Prediksi Harga Saham Syariah Menggunakan Metode Deep Learning GRU dan LSTM
Abstract
Saham syariah merupakan saham yang memiliki peraturan khusus mengacu pada prinsip-prinsip syariah dalam hukum islam. Harga saham syariah termasuk bersifat fluktuatif yang menimbulkan tantangan bagi investor dalam menentukan keputusan investasi yang tepat. Tujuan penelitian ini adalah untuk memprediksi harga penutupan saham syariah menggunakan dua model yaitu GRU dan LSTM, serta membandingkan performa keduanya. Data yang digunakan berasal dari dua emiten saham syariah ASII dan ADRO selama lima tahun terakhir. Pengembangan model prediksi penelitian ini mengikuti tahapan metode CRISP-DM, CRISP-DM akan memproses data dan membuat model melalui langkah yang terstruktur mulai dari tahapan business understanding, data understanding, data preparation, modeling, evaluation, hingga deployment. Menurut hasil pengujian, model Gated Recurrent Unit mempunyai performa terbaik dengan nilai RMSE 80.411 dan MAPE 1.329 untuk ASII, serta RMSE 93.133 dan MAPE 2.409 untuk ADRO, sedangkan performa model Long Short-Term Memory masih dibawah model GRU dengan nilai RMSE 86.165 dan MAPE 1.501 untuk ASII, serta RMSE 105.281 dan MAPE 3.563 untuk ADRO. Hasil prediksi yang cukup akurat menunjukkan potensi pemanfaatan deep learning dalam meningkatkan akurasi prediksi harga saham syariah, sekaligus membantu investor membuat keputusan yang lebih objektif dan keputusan investasi yang tepat.
References
R. D. Tri Wulandari, N. Nurmalitasari, and H. Permatasari, “PREDIKSI HARGA SAHAM PT BANK CENTRAL ASIA TBK DENGAN MENGGUNAKAN ALGORITMA AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA),” Infotech: Journal of Technology Information, vol. 10, no. 2, pp. 173–178, Nov. 2024, doi: 10.37365/jti.v10i2.278.
I. R. Putri, “PRAKTIK SAHAM SYARIAH DAN KASUS SPEKULASI SAHAM DALAM KEUANGAN ISLAM Sharia Stock Practices and Cases of Stock Speculation in Islamic Finance,” 2022.
Ainurrofiq, S. Bakhri, and A. Jaelani, “Faktor Faktor Yang Mempengaruhi Indeks Harga Saham Gabungan Di Bei Periode 2013 - 2022,” Tirtayasa EKONOMIKA, vol. 19, pp. 42–55, 2024.
Ashlihah, M. F. Umam, and A. N. Rahmatika, “ANALISIS TENTANG DASAR PERTIMBANGAN INVESTOR DALAM MEMILIH SAHAM SYARIAH DAN SAHAM KONVENSIONAL,” Jurnal Ekonomi Syariah, vol. 2, pp. 82–96, 2022.
M. Yusuf Herlambang, P. Jati Kusuma, Usman, and D. Eko Waluyo, “ANALISIS TEKNIKAL SAHAM ENERGI MENGGUNAKAN INDIKATOR MACD DAN INDIKATOR RSI PADA INDEKS LQ45,” Jurnal Ilmiah MEA (Manajemen, Ekonomi, dan Akuntansi), vol. 8, no. 2, pp. 187–6, 2024.
Idham, M. Ghudafa Taufik Akbar, S. Panggabean, and M. Noor, “Perbandingan Prediksi Harga Saham Dengan Menggunakan LSTM GRU Dengan Transformer,” Smart Comp, vol. 11, no. 1, pp. 44–47, 2022.
N. K. Agusmawati, A. Tholib, and F. Khoiriyah, “PREDIKSI HARGA EMAS MENGGUNAKAN METODE LSTM DAN GRU,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 11, no. 3, pp. 620–627, Aug. 2023, doi: 10.23960/jitet.v11i3.3250.
N. Giarsyani, A. F. Hidayatullah, and R. Rahmadi, “Komparasi Algoritma Machine Learning Dan Deep Learning Untuk Named Entity Recognition : Studi Kasus Data Kebencanaan,” Jurnal Informatika & Rekayasa Elektronika (JIRE), vol. 3, pp. 48–57, 2020.
I. Hariyanti, V. Hafizh, C. Putra, A. R. Raharja, and K. Kunci, “PREDIKSI HARGA SAHAM BBCA MENGGUNAKAN METODE LONG SHORT-TERM MEMORY DAN GATED RECURRENT UNIT,” Jurnal Responsif: Riset Sains &, vol. 7, 2025, [Online]. Available: https://ejurnal.ars.ac.id/index.php/jti
Khalis Sofi, Aswan Supriyadi Sunge, Sasmitoh Rahmad Riady, and Antika Zahrotul Kamalia, “PERBANDINGAN ALGORITMA LINEAR REGRESSION, LSTM, DAN GRU DALAM MEMPREDIKSI HARGA SAHAM DENGAN MODEL TIME SERIES,” SEMINASTIKA, vol. 3, no. 1, pp. 39–46, Nov. 2021, doi: 10.47002/seminastika.v3i1.275.
T. B. Sianturi, I. Cholissodin, and N. Yudistira, “Penerapan Algoritma Long Short-Term Memory (LSTM) berbasis Multi Fungsi Aktivasi Terbobot dalam Prediksi Harga Ethereum,” 2023. [Online]. Available: http://j-ptiik.ub.ac.id
R. Saputra, A. Gusti Alamsyah, M. Tjoanda, K. Nick, A. Cornelius, and H. Fery Herdiatmoko, “ANALISIS PREDIKSI SAHAM TESLA MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY (LSTM),” Journal of Computer Science and Information Technology (JCSIT, vol. 2, no. 1, pp. 80–91, 2024.
A. Yunizar, T. Rismawan, D. Marisa Midyanti, J. Rekayasa Sistem Komputer, and F. H. MIPA Universitas Tanjungpura Jalan Hadari Nawawi Pontianak, “Coding : Jurnal Komputer dan Aplikasi PENERAPAN METODE RECURRENT NEURAL NETWORK MODEL GATED RECURRENT UNIT UNTUK PREDIKSI HARGA CRYPTOCURRENCY [1],” 2023.
K. Prayogi, W. Gata, and D. P. Kussanti, “Prediksi Harga Saham Bank Central Asia Menggunakan Algoritma Deep Learning GRU,” : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 13, 2024.
G. Budiprasetyo, M. Hani’ah, and D. Z. Aflah, “Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM),” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, no. 3, pp. 164–172, Jan. 2023, doi: 10.25077/teknosi.v8i3.2022.164-172.
J. H. Liem and C. C. Tjong, “Penerapan CRISP-DM untuk Prediksi Harga Saham NVIDIA Menggunakan Time Series Analysis,” Prosiding SENAM 2024 : Sistem Informasi & Informatika, vol. 4, pp. 204–213, 2024.
A. Tia Sari, E. Nurlatifah, T. Informatika, and U. Sunan Gunung Djati Bandung, “Penerapan Convolutional Neural Network untuk Mengklasifikasikan Citra Sampah Organik dan Non Organik,” Jurnal Ilmiah Teknik Informatika dan Sistem Informasi (JUTISI), vol. 14, pp. 1–11, 2025.
Data Science PM, “What is CRISP DM?,” Online. Accessed: May 25, 2025. [Online]. Available: https://www.datascience-pm.com/crisp-dm-2/
D. B. Saputra, V. Atina, and F. E. Nastiti, “PENERAPAN MODEL CRISP-DM PADA PREDIKSI NASABAH KREDIT MENGGUNAKAN ALGORITMA RANDOM FOREST,” 2024. [Online]. Available: http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/indexDwiBagusSaputra|http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index|
E. N. Waroi, A. Setyanto, and Khusnawi, “Prediksi Harga Laptop Menggunakan Algoritma GRU dan BILSTM,” Jurnal Sosial dan Teknologi (SOSTECH), vol. 4, pp. 408–424, 2024.
D. I. Puteri, “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, vol. 11, no. 1, pp. 35–43, May 2023, doi: 10.34312/euler.v11i1.19791.
M. N. Wathani, K. Kusrini, and K. Kusnawi, “Prediksi Tren Pergerakan Harga Saham PT Bank Central Asia Tbk, Dengan Menggunakan Algoritma Long Shot Term Memory (LSTM),” Infotek: Jurnal Informatika dan Teknologi, vol. 6, no. 2, pp. 502–512, Jul. 2023, doi: 10.29408/jit.v6i2.19824.
M. Yang and J. Wang, “Adaptability of Financial Time Series Prediction Based on BiLSTM,” in Procedia Computer Science, Elsevier B.V., 2022, pp. 18–25. doi: 10.1016/j.procs.2022.01.003.
