PENERAPAN METODE ALGORITMA LONG-SHORT TERM MEMORY DALAM MEMPREDIKSI HARGA SAHAM BANK SYARIAH INDONESIA

 

Kabar Nusantara - Harga saham merupakan indikator keberhasilan pengelolaan perusahaan. Semakin baik prestasi perusahaan akan meningkatkan harga saham perusahaan yang bersangkutan. Peningkatan pada harga saham tersebut akan mencerminkan peningkatan kekayaan para pemegang saham sebagai investor. Prediksi harga saham tergantung pada berbagai faktor tetapi tidak terbatas pada kondisi politik, ekonomi global, laporan keuangan, kinerja perusahaan, dll. Dalam melakukan prediksi harga saham dapat dilakukan dengan analisis teknikal yaitu memprediksi harga saham dan tren pasar di masa yang akan datang dengan menggunakan harga historis saham seperti saham penutupan dan pembukaan harga, volume yang diperdagangkan, dll. Hal ini mendorong Andi Agung dosen Fakultas Saintek Unipdu membuat penelitian dengan menerapkan metode algoritma Long-Short Term Memory dalam memprediksi harga saham Bank Syariah Indonesia (BSI).

PT Bank Syariah Indonesia Tbk (selanjutnya disebut BSI)  resmi beroperasi pada 1 Februari 2021. BSI merupakan bank syariah terbesar di Indonesia setelah penggabungan (merger) tiga bank syariah, yaitu: PT Bank BRI Syariah (BRIS), PT Bank Syariah Mandiri (BSM) dan PT Bank BNI Syariah (BNIS). Salah satu pengaturan terkait mergerisasi tertuang dalam OJK (Otoritas Jasa Kuangan) yang didalamnya mengatur tentang definisi merger dalam POJKcNo.74/POJK.04/2016, yang menyatakan bahwa penggabungan atau merger merupakan suatu proses hukum yang dilaksanakan oleh suatu perusahaan atau lebih dengan menyatukan diri dengan perusahaan lain yang telah ada, dimana akan berakibat pada ekuitas serta aset dari perusahaan yang menggabungkan diri. 

Salah satu metode yang digunakan dalam memprediksi harga saham adalah metode Long-Short Term Memory (LSTM). Metode LSTM merupakan evolusi atau pengembangan dari arsitektur jaringan saraf berulang atau Recurrent Neural Network (RNN), pertama kali diperkenalkan oleh Hochreiter dan Schmidhuber pada tahun 1997. RNN Memiliki memori jangka pendek, yakni tidak dapat mengangkut informasi yang diperoleh sebelumnya ke proses berikutnya. Solusi dari keterbatasan RNN adalah dengan menggunakan LSTM, LSTM merupakan unit khusus dari RNN yang dirancang untuk mengatasi ketergantungan jangka panjang dimana LSTM memiliki mekanisme internal yang disebut cell state dan gate dapat mengatur memori dari setiap input.

Data yang digunakan dalam penelitian ini merupakan data sekunder, yakni data saham harian Bank Syariah Indonesi yang diakses melalui website finance yahoo. Data berupa data intraday (harian/jangka pendek) BSI periode 1 Juli 2020 hingga 1 juli 2021. Variabel penelitian yang digunakan dalam analisis perbandigan yaitu harga pembukaan, harga penutupan, harga tertinggi dan harga terendah. Populasi yang digunakan dalam penelitian ini bank Syari’ah di Indonesia, serta sampel yang digunakan PT BanknBRInSyariah (BRIS), PT Bank Syariah Mandiri (BSM), dan PT Bank BNI Syariah (BNIS).

Adapun analisis dalam penelitian ini adalah pengumpulan data, preprocessing data, pembuatan dataset, perancangan model LSTM, training model LSTM dan pengujian model. Adapun langkah-langkah untuk memprediksi saham BRIS.JK menggunakan  algoritma Long-Short Term Memory berbasis Phyton dengan Google Colaboratory, yaitu menampilkan Dataframe, plot close price history, membuat data training, fill data training, membuar layer of sequential, membuat model LSTM dan dense, train to the model, data testing, menghitung nilai RSME, dan valid data dan valid prediction.

Kesimpulan yang dapat dibuat pada data yg sudah ada adalah Algoritma Long-Short Term Memory dapat digunakan untuk melakukan peramalan saham Bank Syariah Indonesia (BRIS.JK). Nilai Root Mean Square Error (RMSE) yang dihasilkan adalah sebesar 15.081586201985678. Sedangkan nilai Mean Absolute Percentage Error (MAPE) nya adalah sebesar 5,810843804. Setelah dilakukan penelitian , penulis ingin menyampaikan saran untuk penyempurnaan penelitian dengan tema yang serupa pada penelitian selanjutnya seperti dalam membuat parameter seperti pola time series serta parameter lainya, dapat menggunakan data dalam skala yang lebih besar serta dengan banyak percobaan agar di dapatkan hasil yang lebih optimal.