Peningkatan akurasi prediksi saham BBCA menggunakan arsitektur hybrid LSTM-GRU berbasis optimasi algoritma genetika
Keywords:
algoritma genetika; BBCA, hybrid LSTM-GRU, optimasi hyperparameter, prediksi sahamAbstract
Prediksi harga saham di sektor perbankan, khususnya pada saham berkapitalisasi besar seperti Bank Central Asia (BBCA), memiliki tantangan tersendiri akibat volatilitas pasar yang dinamis. Model Hybrid LSTM-GRU diketahui efektif dalam menangkap pola data time-series, namun performanya sangat bergantung pada pemilihan hyperparameter yang optimal. Penelitian ini bertujuan untuk mengimplementasikan Algoritma Genetika (GA) guna mengoptimasi hyperparameter model Hybrid LSTM-GRU secara otomatis demi meningkatkan akurasi prediksi harga penutupan saham BBCA. Metode yang digunakan meliputi pengumpulan data historis BBCA, preprocessing, dan pencarian hyperparameter terbaik (mencakup learning rate, batch size, hidden units, dan dropout) menggunakan GA dengan populasi 20 dan 80 generasi. Hasil penelitian menunjukkan bahwa GA berhasil mengidentifikasi konfigurasi optimal dengan learning rate 0.004 dan batch size 16. Model yang dioptimasi menghasilkan RMSE sebesar 149.77 dan MAPE 1.29%, mengungguli model baseline yang memiliki RMSE 180.38 dan MAPE 1.61%. Optimasi ini berhasil menurunkan tingkat kesalahan prediksi secara signifikan, membuktikan bahwa integrasi Algoritma Genetika mampu menghasilkan model peramalan saham yang lebih akurat dan robust.
Downloads
References
Al Haromainy, M. M., Prasetya, D. A., & Sari, A. P. (2023). Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data. TIERS Information Technology Journal, 4(1), 16–24. https://doi.org/10.38043/tiers.v4i1.4326
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE , MAE , MAPE , MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 1–24. https://doi.org/10.7717/peerj-cs.623
Fadziso, T. (2020). Overcoming the Vanishing Gradient Problem during Learning Recurrent Neural Nets ( RNN ). Asian Journal of Applied Science and Engineering, 9(1), 197–208.
Farhadi, A., Zamanifar, A., Alipour, A., Taheri, A., & Asadolahi, M. (2025). A Hybrid LSTM-GRU Model for Stock Price Prediction. IEEE Access, 13, 117594–117618. https://doi.org/10.1109/ACCESS.2025.3586558
Franceschi, L., Donini, M., Perrone, V., Klein, A., Franceschi, L., Klein, A., Seeger, M., & Frasconi, P. (2024). Hyperparameter Optimization in Machine Learning.
Ghojogh, B., & Ghodsi, A. (2023). Recurrent Neural Networks and Long Short-Term Memory Networks: Tutorial and Survey. http://arxiv.org/abs/2304.11461
Gusnindar, G. W., & Syafri. (2023). Faktor Pengaruh Harga Emas Dengan Metode Error Correction Model (Ecm). Jurnal Ekonomi Trisakti, 3(2), 2359–2366. https://doi.org/10.25105/jet.v3i2.16556
Laksma Pradana, B. (2025). Time Series Forecasting of LQ45 Stock Index Using ARIMA: Insights and Implications. Journal of Management, Accounting and Business Research (JMABR), 1(1), 27–40. https://doi.org/10.51170/jmabr.v4i.1.160
Pahlawan, M. R. (2022). Prediksi Indeks Harga Saham Menggunakan Model Hibrida Recurrent Neural Network dan Genetic Algorithm. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(4), 3619–3631. https://doi.org/10.35957/jatisi.v9i4.3065
Rajwar, K., Deep, K., & Das, S. (2023). An exhaustive review of the metaheuristic algorithms for search and optimization: taxonomy, applications, and open challenges. 13187–13257.
Sadikin, M., & Agustina, R. (2023). Analisis Fundamental dan Teknikal Saham BCA dan BRI (Tahun 2019-2021). Seminar Nasional Akuntansi Dan Call for Paper (SENAPAN), 3(1), 57–67. https://doi.org/10.33005/senapan.v3i1.285
Sarah, S., & Dasman, H. S. (2023). ANALISIS FAKTOR MAKRO EKONOMI DAN FAKTOR INTERNAL RASIO KEUANGAN TERHADAP HARGA SAHAM INDEKS LQ-45 YANG TERDAFTAR DI BURSA EFEK INDONESIA (BEI) PERIODE 2018-2022. Journal of Economics and Business UBS, 12(3), 1675–1694.
Sezgin, F. H., Algorabi, Ö., Sart, G., & Güler, M. (2025). Hyperparameter-Optimized RNN , LSTM , and GRU Models for Airline Stock Price Prediction : A Comparative Study on THYAO and PGSUS. Symmetry, 1–19.
Sha, X. (2024). Time Series Stock Price Forecasting Based on Genetic Algorithm (GA)-Long Short-Term Memory Network (LSTM) Optimization. Advances in Economics, Management and Political Sciences, 91(1), 142–149. https://doi.org/10.54254/2754-1169/91/20241031
Utami, M. D., & Iqbal, K. (2024). Bayesian Optimization for Stock Price Prediction Using LSTM, GRU, and Hybrid LSTM-GRU, and Hybrid GRU-LSTM. Ujme, 13(2), 9–19. http://journal.unnes.ac.id/sju/index.php/ujme
Yunita, A., Iqbal, M. H. D., Zaki, M., Ramadhan, H., Akashah, E., Akhir, P., Besse, A., Mansur, F., & Hoirul, A. (2025). Performance analysis of neural network architectures for time series forecasting : A comparative study of RNN , LSTM , GRU , and hybrid models. MethodsX, 15, 103462. https://doi.org/10.1016/j.mex.2025.103462
