Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM (Long ShortTerm Memory)

Abstract

Abstract

This study aims to measure the accuracy in predicting time series data using the LSTM (Long Short-Term Memory) machine learning method, and determine the number of epochs needed to produce a small RMSE (Root Mean Square Error) value. The result of this research is a high level of variation in RMSE value to the number of epochs needed in the data processing. This variation is quite difficult to obtain the right epoch value. By doing an iteration of the LSTM process on the number of different epochs (visualized in the graph), then the number of epochs with a minimum RMSE value will be easier to obtain. From the research of BBRI's stock data prediction, a good RMSE value was obtained (RMSE = 227.470333244533).

Keywords: long short-term memory, machine learning, epoch, root mean square error, mean square error.

Abstrak

Penelitian ini bertujuan untuk mengukur ketelitian dalam memprediksi data time series menggunakan metode mesin belajar LSTM (Long Short-Term Memory), serta menentukan banyaknya epoch yang diperlukan untuk menghasilkan nilai RMSE (Root Mean Square Error) yang kecil. Hasil dari penelitian ini adalah tingkat variasi yang tinggi nilai rmse terhdap jumlah epoch yang diperlukan dalam proses pengolahan data. Variasi ini cukup menyulitkan untuk memperoleh nilai epoch yang tepat. Dengan melakukan iterasi dari proses LSTM terhadap jumlah epoch yang berbeda (di visualisasikan dalam grafik), maka jumlah epoch dengan nilai RMSE minimal akan lebih mudah diperoleh. Dari penelitan prediksi data saham  BBRI diperoleh nilai RMSE yang cukup baik yaitu 227,470333244533.

Kata kunci: long short-term memory, machine learning, epoch, root mean square error, mean square error.