Analisis Perbandingan Metode LSTM dan BiLSTM untuk Prediksi Harga Saham Menggunakan Alpha Vantage

Abstract

Pasar saham Indonesia mengalami pertumbuhan signifikan, namun fluktuasi harga yang tinggi tetap menjadi tantangan utama bagi investor. Penelitian ini bertujuan membandingkan performa dua model deep learning, Long Short-Term Memory (LSTM) dan Bidirectional LSTM (BiLSTM), untuk memprediksi harga penutupan harian dua saham blue chip, PT Bank Central Asia Tbk (BBCA) dan PT Telkom Indonesia Tbk (TLKM). Data historis dari Januari 2019 hingga Desember 2023 diperoleh melalui Alpha Vantage API. Proses penelitian mencakup normalisasi data dengan MinMaxScaler dan pembentukan sliding window untuk pemodelan deret waktu. Model LSTM dan BiLSTM dilatih menggunakan TensorFlow-Keras, dengan optimasi hyperparameter melalui metode Grid Search yang menguji kombinasi units, batch size, epochs, dan dropout rate. Hasil eksperimen menunjukkan bahwa model BiLSTM memberikan akurasi prediksi yang lebih tinggi dibandingkan LSTM pada kedua saham. Untuk saham BBCA, BiLSTM mencatat RMSE sebesar 0.0178, lebih baik dari LSTM yang mencatat RMSE 0.0180. Begitu pula pada saham TLKM, BiLSTM mencapai RMSE 0.0172, mengungguli LSTM dengan RMSE 0.0199. Keunggulan BiLSTM disebabkan kemampuannya memproses data secara dua arah, yang memungkinkan model menangkap pola kontekstual dan titik pembalikan tren dengan lebih baik. Penelitian ini berkontribusi pada pengembangan model prediksi saham yang lebih akurat dan sistematis bagi peneliti dan praktisi di pasar modal.