Muhamad Terbit Zikri
191106041480
Long Short-Term Memory (LSTM) merupakan bagian dari Recurrent Neural Network (RNN) yang memiliki keunggulan dalam memproses data sekuensial dan mengenali pola serta ketergantungan dalam data berurutan, sementara Double Random Forest (DRF) adalah metode ensemble yang mampu menangkap pola yang kompleks dengan memanfaatkan pohon keputusan dari data pelatihan secara keseluruhan. Kedua metode ini dapat digunakan untuk melakukan forecasting, termasuk dalam kasus prediksi harga saham. Penelitian ini bertujuan untuk membandingkan metode LSTM dan DRF dalam konteks prediksi harga penutupan saham pada PT. Indofood Sukses Makmur, Tbk, dengan menggunakan dataset berukuran 1253 data yang akan dibagi menjadi 80?ta latih dan 20?ta uji. Eksperimen ini mencakup tiga skenario, yaitu penggunaan semua fitur yang tersedia,penggunaan fitur dengan hubungan linier kuat atau di atasnya (open, high, low, close, adj close), dan penggunaan fitur dengan hubungan linier sangat rendah (volume). Error metrics yang digunakan pada penelitian ini adalah RMSE, MAE, dan MAPE. Dari hasil penelitian prediksi harga penutupan PT. Indofood Sukses Makmur, Tbk diperoleh bahwa LSTM memiliki hasil yang lebih baik dibandingkan DRF dengan nilai RMSE (80.98238898), MAE (61.07643164), dan MAPE (0.9440985819).
Kata Kunci: long short-term memory, double random forest, machine learning, root mean square error, mean square error, mean percentage error.