Prediksi Harga Saham NVIDIA Menggunakan Model LSTM dan GARCH
DOI:
https://doi.org/10.61124/sinta.v2i4.109Keywords:
GARCH, LSTM, Machine Learning, NVIDIA, SahamAbstract
Prediksi harga saham merupakan tantangan kompleks dalam dunia keuangan karena tingginya volatilitas dan ketergantungan waktu pada data historis. Saham NVIDIA Corporation menjadi perhatian karena perannya dalam sektor teknologi mutakhir seperti AI dan GPU, yang membuat pergerakan harganya sangat fluktuatif. Untuk mengatasi tantangan tersebut, penelitian ini bertujuan mengembangkan model prediksi harga saham yang akurat dengan menggabungkan dua pendekatan: Long Short-Term Memory (LSTM) dan Generalized Autoregressive Conditional Heteroskedasticity (GARCH). GARCH digunakan untuk menghitung volatilitas harian sebagai fitur tambahan, sementara LSTM digunakan untuk memodelkan pola deret waktu harga saham. Penelitian dilakukan dengan pendekatan kuantitatif menggunakan data historis saham NVIDIA dari tahun 2015 hingga 2024 yang diambil dari Yahoo Finance. Hasil evaluasi model menunjukkan bahwa model hybrid GARCH-LSTM memiliki performa prediksi lebih baik dibandingkan model LSTM murni. Nilai Mean Absolute Error (MAE) yang diperoleh sebesar 1.72 dan Root Mean Squared Error (RMSE) sebesar 2.26, lebih rendah dibandingkan LSTM murni. Dengan demikian, integrasi GARCH dan LSTM terbukti efektif meningkatkan akurasi prediksi harga saham, serta dapat menjadi acuan dalam pengambilan keputusan investasi berbasis data
References
N. Raisa Hanum, U. Jambi, F. Sains dan Teknologi, A. Waladi, and Y. Perdana, “Implementation of Machine Learning for Stock Price Prediction Using the LSTM Algorithm Hasanatul Iftitah,” 2024. [Online]. Available: http://www.mase.or.id
L. Zhang and L. Hua, “Major Issues in High-Frequency Financial Data Analysis: A Survey of Solutions,” Mathematics, vol. 13, no. 3, Feb. 2025, doi: 10.3390/math13030347.
S. J. Pipin, R. Purba, and H. Kurniawan, “Prediksi Saham Menggunakan Recurrent Neural Network (RNN-LSTM) dengan Optimasi Adaptive Moment Estimation,” Journal of Computer System and Informatics (JoSYC), vol. 4, no. 4, pp. 806–815, Aug. 2023, doi: 10.47065/josyc.v4i4.4014.
D. H. Vo, “Market risk, financial distress and firm performance in Vietnam,” PLoS One, vol. 18, no. 7 July, Jul. 2023, doi: 10.1371/journal.pone.0288621.
D. Anisha and I. Putri, “MARKET VALUE ADDED (MVA) ON STOCK RETURN MARKET VALUE ADDED (MVA) DALAM PENGEMBALIAN SAHAM,” 2021.
W. Y. Rusyida and V. Y. Pratama, “Prediksi Harga Saham Garuda Indonesia di Tengah Pandemi Covid-19 Menggunakan Metode ARIMA,” Square : Journal of Mathematics and Mathematics Education, vol. 2, no. 1, p. 73, Apr. 2020, doi: 10.21580/square.2020.2.1.5626.
G. Papageorgiou, D. Gkaimanis, and C. Tjortjis, “Enhancing Stock Market Forecasts with Double Deep Q-Network in Volatile Stock Market Environments,” Electronics (Switzerland), vol. 13, no. 9, May 2024, doi: 10.3390/electronics13091629.
S. Chen, “Research on Nvidia Investment Strategies and Analysis,” 2024.
Y. Xing, C. Yan, and C. C. Xie, “Predicting NVIDIA’s Next-Day Stock Price: A Comparative Analysis of LSTM, MLP, ARIMA, and ARIMA-GARCH Models.”
C. Bartneck, C. Lütge, A. Wagner, and S. Welsh, “An Introduction to Ethics in Robotics and AI,” cham, Aug. 2021.
A. Hanafiah, Y. Arta, H. O. Nasution, and Y. D. Lestari, “Penerapan Metode Recurrent Neural Network dengan Pendekatan Long Short-Term Memory (LSTM) Untuk Prediksi Harga Saham,” Bulletin of Computer Science Research, vol. 4, no. 1, pp. 27–33, Dec. 2023, doi: 10.47065/bulletincsr.v4i1.321.
S. M. Al-Selwi et al., “RNN-LSTM: From applications to modeling techniques and beyond—Systematic review,” Jun. 01, 2024, King Saud bin Abdulaziz University. doi: 10.1016/j.jksuci.2024.102068.
R. Julian and M. R. Pribadi, “Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM),” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 3, 2021, [Online]. Available: http://jurnal.mdp.ac.id
M. Z. Rahman, Y. A. Sari, and N. Yudistira, “Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM),” 2021. [Online]. Available: http://j-ptiik.ub.ac.id
B. Jange, “Prediksi Volatilitas Indeks Harga Saham Gabungan Menggunakan GARCH,” ARBITRASE: Journal of Economics and Accounting, vol. 4, no. 1, pp. 1–6, Jul. 2023, doi: 10.47065/arbitrase.v4i1.1122.
P. Zhao, H. Zhu, W. Siu, H. Ng, and D. L. Lee, “From GARCH to Neural Network for Volatility Forecast,” 2024. [Online]. Available: www.aaai.org
Y. S. Siregar, M. Darwis, R. Baroroh, and W. Andriyani, “Peningkatan Minat Belajar Peserta Didik dengan Menggunakan Media Pembelajaran yang Menarik pada Masa Pandemi Covid 19 di SD Swasta HKBP 1 Padang Sidempuan,” Jurnal Ilmiah Kampus Mengajar, pp. 69–75, Apr. 2022, doi: 10.56972/jikm.v2i1.33.
Nurdin, N. Suarna, and W. Prihartono, “ALGORITMA REGRESI LINIER SEDERHANA UNTUK PREDIKSI PENGGUNAAN VOLUME AIR BERDASARKAN JENIS PELANGGAN PDAM,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 4, no. 1, pp. 43–52, Jan. 2025, doi: 10.69916/jkbti.v4i1.187.
T. O. Hodson, “Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not,” Jul. 19, 2022, Copernicus GmbH. doi: 10.5194/gmd-15-5481-2022.
Z. Li, “A Comparative Study of Regression Models for Housing Price Prediction,” 2024.
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Fiqri Maulana Syach; Taufik Baidawi, Jenie Sundari
This work is licensed under a Creative Commons Attribution 4.0 International License.
