Analisis hasil prediksi harga saham Pfizer dengan metode Long Short Term Memory

Abstract

Sektor farmasi merupakan salah satu sektor yang paling berpengaruh dalam pemulihan ekonomi global akibat dampak dari Covid-19. Perubahan harga saham sektor ini yang cukup signifikan menjadikannya menarik untuk diteliti. Salah satunya adalah harga saham Pfizer yang dibahas dalam skripsi ini dengan bantuan pembelajaran mesin. Metode prediksi yang dikembangkan pada skripsi ini diharapkan dapat menjadi salah satu acuan dalam menganalisa pembelian dan penjualan saham. Metode yang digunakan adalah Long Short Term Memory, salah satu bentuk pengembangan neural network, yang dapat menangani pemrosesan data sekuensial jangka panjang, serta memiliki tingkat ketelitian yang lebih tinggi dibandingkan neural network. Analisa prediksi harga saham diawali dengan melatih model agar dapat mempelajari pola pergerakan saham Pfizer dengan parameter-parameter pembagian proporsi data latih dan data uji, pengelompokan deret waktu, kecepatan laju pembelajaran, batch size, epoch, dan jumlah neuron pada setiap lapisan tersembunyi.