KOMBINASI INISIALISASI HYPERPARAMETER DAN ALGORITMA ADAM UNTUK OPTIMASI MODEL GATED RECURRENT UNIT DALAM MERAMALKAN HARGA PENUTUPAN SAHAM PASCA ISU BOIKOT

Bintu Labibah, - (2025) KOMBINASI INISIALISASI HYPERPARAMETER DAN ALGORITMA ADAM UNTUK OPTIMASI MODEL GATED RECURRENT UNIT DALAM MERAMALKAN HARGA PENUTUPAN SAHAM PASCA ISU BOIKOT. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi peramalan harga penutupan harian saham PT Unilever Indonesia Tbk dengan mengoptimalkan model Gated Recurrent Unit (GRU), yang merupakan salah satu arsitektur dalam deep learning, melalui eksplorasi kombinasi pengaturan hyperparameter dan algoritma Adam, terutama dalam konteks dampak isu boikot terhadap kinerja perusahaan. Dengan memanfaatkan data historis selama lima tahun, penelitian ini menerapkan metode analisis deret waktu. Hasil penelitian menunjukkan bahwa model GRU pada skenario kedua, yang menggunakan kombinasi epoch 50, batch size 8, dan hidden state 64, serta pengaturan parameter Adam dengan nilai default, menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,59% dan Root Mean Squared Error (RMSE) sebesar 71,51, yang merupakan nilai terendah dari total 81 pelatihan dengan kombinasi yang berbeda. Selain itu, pengaturan parameter Adam yang lebih tinggi juga memberikan hasil yang stabil dan memuaskan, meskipun tidak menjadi model dengan performa terbaik. Penelitian ini mengidentifikasi bahwa fluktuasi harga yang tajam dapat mempengaruhi akurasi model, sehingga disarankan untuk menggunakan periode peramalan ke depan yang lebih pendek guna mengurangi penyimpangan ketika melakukan implementasi. Temuan ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan model peramalan harga saham yang lebih akurat dan dapat diandalkan.

−This research aims to enhance the accuracy of daily closing price forecasting for PT Unilever Indonesia Tbk shares by
optimizing a Gated Recurrent Unit (GRU) model, a deep learning architecture. The study focuses on the impact of boycott issues on company performance and explores the effectiveness of hyperparameter tuning and the Adam optimization algorithm. Utilizing a five-year historical dataset, time series analysis was employed. The results demonstrate that the GRU model with a configuration of 50 epochs, batch size 8, hidden state 64, and default Adam parameters achieved the lowest Mean Absolute Percentage Error
(MAPE) of 1.59% and Root Mean Squared Error (RMSE) of 71.51 among the 81 configurations tested. While higher Adam
parameter settings also yielded satisfactory results, this specific configuration exhibited superior performance. The findings highlight the sensitivity of model accuracy to sharp price fluctuations, suggesting that shorter forecast horizons may be more appropriate. This research contributes significantly to the advancement of accurate and reliable stock price forecasting models.

	Text TA_ART_S_BIDI_2104893_ART.pdf Restricted to Staf Perpustakaan Download (894kB)
	Text TA_ART_S_BIDI_2104893_SK.pdf Download (344kB)

Item Type:	Thesis (S1)
Additional Information:	ID SINTA Dosen Pembimbing Rangga Gelar Guntara: 6738149 Syti Sarah Maesaroh: 6681118 “Karya ini adalah tugas akhir setara dengan skripsi sesuai dengan SK Direktur Kampus UPI di Tasikmalaya Nomor: B-95//UN40.C3/TA.01.03/2025”
Uncontrolled Keywords:	Peramalan Harga Saham; Gated Recurrent Unit; Deep Learning; Hyperparameter; Algoritma Adam Stock Price Forecasting; Gated Recurrent Unit; Deep Learning; Hyperparameter; Adam Algorithm
Subjects:	L Education > L Education (General)
Divisions:	UPI Kampus Tasikmalaya > S1 Bisnis Digital
Depositing User:	Bintu Labibah
Date Deposited:	15 May 2025 07:37
Last Modified:	15 May 2025 07:37
URI:	http://repository.upi.edu/id/eprint/133037

Actions (login required)

View Item