Perbandingan LSTM dan GRU untuk Prediksi Harga Saham BBCA

Abstrak

Ketidakpastian pergerakan harga saham menuntut adanya model prediksi yang akurat bagi para investor. Penelitian ini bertujuan membandingkan kinerja algoritma Deep Learning, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), dalam memprediksi harga saham PT Bank Central Asia Tbk (BBCA). Dataset yang digunakan mencakup 1.219 data historis harga penutupan dari periode 1 Juni 2020 hingga 30 Juni 2025. Proses pengolahan data meliputi pemilihan fitur, pembersihan, normalisasi menggunakan Min-Max Scaler, dan pembentukan sequence. Data dibagi menjadi 80% data latih, 10% data validasi, dan 10% data uji. Evaluasi kinerja model dilakukan menggunakan metrik MAE, RMSE, dan MAPE serta analisis tingkat konvergensi dan kecepatan komputasi. Hasil penelitian menunjukkan bahwa model GRU lebih unggul dibandingkan LSTM. Konfigurasi optimal pada model GRU (100 units, 100 epoch, time step 60, batch size 32, optimizer Adam, dan dropout 0,2) menghasilkan nilai RMSE sebesar 175,2050, MAE 140,6608 dan MAPE 1,6109%. Sementara itu, konfigurasi optimal LSTM (100 units, 100 epoch, time step 60, batch size 64, optimizer Adam, dan dropout 0,2) menghasilkan RMSE sebesar 214,7470, MAE 178,5560 dan MAPE 2,0372%. Meskipun waktu komputasi LSTM lebih cepat (290,66 detik) dibandingkan GRU (397,90 detik), arsitektur GRU terbukti memberikan akurasi dan stabilitas yang lebih baik untuk data deret waktu saham ini.