Penerapan Gated Recurrent Unit dengan Bayesian Optimization dalam Prediksi Harga Saham Sektor FMCG
Main Article Content
Abstract
Peningkatan partisipasi investor muda terutama dari Generasi Z dan Milenial menciptakan kebutuhan mendesak untuk menggunakan metode prediksi yang lebih akurat guna meminimalkan risiko investasi. Penelitian ini bertujuan untuk mengembangkan model prediksi harga saham pada sektor Fast-Moving Consumer Goods (FMCG) di Indonesia dengan memanfaatkan algoritma Gated Recurrent Unit (GRU) yang dioptimalkan menggunakan teknik Bayesian Optimization. Metode penelitian ini dimulai dengan pembagian data saham PT Hanjaya Mandala Sampoerna Tbk (HMSP) dari tahun 2019 hingga 2025, yang dibagi menjadi data train (60%), data validation (20%), dan data test (20%). Selanjutnya, dilakukan preprocessing data berupa normalisasi dan sequencing untuk mempersiapkan data. Model GRU yang diterapkan diuji dengan menggunakan metrik evaluasi seperti Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE), yang menghasilkan akurasi prediksi yang tinggi dengan RMSE 17.07, MAE 11.50, dan MAPE 1.48%. Penelitian ini menunjukkan bahwa penerapan Bayesian Optimization dapat memberikan efektivitas pemilihan hyperparameter menghasilkan model yang lebih presisi dalam memprediksi harga saham FMCG di Indonesia dan memberikan panduan yang lebih andal bagi investor dalam pengambilan keputusan investasi
Article Details

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[1] N. E. Sobita, M. I. Harori, R. Satya, A. Paluvi, and I. Aini, “Peluang Gen-Z Dalam Meraih Kesuksesan Melalui Investasi Saham,” Nanggroe: Jurnal Pengabdian Cendikia, vol. 2, no. 3, pp. 430–434, 2023, doi: https://doi.org/10.5281/zenodo.8099800.
[2] G. Putlia and C. A. Alphin, “Strategi Pemasaran untuk Industri FMCG pada Era Covid-19,” Widya Cipta: Jurnal Sekretari dan Manajemen, Mar. 2021, doi: https://doi.org/10.31294/widyacipta.v5i1.9711.
[3] A. M. Mayang and O. Ferli, “Pengaruh Likuiditas Saham terhadap Stock Price Crash Risk pada Perusahaan Industri Consumer Goods di Bursa Efek Indonesia,” Apr. 2022. doi: https://doi.org/10.26740/jim.v10n2.p382-393.
[4] A. A. Kurniasi, M. A. Saptari, and V. Ilhadi, “APLIKASI PERAMALAN HARGA SAHAM PERUSAHAAN LQ45 DENGAN MENGGUNAKAN METODE ARIMA,” SISFO: Jurnal Ilmiah Sistem Informasi, vol. 5, pp. 13–26, 2021, doi: https://doi.org/10.29103/sisfo.v5i1.4849.
[5] R. Satria Andromeda and N. Anisa Sri Winarsih, “Sistemasi: Jurnal Sistem Informasi Perbandingan Kinerja Metode LSTM dan GRU dalam Prediksi Harga Close Cryptocurrency Performance Comparison of LSTM and GRU Methods in Predicting Cryptocurrency Closing Prices.” [Online]. Available: http://sistemasi.ftik.unisi.ac.id
[6] L. Hakim, Z. Sari, A. Rizaldy Aristyo, and S. Pangestu, “Optimzing Android Program Malware Classification Using GridSearchCV Optimized Random Forest,” Computer Network, Computing, Electronics, and Control Journal, vol. 9, no. 2, pp. 173–180, 2024.
[7] N. Fajriyani, E. Esyudha, P. #2, and R. Septiriana, “JEPIN (Jurnal Edukasi dan Penelitian Informatika) Optimasi Hyperparameter pada Neural Network (Studi Kasus: Identifikasi Komentar Cyberbullying Instagram),” 2023, doi: https://doi.org/10.26418/jp.v9i2.68319.
[8] S. Joseph, N. Mduma, and D. Nyambo, “A Deep Learning Model for Predicting Stock Prices in Tanzania,” 2023. [Online]. Available: www.etasr.com
[9] E. T. Habtemariam, K. Kekeba, M. Martínez-Ballesteros, and F. Martínez-Álvarez, “A Bayesian Optimization-Based LSTM Model for Wind Power Forecasting in the Adama District, Ethiopia,” Energies (Basel), vol. 16, no. 5, Mar. 2023, doi: https://doi.org/10.3390/en16052317.
[10] J. Violos, S. Tsanakas, T. Theodoropoulos, A. Leivadeas, K. Tserpes, and T. Varvarigou, “Hypertuning GRU Neural Networks for Edge Resource Usage Prediction,” in Proceedings - IEEE Symposium on Computers and Communications, Institute of Electrical and Electronics Engineers Inc., 2021. doi: https://doi.org/10.1109/ISCC53001.2021.9631548.