PENERAPAN LONG SHORT-TERM MEMORY UNTUK PERAMALAN HARGA SAHAM PERUSAHAAN PERKEBUNAN DI INDONESIA

Abstract

Salah satu sekuritas yang popular di pasar modal adalah saham. Sekuritas ini berkaitan dengan kepemilikan suatu perusahaan. Penurunan dan kenaikan harga saham perusahaan perkebunan merupakan suatu masalah bagi investor dalam membuat keputusan membeli atau menjual saham. Faktor-faktor yang mempengaruhi pergerakan harga saham perkebunan diantaranya adalah fluktuasi harga komoditas CPO, fluktuasi harga minyak dunia, fluktuasi nilai tukar Rupiah, regulasi dan kebijakan pemerintah, permintaan dari negara importir, serta iklim. Peramalan harga saham diharapkan dapat membantu investor untuk menghadapi ketidakpastian pergerakan harga saham perkebunan. Penelitian ini menerapkan Long Short-Term Memory (LSTM) untuk meramalkan harga saham perusahaan perkebunan menggunakan data harga saham SSMS, LSIP, dan SIMP dari periode 1 Juli 2014 – 22 Juli 2019. Ketiga saham tersebut diambil dari Indeks Kompas100 periode Februari – Juli 2019. Pemodelan LSTM dalam penelitian ini difokuskan pada pemilihan Optimizer dan jumlah neuron hidden. Berdasarkan hasil penelitian didapatkan model LSTM terbaik pada saham SSMS dengan menggunakan optimizer RMSProp dan hidden neuron sebanyak 70 menghasilkan nilai RMSE sebesar 21,328. Kemudian model LSTM terbaik pada saham LSIP dengan menggunakan optimizer Adam dan hidden neuron sebanyak 80 menghasilkan nilai RMSE sebesar 33,097. Sedangkan model LSTM terbaik pada saham SIMP dengan menggunakan optimizer Adamax dan hidden neuron sebanyak 100 menghasilkan nilai RMSE sebesar 8,337. Hasil peramalan ketiga harga saham untuk periode 23 Juli – 25 Juli 2019 cenderung mengalami kenaikan.