GesangPJ / skripsi-prediksi-harga-saham-deeplearning-lstm

Skripsi Prediksi Harga Saham Menggunakan Deep Learning LSTM oleh Gesang Paudra Jaya

RANCANG BANGUN APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN DEEP LEARNING DENGAN ALGORITMA LONG SHORT-TERM MEMORY

Penulis

• Nama : Gesang Paudra Jaya
• Program Studi : Sistem Informasi
• Perguruan Tinggi : Universitas Banisaleh

REQUIREMENTS

Program bisa dijalankan di 2 tempat, lokal (local training), maupun Google Colab

• Local Training :

  • Anaconda 3 Environment with :

    • Tensorflow GPU
    • Matplotlib
    • SKLearn
    • Yahoo Finance API
    • Tensorboard

  • High Performance GPU

• Google Colab :

  • Tensorflow GPU Enabled
  • Koneksi Google Drive (Menyimpan data, hasil, logs)
  • Anvil App For Front-End or GUI [optional]

PARAMETERS

• N_STEPS :[int] Menentukan berapa banyak data saham yang akan digunakan (dalam hari perdagangan)
• LOOKUP_STEP: [int] Step Pencarian, 1 = besok hari
• SCALE : [Boolean] Menentukan data diskalakan atau tidak
• SHUFFLE : [Boolean] Menentukan data diacak atau tidak
• SPLIT_BY_DATE : [Boolean] Menentukan data latih/test dipisah berdasarkan tanggal atau tidak
• TEST_SIZE : [Double] Rasio data yang diambil untuk tes, format dalam persen
• FEATURE_COLUMNS : [Array] Kolom apa saja yang digunakan
• N_LAYERS : [int] Menentukan berapa layer yang digunakan (state dan hidden)
• CELL : [String] Menentukan CELL apa yang digunakan
• UNITS : [int] Menentukan berapa banyak Neurons
• DROPOUT : [Double] Maksimum rasio dropout dalam persen
• BIDIRECTIONAL : [Boolean] Menentukan LSTM bidirectional atau tidak
• LOSS : [String] Menentukan Fitur LOSS
• OPTIMIZER : [String] Menentukan Fitur Optimizer
• BATCH_SIZE : [int] Menentukan ukuran BATCH_SIZE untuk training
• EPOCHS : [int] Menentukan berapa kali data dilatih

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.