Analisis kinerja arsitektur long short-term memory (LSTM) dalam memprediksi harga saham alphabet inc. (Googl)

Harga saham merupakan salah satu bentuk data deret waktu (time series) yang bersifat fluktuatif, non-linier, dan non-stasioner sehingga sulit diprediksi secara akurat menggunakan metode statistik konvensional. Karakteristik tersebut mendorong pemanfaatan metode deep learning, khususnya Long Short-Term Memory (LSTM), yang dirancang untuk menangkap pola temporal dan ketergantungan jangka panjang pada data sekuensial. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur Vanilla LSTM dalam memprediksi harga penutupan saham Alphabet Inc. (GOOGL) serta menghasilkan proyeksi harga untuk periode yang belum memiliki data aktual. Data yang digunakan berupa data historis harian periode 2020–2025 sebanyak 1.507 observasi. Tahap praproses meliputi normalisasi data menggunakan Min-Max Scaling, pembentukan sekuens dengan metode sliding window berukuran 60 hari, serta pembagian data secara kronologis dengan rasio 80:20. Optimasi hyperparameter dilakukan melalui grid search pada variasi jumlah neuron (50 dan 100) serta batch size (16 dan 32), menghasilkan konfigurasi terbaik pada 50 neuron dan batch size 16. Evaluasi model pada data uji menghasilkan nilai Root Mean Squared Error (RMSE) sebesar 6,4622, Mean Absolute Error (MAE) sebesar 4,9584, Mean Absolute Percentage Error (MAPE) sebesar 2,32%, dan koefisien determinasi (R²) sebesar 0,98207. Nilai MAPE di bawah 10% dan R² yang mendekati 1 menunjukkan bahwa model memiliki tingkat akurasi yang tinggi. Selanjutnya, model digunakan untuk menghasilkan proyeksi harga 5 hari perdagangan ke depan (31 Desember 2025–6 Januari 2026) menggunakan pendekatan auto-regressive, dengan hasil proyeksi menunjukkan tren penurunan harga dari 304,12 hingga 278,14. Hasil penelitian ini menunjukkan bahwa arsitektur Vanilla LSTM layak dipertimbangkan sebagai pendekatan peramalan harga saham GOOGL berbasis data historis.