Evaluasi Metode Single Exponential Smoothing dan Long Short-Term Memory pada Prediksi Saham Bank BRI

Abstract

Penelitian ini membahas perbandingan kinerja metode peramalan harga saham Bank BRI (BBRI) menggunakan dua pendekatan kuantitatif, yaitu metode Single Exponential Smoothing (SES) dan Long Short-Term Memory (LSTM) yang dioptimasi dengan GridSearchCV. Data historis harga saham BBRI dari periode 2019 hingga 2024 yang diperoleh dari Yahoo Finance digunakan sebagai data utama. Metode SES dipilih karena sederhana dan efektif dalam menangani data deret waktu, sedangkan metode LSTM dipilih karena kemampuannya dalam menangkap pola kompleks dan ketergantungan temporal pada data saham. GridSearchCV digunakan untuk mengoptimalkan parameter LSTM agar menghasilkan akurasi peramalan yang lebih baik. Hasil penelitian menunjukkan bahwa metode LSTM yang dioptimasi dengan GridSearchCV secara konsisten memberikan performa prediksi yang lebih akurat dibandingkan dengan metode SES, yang ditunjukkan melalui nilai error yang lebih rendah, seperti Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Dengan demikian, metode LSTM yang dioptimasi dengan GridSearchCV lebih efektif dalam memodelkan data saham dengan karakteristik jangka panjang seperti harga saham BBRI. Hasil penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan strategi peramalan dan investasi berbasis data historis.