Evaluasi Model GRU untuk Prediksi IHSG Menggunakan Fitur Indeks DJIA
DOI:
https://doi.org/10.33795/jip.v12i3.9664Keywords:
Deep Learning, GRU, IHSG, DJIA, Time SeriesAbstract
Pergerakan Indeks Harga Saham Gabungan (IHSG) sangat dinamis dan volatil karena dipengaruhi oleh berbagai faktor makroekonomi domestik dan global, sehingga diperlukan model prediksi yang akurat. Penelitian ini memiliki tujuan untuk mengevaluasi kinerja model GRU dalam memprediksi nilai IHSG dengan menambahkan fitur variabel makroekonomi global, yaitu indeks DJIA. Metode yang digunakan dalam penelitian ini adalah Gated Reccurent Unit, yang akan diuji menggunakan berbagai rasio pembagian data dan skenario pengujian arsitektur serta hyperparameter. Hasil model terbaik ditemukan pada skenario pengujian dengan rasio pembagian data 80:10:10, dua lapisan GRU dengan unit 32 dan 64, serta learning rate 0,01 yang memperoleh nilai evaluasi MSE 6.392,1084, RMSE 79.9507, dan MAPE 0.9027%. Temuan studi ini menunjukkan bahwa meningkatkan kompleksitas model dengan menambah lapisan tidak selalu akan meningkatkan akurasi dan berpotensi menyebabkan overfitting, sementara pemilihan learning rate yang tepat juga memiliki dampak signifikan pada konvergensi model. Penelitian ini menjelaskan bahwa model GRU yang memiliki konfigurasi seimbangan dan hyperparamter yang optimal akan menghasilkan prediksi IHSG yang lebih akurat. Penambahan fitur makroekonomi global seperti DJIA juga akan berkontribusi baik dalam menangkap pengaruh dinamika pasar global terhadap pasar saham Indonesia.
Downloads
References
Abdi, M. F., & Yonhendri. (2025). Implementasi Sistem Prediksi Saham Real-Time dengan Integrasi Yahoo Finance API dan Machine Learning di Google Colab: Analisis dan Evaluasi Performa Model. Jurnal Teknomatika, 15(01), 25–31. https://doi.org/https://doi.org/10.61423/teknomatika.v15i01.692
Adi, S., & Ismawati, L. (2023). PENGARUH HARGA EMAS DUNIA, RATA-RATA INDUSTRI DOW JONES, DAN INDEKS SHANGHAI TERHADAP INDEKS HARGA SAHAM GABUNGAN PERIODE 2017-2021. Jurnal Eko-Bisma, 2(1), 156–166. https://doi.org/https://doi.org/10.58268/eb.v2i1.34
Athallah, M. N. (2025). Perbandingan Metode CNN-LSTM dengan Xception-Gated Recurrent Unit pada Image Caption Berbahasa Indonesia. JUSTIN (Jurnal Sistem Dan Teknologi Informasi), 13(2), 307–312. https://doi.org/10.26418/justin.v13i2.88615
Foroutan, P., & Lahmiri, S. (2024). Deep learning systems for forecasting the prices of crude oil and precious metals. Financial Innovation, 10(1), 1–40. https://doi.org/10.1186/s40854-024-00637-z
Gülmez, B. (2023). Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm. Expert Systems with Applications, 227, 1–16. https://doi.org/10.1016/j.eswa.2023.120346
Khairati, Z., & Idamiharti. (2024). PENGARUH FAKTOR EKSTERNAL TERHADAP IHSG DI BURSA EFEK INDONESIA. JAMBURA, 7(2), 963–972. https://doi.org/https://doi.org/10.37479/jimb.v7i2.27500
Kim, Y. S., Kim, M. K., Fu, N., Liu, J., Wang, J., & Srebric, J. (2025). Investigating the impact of data normalization methods on predicting electricity consumption in a building using different artificial neural network models. Sustainable Cities and Society, 118, 1–12. https://doi.org/10.1016/j.scs.2024.105570
Maulana Akbar, B., Anggraeny, F. T., & Prakarsa Mandyartha, E. (2025). Peramalan Harga Minyak Mentah Brent Berbasis Model Prophet dengan Optimasi Tree-Structured Parzen Estimator (TPE). JIIP (Jurnal Ilmiah Ilmu Pendidikan), 8(11), 12777–12782. https://doi.org/https://doi.org/10.54371/jiip.v8i11.9496
Mutinda, J. K., & Langat, A. K. (2024). Stock price prediction using combined GARCH-AI models. Scientific African, 26, 1–14. https://doi.org/10.1016/j.sciaf.2024.e02374
Najma P., S., Trimono, & Diyasa, I. G. S. M. (2025). Food Price Prediction Using the Vector Moving Average (VMA) Model in Surabaya and Malang. Bit-Tech, 8(1), 146–157. https://doi.org/10.32877/bt.v8i1.2428
Nurahmad, K. P. (2025a, July 25). Capital Market Data Reflects Trust from Investors. Indonesia Stock Exchange. https://www.idx.co.id/en/news/press-release/2418
Nurahmad, K. P. (2025b, December). Menutup Tahun Penuh Prestasi, Pasar Modal Indonesia Optimis Menyongsong Tahun 2026. Bursa Efek Indonesia. https://www.idx.co.id/id/berita/siaran-pers/2531
Prayogi, K., Gata, W., & Kussanti, D. P. (2024). Prediksi Harga Saham Bank Central Asia Menggunakan Algoritma Deep Learning GRU. Jutisi: Jurnal Ilmiah Teknik Informatika Dan Sistem Informasi, 13, 647–658. https://doi.org/10.35889/jutisi.v13i1.1910
Ryan Dana, A., Trimono, T., & Idhom, M. (2025). Predicting Price and Risk ICBP Stocks Using GRU and VaR. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 19(1), 73–84. https://doi.org/10.22146/ijccs.101974
Sah, I. A. (2025). VOLATILITAS PASAR SAHAM DAN INDIKATOR MAKROEKONOMI: ANALISIS SEKTOR KEUANGAN DI TENGAH OPTIMISME PERTUMBUHAN EKONOMI INDONESIA. Jurnal Ekonomi, Bisnis Dan Pendidikan, 5(2). https://doi.org/https://doi.org/10.17977/um066v5i22025p1
Sharmasaravanan. (2024, October 17). Time-Series Forecasting Using GRU: A Step-by-Step Guide. Medium. https://sharmasaravanan.medium.com/time-series-forecasting-using-gru-a-step-by-step-guide-b537dc8dcfba
Sofi, K., Sunge, A. S., Riady, S. R., & Kamalia, A. Z. (2021). PERBANDINGAN ALGORITMA LINEAR REGRESSION, LSTM, DAN GRU DALAM MEMPREDIKSI HARGA SAHAM DENGAN MODEL TIME SERIES. SEMINASTIKA, 3(1), 39–46. https://doi.org/10.47002/seminastika.v3i1.275
Supri, B., Rudianto, Abdurohim, Badriatul Mawadah, & Helmi Ali. (2023). Asian Stock Index Price Prediction Analysis Using Comparison of Split Data Training and Data Testing. JEMSI (Jurnal Ekonomi, Manajemen, Dan Akuntansi), 9(4), 1403–1408. https://doi.org/10.35870/jemsi.v9i4.1339
Yusuf, A. (2021). PREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN LONG SHORT-TERM MEMORY. Jurnal Epsilon, 15(2), 124–132. https://doi.org/https://doi.org/10.20527/epsilon.v15i2.5026
Zhao, C., Kang, L., Xi, X., Du, S., & Li, J. (2025). Investor sentiment and stock market volatility: Exploring the relationship using sentiment analysis of stock bar comments. Finance Research Open, 1(3), 1–12. https://doi.org/10.1016/j.finr.2025.100016
