ANALISIS PENGARUH FITUR TEKNIKAL TERHADAP AKURASI PREDIKSI HARGA SAHAM NVIDIA MENGGUNAKAN ALGORITMA BIDIRECTIONAL LSTM (BI-LSTM)

Noveanto Nur Akbar, . and Rudy Cahyadi, . (2026) ANALISIS PENGARUH FITUR TEKNIKAL TERHADAP AKURASI PREDIKSI HARGA SAHAM NVIDIA MENGGUNAKAN ALGORITMA BIDIRECTIONAL LSTM (BI-LSTM). Tugas Akhir thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text COVER_123220129.pdf Download (128kB)
	Text ABSTRAK_123220129.pdf Download (91kB)
	Text HALAMAN PENGESAHAN_123220129.pdf Download (91kB)
	Text DAFTAR ISI_123220129.pdf Download (167kB)
	Text DAFTAR PUSTAKA_123220129.pdf Download (97kB)
	Text FULLTEXT_123220129.pdf Restricted to Repository staff only Download (1MB)

Abstract

Saham sektor teknologi, khususnya NVIDIA Corporation (NVDA), memiliki karakteristik volatilitas ekstrem yang dipengaruhi oleh sentimen industri Artificial Intelligence (AI). Kondisi fluktuatif ini menyebabkan metode prediksi konvensional seringkali gagal menangkap tren non-linear. Penelitian ini bertujuan membangun model prediksi harga saham menggunakan algoritma Bidirectional Long Short-Term Memory (Bi-LSTM) untuk mengatasi masalah tersebut. Fokus utama penelitian adalah menganalisis pengaruh penambahan fitur teknikal (RSI, ATR, Volatility) terhadap akurasi model, serta menentukan konfigurasi hyperparameter dan window size yang paling optimal dalam menangkap pola data yang dinamis.
Penelitian ini membandingkan sepuluh skenario model dengan variasi fitur input, arsitektur, dan rentang data historis (2018-2024). Pendekatan eksperimental dilakukan untuk menguji fenomena feature redundancy, yaitu apakah penambahan indikator teknikal memperkaya informasi atau justru menjadi noise. Selain itu, penelitian ini juga memvalidasi keunggulan arsitektur Bi-LSTM dibandingkan LSTM standar, serta menguji sensitivitas model terhadap memori jangka pendek dan panjang melalui variasi window size (30 hari dan 60 hari) pada kondisi data terbatas maupun lengkap.
Hasil pengujian menunjukkan adanya fenomena feature redundancy, di mana penambahan seluruh indikator teknikal pada window panjang justru menurunkan akurasi (MAPE 2.34%) dibandingkan model baseline tanpa indikator (MAPE 2.32%). Temuan terpenting penelitian ini adalah signifikansi data historis dan sensitivitas memori jangka pendek. Model terbaik (Model J) dicapai melalui kombinasi data historis lengkap, seleksi parameter teroptimasi, dan penggunaan window size pendek (30 hari). Konfigurasi ini menghasilkan tingkat kesalahan terendah dengan RMSE 3.1321 dan MAPE 2.296%, serta akurasi arah tren (Directional Accuracy) sebesar 57.19%. Penelitian menyimpulkan bahwa pada saham dengan volatilitas tinggi, kemampuan adaptasi model untuk menghasilkan prediksi yang akurat melalui window size yang lebih pendek lebih krusial dibandingkan kompleksitas fitur.

Kata Kunci Bidirectional LSTM, Prediksi Harga Saham, NVIDIA, Analisis Teknikal, Feature Selection, Deep Learning.

Item Type:	Tugas Akhir (Tugas Akhir)
Additional Information:	Noveanto Nur Akbar (123220129-Penulis) Rudy Cahyadi (Pembimbing)
Uncontrolled Keywords:	Bidirectional LSTM, Prediksi Harga Saham, NVIDIA, Analisis Teknikal, Feature Selection, Deep Learning.
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	13 Mar 2026 06:28
Last Modified:	13 Mar 2026 06:28
URI:	http://eprints.upnyk.ac.id/id/eprint/47375

Actions (login required)

View Item