Analisis Model Long Short-Term Memory (LSTM) dan Geometric Brownian Motion (GBM) dalam Prediksi Harga Saham

Perkembangan Pasar Saham Di Indonesia Berkembang Pesat, Sehingga Harga Saham Menjadi Sangat Penting Untuk Memahami Pasar Modal. Oleh Karena Itu, Investor Perlu Melakukan Analisis Data Indeks Harga Saham Untuk Membuat Keputusan Investasi Yang Tepat Pada Waktu Yang Tepat. Pada Penelitian Ini Dilakukannya Prediksi Harga Penutupan Saham Menggunakan Pendekatan Ekonomi Fisika Long Short-Term Memory (LSTM) Dan Geometric Brownian Motion (GBM) Dengan Tujuan Mengetahui Performa Yang Lebih Baik Dalam Memprediksi Harga Saham. Data Yang Digunakan Mencakup Penutupan Harga Saham Bank Central Asia (BBCA) Dan Bank Rakyat Indonesia (BBRI), Yang Diambil Dari 1 Januari 2013 - 31 Desember 2023. Data Dibagi Menjadi Data Train (80%) Dan Data Test (20%), Dan Hyperparameter LSTM Dan GBM Divariasikan. Evaluasi Performa Model Dilakukan Menggunakan Metrik RMSE, MAE, MAPE, Dan Koefisien Determinasi (R2). Berdasarkan Evaluasi, Hasil Penelitian Menunjukkan Bahwa Model LSTM Memberikan Prediksi Harga Saham Yang Sangat Akurat Dibandingkan Dengan Model GBM. Hal Ini Ditunjukkan Dengan Nilai R2 Sebesar 97.40%, Mengindikasikan Bahwa LSTM Jauh Lebih Efektif Dalam Memprediksi Harga Saham BBCA Dan BBRI.