi, politik, sentimen pasar, hingga peristiwa tak terduga, menjadikan prediksi harga saham sebagai salah satu masalah yang kompleks dan sulit dipecahkan.

Metode prediksi tradisional, seperti analisis fundamental dan analisis teknikal, seringkali memiliki keterbatasan dalam menghadapi kompleksitas data pasar saham yang sangat besar dan berubah cepat. Perkembangan pesat di bidang Kecerdasan Buatan (AI), khususnya Machine Learning dan Deep Learning, telah membuka peluang baru untuk mengembangkan model prediksi yang lebih canggih. Model Deep Learning, seperti Long Short-Term Memory (LSTM), sangat cocok untuk memproses data sekuensial atau deret waktu karena kemampuannya dalam mempelajari dependensi jangka panjang dan menangani masalah vanishing gradient.

Penelitian ini berfokus pada penerapan model Deep Learning LSTM untuk memprediksi harga saham di Bursa Efek Indonesia (BEI). Meskipun banyak penelitian telah dilakukan terkait prediksi harga saham dengan AI di pasar global, penerapan dan evaluasi model LSTM secara spesifik pada karakteristik pasar BEI yang merupakan pasar negara berkembang (emerging market) masih membutuhkan eksplorasi mendalam. Karakteristik BEI yang unik, termasuk volatilitasnya, pengaruh sentimen domestik, serta data historis yang mungkin memiliki pola berbeda dibandingkan pasar maju, menjadikan penelitian ini relevan dan mendesak. Oleh karena itu, penelitian ini bertujuan untuk menguji efektivitas dan akurasi model LSTM dalam memprediksi harga saham penutupan harian pada beberapa emiten terpilih di BEI.

Rumusan Masalah

?

Bagaimana akurasi model Deep Learning LSTM dalam memprediksi harga saham penutupan harian untuk emiten terpilih di Bursa Efek Indonesia?
?

Fitur historis harga (Open, High, Low, Close), volume perdagangan, dan indikator teknikal (misalnya, MACD, RSI) apa saja yang paling berpengaruh terhadap kinerja prediksi model LSTM?
?

Bagaimana performa model Deep Learning LSTM dibandingkan dengan model Machine Learning tradisional (misalnya, ARIMA atau SVR) dalam konteks prediksi harga saham di BEI berdasarkan metrik evaluasi seperti MSE, RMSE, dan MAE?
?

Bagaimana sensitivitas model LSTM terhadap perubahan hyperparameter (misalnya, jumlah epoch, ukuran batch, arsitektur layer) dalam mencapai akurasi prediksi optimal untuk data saham BEI?

Abstrak (Gambaran Umum)

Penelitian ini mengkaji implementasi model Deep Learning Long Short-Term Memory (LSTM) untuk memprediksi harga saham penutupan harian pada emiten terpilih di Bursa Efek Indonesia (BEI). Dengan memanfaatkan data historis harga, volume, dan indikator teknikal, model LSTM akan dilatih dan dievaluasi untuk menentukan akurasinya. Performa model akan diukur menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Squared Error (MSE), serta akan dibandingkan dengan model Machine Learning tradisional. Hasil penelitian diharapkan dapat memberikan kontribusi pada pengembangan strategi investasi dan pemahaman lebih lanjut mengenai potensi Deep Learning dalam analisis pasar saham Indonesia.

Analisa & Panduan Penelitian

Pro Tips

Alasan & Urgensi

Topik prediksi harga saham dengan AI sangat menarik dan relevan karena beberapa alasan. Pertama, pasar saham memiliki daya tarik investasi yang besar, namun volatilitas dan kompleksitasnya selalu menjadi tantangan. Akurasi prediksi dapat memberikan keunggulan kompetitif signifikan bagi investor. Kedua, perkembangan pesat di bidang Kecerdasan Buatan, khususnya Deep Learning, menawarkan alat yang powerful untuk menganalisis data deret waktu yang kompleks seperti harga saham. Model LSTM secara khusus didesain untuk menangani dependensi jangka panjang dalam data sekuensial, menjadikannya kandidat ideal untuk tugas ini. Ketiga, ada urgensi untuk mengembangkan model yang lebih adaptif terhadap karakteristik pasar negara berkembang seperti BEI, yang mungkin memiliki dinamika berbeda dari pasar maju. Penelitian ini tidak hanya menawarkan solusi praktis tetapi juga memperkaya khazanah ilmiah tentang aplikasi AI di bidang keuangan.

Variabel Penelitian

Dalam penelitian ini, variabel yang terlibat dapat diidentifikasi sebagai berikut:
* Variabel Dependen: Harga Saham Penutupan (Closing Price) di hari berikutnya atau periode masa depan yang ingin diprediksi. Ini adalah output utama dari model.
* Variabel Independen: Ini adalah fitur-fitur yang digunakan sebagai input untuk melatih model. Contohnya meliputi:
* Harga historis (Open, High, Low, Close) dari beberapa hari sebelumnya.
* Volume perdagangan historis.
* Indikator teknikal (misalnya, Moving Average Convergence Divergence/MACD, Relative Strength Index/RSI, Bollinger Bands, Stochastic Oscillator, dst.).
* Data fundamental (misalnya, Rasio P/E, EPS, Debt-to-Equity Ratio), meskipun untuk prediksi harian cenderung kurang dominan dibandingkan data teknikal.
* Variabel Kontrol: Variabel yang dijaga agar konstan untuk memastikan validitas penelitian, seperti periode waktu penelitian (misalnya, data 5 tahun terakhir), emiten saham spesifik yang dipilih (misalnya, dari sektor perbankan atau teknologi), dan frekuensi data (misalnya, harian).

Rekomendasi Metode

Penelitian ini direkomendasikan menggunakan metode kuantitatif dengan pendekatan eksperimental komputasi. Alasannya adalah karena tujuan utama adalah membangun dan mengevaluasi kinerja suatu model prediktif berdasarkan data numerik yang besar.

Langkah-langkah metodologi yang dapat diterapkan meliputi:

1. Pengumpulan Data: Mengumpulkan data historis harga saham (Open, High, Low, Close), volume, dan menghitung indikator teknikal dari beberapa emiten terpilih di BEI dari sumber data keuangan (misalnya, Yahoo Finance, Investing.com, atau API data berbayar).

2. Pra-pemrosesan Data: Melakukan pembersihan data (menangani nilai hilang), normalisasi atau standardisasi (skala data ke rentang yang seragam, e.g., 0-1), dan transformasi data menjadi format deret waktu yang sesuai untuk input model LSTM (misalnya, menggunakan look-back windows).

3. Pembagian Data: Memisahkan data menjadi set pelatihan (training set), validasi (validation set), dan pengujian (test set) untuk melatih model, menyetel hyperparameter, dan mengevaluasi kinerja secara independen.

4. Desain dan Implementasi Model LSTM: Membangun arsitektur model LSTM (misalnya, jumlah layer LSTM, jumlah neuron per layer, penggunaan dropout layers) menggunakan framework Deep Learning seperti TensorFlow atau PyTorch.

5. Pelatihan Model: Melatih model LSTM menggunakan data pelatihan dan mengoptimalkannya dengan fungsi kerugian (loss function) seperti Mean Squared Error (MSE) dan optimizer seperti Adam.

6. Evaluasi Model: Mengukur kinerja model pada data pengujian menggunakan metrik evaluasi seperti Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan R-squared. Dapat juga dibandingkan dengan model baseline atau model tradisional lainnya (misalnya, ARIMA, Support Vector Regression).

7. Analisis Hasil: Menganalisis hasil prediksi, mengidentifikasi faktor-faktor yang mempengaruhi akurasi, dan menarik kesimpulan berdasarkan perbandingan kinerja.

Langkah Pertama

Untuk memulai penelitian ini, mahasiswa disarankan untuk mengambil beberapa langkah praktis:

1. Studi Literatur Komprehensif: Pahami secara mendalam konsep Deep Learning, khususnya arsitektur LSTM, dan aplikasinya dalam prediksi deret waktu. Pelajari juga penelitian sebelumnya tentang prediksi harga saham menggunakan AI, baik di pasar global maupun di Indonesia.

2. Penguasaan Alat: Kuasai bahasa pemrograman Python serta library penting seperti Pandas (untuk manipulasi data), NumPy (komputasi numerik), Matplotlib/Seaborn (visualisasi data), dan yang terpenting, TensorFlow atau Keras (untuk membangun dan melatih model Deep Learning) serta Scikit-learn (untuk preprocessing data dan model baseline).

3. Pemilihan Emiten dan Periode Data: Tentukan emiten saham yang akan diteliti (misalnya, dari sektor tertentu atau yang memiliki likuiditas tinggi) dan rentang waktu data historis yang relevan (minimal 3-5 tahun untuk pelatihan Deep Learning yang efektif).

4. Pengambilan dan Pra-pemrosesan Data: Mulai dengan mengumpulkan data historis dari sumber yang andal. Latihan pra-pemrosesan data secara cermat, termasuk normalisasi, pembuatan fitur (feature engineering) dari indikator teknikal, dan restrukturisasi data menjadi format sekuensial yang sesuai untuk LSTM.

5. Konsultasi dengan Pembimbing: Diskusikan secara rutin kemajuan dan tantangan dengan dosen pembimbing yang memiliki keahlian di bidang AI/Machine Learning atau keuangan kuantitatif. Pembimbing dapat memberikan arahan tentang arsitektur model yang optimal, teknik evaluasi, dan interpretasi hasil yang tepat.

Tulis Makalah & Skripsi Berkualitas Tanpa Harus Begadang

Dapatkan pendampingan menulis dari ide awal hingga daftar pustaka. Susun narasi yang mengalir, cek plagiasi instan, dan buat sitasi otomatis sesuai standar kampus. Solusi cerdas untuk hasil akademik yang memuaskan dan hemat waktu.

Mulai Gratis Hari Ini

Belum Menemukan Topik yang Pas?

Generate ide skripsi baru dengan topik spesifik yang Anda inginkan.