Prediksi Indeks BEI dengan Ensemble Convolutional Neural Network dan Long Short-Term Memory

The Indonesian Stock Exchange (IDX) stock market index is one of the main indicators commonly used as a reference for national economic conditions. The value of the stock market index is often being used by investment companies and individual investors to help making investment decisions. Therefore, the ability to predict the stock market index value is a critical need. In the fields of statistics and probability theory as well as machine learning, various methods have been developed to predict the value of the stock market index with a good accuracy. However, previous research results have found that no one method is superior to other methods. This study proposes an ensemble model based on deep learning architecture, namely Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM), called the CNN-LSTM. To be able to predict financial time series data, CNN-LSTM takes feature from CNN for extraction of important features from time series data, which are then integrated with LSTM feature that is reliable in processing time series data. Results of experiments on the proposed CNN-LSTM model confirm that the hybrid model effectively provides better predictive accuracy than the stand-alone time series data forecasting models, such as CNN and LSTM.  Indeks pasar saham Bursa Efek Indonesia (BEI) telah menjadi salah satu indikator utama yang umum digunakan sebagai referensi kondisi perekonomian nasional. Selain itu, nilai indeks pasar saham juga seringkali digunakan oleh perusahaan investasi maupun investor individual sebagai salah satu acuan dalam mengambil keputusan investasi. Oleh sebab itu, kemampuan untuk dapat memprediksi pergerakan nilai indeks pasar saham menjadi sebuah kebutuhan yang kritis. Dalam bidang ilmu statistika dan teori probabilitas maupun machine learning telah banyak dikembangkan berbagai metode untuk meramalkan nilai indeks pasar saham dengan tingkat akurasi yang baik. Namun demikian, berbagai hasil penelitian sebelumnya telah menemukan bahwa tidak ada satu metode yang paling unggul dibandingkan metode lainnya. Oleh sebab itu, penelitian ini mengusulkan sebuah model ensemble yang berbasis pada arsitektur deep learning yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM), yang disebut CNN-LSTM. Untuk dapat melakukan prediksi data deret waktu keuangan, CNN-LSTM mengambil fitur unggulan dari CNN untuk ekstraksi fitur penting dari data deret waktu, yang kemudian diinetgrasikan dengan fitur LSTM yang handal dalam memproses data deret waktu. Hasil uji coba terhadap model CNN-LSTM yang dibangun mengkonfirmasi bahwa model hybrid secara efektif memberikan akurasi prediksi yang lebih baik dibandingkan dengan model peramalan data deret waktu yang berdiri sendiri, seperti halnya CNN dan LSTM