Metode Bidirectional Long Short-Term Memory (BiLSTM) Untuk Memprediksi Harga Saham BBRI Dengan Optimasi Nesterov Adaptive Moment (Nadam)

Abstract

Prediksi harga saham merupakan salah satu bidang yang sangat menantang dan memiliki dampak signifikan
dalam dunia keuangan. Penelitian ini menggunakan metode Bidirectional Long Short-Term Memory
(BiLSTM) yang dioptimasi dengan Nesterov Adaptive Moment (Nadam) untuk memprediksi harga saham
harian PT Bank Rakyat Indonesia (BBRI). Metode BiLSTM merupakan variasi dari metode Long Short
Term Memory (LSTM) yang memecahkan ketergantungan jangka pajang LSTM dengan RNN (Recurrent
Neural Network). BiLSTM ini memiliki kemampuan untuk menangkap pola temporal dari masa lalu dan
masa depan sehingga efektif dalam analisis deret waktu. Sedangkan, optimasi Nadam digunakan untuk
meningkatkan kecepatan konvergensi dan akurasi prediksi dengan memanfaatkan kelebihan dari
momentum Nesterov dan adaptivitas Adam. Metode BiLSTM yang dioptimalkan dengan optimasi Nadam
tersebut menghasilkan model prediksi harga saham harian terbaik dengan konfigurasi optimal 30 neuron
per lapisan tersembunyi, batch size 256, dan 500 epoch. Konfigurasi ini efektif dalam menangkap pola
fluktuasi harga saham harian dengan MSE 0,000415. Pada evaluasi kinerja model dengan MAPE, diperoleh
nilai MAPE 1,7511% pada data training serta 1,5432% pada data testing, yang menunjukkan bahwa model
tersebut akurat dengan tingkat kesalahan prediksi di bawah 10%. Hasil prediksi menunjukkan kenaikan
stabil setiap hari dengan harga saham terendah 4496,028 pada 1 Juni 2024 dan tertinggi 4819,317 pada 29
Juni 2024.
Kata Kunci : BiLSTM, Nesterov Adam, Prediksi, Saham