PREDIKSI HARGA SAHAM TRANSPORTASI LAUT DI INDONESIA MENGGUNAKAN METODE LONG SHORT-TERM MEMORY (LSTM)

Abstract

Sektor transportasi laut berperan penting dalam mendukung perekonomian Indonesia sebagai
negara kepulauan. Penelitian ini merancang model prediksi harga saham sektor tersebut di Bursa
Efek Indonesia (BEI) dengan metode Long Short-Term Memory (LSTM) untuk mengatasi
keterbatasan metode konvensional dalam menghadapi fluktuasi pasar. Fokus penelitian mencakup
saham PT Samudera Indonesia Tbk (SMDR), PT Pelayaran Nelly Dwi Putri Tbk (NELY), dan PT
Pelayaran Tempuran Emas Tbk (TMAS) periode 2020–2025, menggunakan variabel input berupa
data historis harga saham serta indikator makroekonomi. Metodologi meliputi preprocessing data
dengan normalisasi Min-Max dan pembagian dataset 80:20, pembentukan sliding window 30
timestep, penerapan arsitektur LSTM berisi 64 unit dengan dropout 0,2, serta evaluasi performa
model menggunakan metrik MAPE dan RMSE. Hasil menunjukkan kinerja terbaik pada saham
SMDR dengan MAE 8,96, MSE 161,53, RMSE 12,70, dan R² 0,91. Sementara itu, TMAS
memperoleh MAE 2,93, MSE 14,18, RMSE 3,76, dan R² 0,85, sedangkan NELY mencatat MAE
6,61, MSE 89,88, RMSE 9,48, dan R² 0,77. Prediksi 10 hari ke depan menunjukkan tren stabil
pada SMDR, fluktuatif pada NELY, dan menurun pada TMAS. Secara akademis, penelitian ini
memperkaya literatur penerapan deep learning di sektor transportasi laut Indonesia, sedangkan
secara praktis, menyediakan alat bantu prediksi bagi investor dengan akurasi lebih tinggi daripada
model tradisional. Implikasi riset menekankan potensi LSTM sebagai solusi prediksi, meski
diperlukan perbaikan dalam penanganan outlier dan stabilitas model. Untuk penelitian berikutnya
disarankan pengembangan model hybrid dan integrasi variabel eksternal guna meningkatkan
akurasi prediksi.model hybrid serta integrasi variabel eksternal guna meningkatkan performa
prediksi.