STOCK PRICE PREDICTION FOR MATERIALS SECTOR USING CNN AND BI-LSTM ALGORITHM
Abstract
Abstract: The materials sector is one of the stock markets sectors that attracts investors due to the high level of construction activity in Indonesia, which supports long-term growth. Stock price movements are influenced by various factors, requiring investors to determine the appropriate timing for buying, selling, or holding stocks. Therefore, this study aims to predict stock prices in the materials sector using a combination of CNN–BiLSTM algorithms. The research data were obtained from Yahoo Finance and processed through min–max normalization, data splitting, sliding window, model implementation, and evaluation stages. Testing was conducted on INTP and SMGR stocks with data split scenarios ranging from 60:40 to 90:10. The results show that CNN–BiLSTM performs best with a 90:10 data split, with minimum MSE and MAPE values of 0.000153 and 2.471% for INTP, and 0.000199 and 2.208% for SMGR, respectively. These findings indicate that increasing the proportion of training data improves the model's ability to learn historical patterns and produce more stable predictions.
Keywords: CNN-BILSTM; materials sector; stock
Abstrak: Sektor materials merupakan salah satu sektor saham yang diminati investor karena tingginya aktivitas pembangunan di Indonesia yang mendorong pertumbuhan jangka panjang. Pergerakan harga saham dipengaruhi oleh berbagai faktor sehingga investor perlu menentukan waktu transaksi yang tepat. Oleh karena itu, penelitian ini bertujuan memprediksi harga saham sektor materials menggunakan kombinasi algoritma CNN–BiLSTM. Data penelitian diperoleh dari Yahoo Finance dan diproses melalui tahapan normalisasi min–max, pembagian data, sliding window, implementasi model, serta evaluasi. Pengujian dilakukan pada saham INTP dan SMGR dengan skenario pembagian data 60:40 hingga 90:10. Hasil menunjukkan bahwa CNN–BiLSTM menghasilkan performa terbaik pada pembagian data 90:10, dengan nilai MSE dan MAPE minimum masing-masing sebesar 0.000153 dan 2.471% untuk INTP, serta 0.000199 dan 2.208% untuk SMGR. Temuan ini mengindikasikan bahwa peningkatan porsi data latih meningkatkan kemampuan model dalam mempelajari pola historis dan menghasilkan prediksi yang lebih stabil.
Kata kunci: CNN-BILSTM; saham; sektor materials
References
D. Saputro and D. Swanjaya, “Analisa Prediksi Harga Saham Menggunakan Neural Network Dan Net Foreign Flow,” Gener. J., vol. 7, no. 2, pp. 96–104, 2023, doi: 10.29407/gj.v7i2.20001.
P. C. Hartono and A. D. Widiantoro, “Analisis Prediksi Harga Saham Unilever Menggunakan Regresi Linier dengan RapidMiner,” J. Comput. Inf. Syst. Ampera, vol. 5, no. 3, pp. 2775–2496, 2024, [Online]. Available: https://journal-computing.org/index.php/journal-cisa/index
L. Alpianto, A. Hermawan, and Junaedi, “Moving Average untuk Prediksi Harga Saham dengan Linear Regression,” J. Buana Inform., vol. 14, no. 02, pp. 117–126, 2023, doi: 10.24002/jbi.v14i02.7446.
D. Gunawan and T. Ferryanto, “Pengaruh Profitabilitas dan Solvabilitas Terhadap Harga Saham Sektor Bahan Baku Di Bursa Efek Indonesia,” Account. Prog., vol. 3, no. 1, pp. 10–22, 2024.
F. A. Safitra, B. Wahyudiono, and F. Syafaat, “Pengaruh Profitabilitas, Pertumbuhan Penjualan Dan Ukuran Perusahaan Terhadap Harga Saham Perusahaan Sektor Bahan Baku Industri Logam Dan Mineral Yang Terdaftar Di Bursa Efek Indonesia Tahun 2019-2023,” J. Manaj. Pratama, vol. 2, no. 3, pp. 1–23, 2025.
C. A. Muchlis, “Begini Rekomendasi Saham Indocement Tunggal Prakarsa (INTP), Pangsa Pasar Naik,” msn. https://www.msn.com/id-id/ekonomi/pasarpasar/begini-rekomendasi-saham-indocement-tunggal-prakarsa-intp-pangsa-pasar-naik/ar-AA1yqkou
BRIDS, “Saham SMGR: Potensi Emiten Semen dalam Pembangunan Nasional,” Brightsid, 2025. https://www.brights.id/id/blog/saham-smgr
R. S. Santoso and F. K. Sari Dewi, “Konfigurasi Model Prophet Untuk Prediksi Harga Saham Sektor Teknologi di Indonesia Yang Akurat,” J. Buana Inform., vol. 15, no. 01, pp. 50–58, 2024, doi: 10.24002/jbi.v15i1.8634.
A. D. B. Purba, D. A. Aruan, and F. Situmorang, “Analisis Faktor-Faktor yang Mempengaruhi Keputusan Investor dalam Memilih Saham di Pasar Modal Indonesia,” AKUA J. Akuntasi dan Keuang., vol. 4, no. 3, pp. 473–481, 2025, doi: 10.54259/akua.v4i3.5160.
A. O. Pratama, K. Purba, J. Jamhur, and B. T. P. Pamungkas, “Pengaruh Faktor Perilaku Investor Saham Terhadap Keputusan Investasi di Bursa Efek Indonesia,” Monet. J. Akunt. dan Keuang., vol. 7, no. 2, pp. 170–179, 2020.
M. Mushliha, “Implementasi CNN-BiLSTM untuk Prediksi Harga Saham Bank Syariah di Indonesia,” Jambura J. Math., vol. 6, no. 2, pp. 195–203, 2024, doi: 10.37905/jjom.v6i2.26509.
H. D. Diash, V. Nathania, M. Idhom, and T. Trimono, “Application of CNN-BiLSTM Algorithm for Ethereum Price Prediction,” J. Appl. Informatics Comput., vol. 9, no. 4, pp. 1709–1714, 2025, doi: 10.30871/jaic.v9i4.9757.
H. L. P. Samsi and Y. Hidayat, “Peramalan Nilai Tukar Rupiah Terhadap Yen Jepang Menggunakan Convolutional Neural Network Bidirectional Long Short Term Memory,” Pros. Semin. Nas. Stat., vol. 11, pp. 7–19, 2024, [Online]. Available: https://prosiding.statistics.unpad.ac.id/?journal=prosidingsns&page=article&op=view&path%5B%5D=318
Y. Anisa, M. Hafiz, and N. Novita, “Pengembangan Model Prediksi Harga Saham Dengan Menggunakan Regresi Linear Berganda Pada Saham BRI,” JISTech (Journal Islam. Sci. Technol., vol. 9, no. December, pp. 191–195, 2024.
N. P. S. Y. Artini, I. W. Sumarjaya, and D. P. E. Nilakusmawati, “Penerapan Metode Support Vector Regression (SVR) Dengan Penerapan Metode Support Vector Regression ( Svr ) Dengan Algoritma Grid Search Dalam,” E-Jurnal Mat., no. May, 2024, doi: 10.24843/MTK.2024.v13.i02.p447.
M. Andriyani, S. Nurwilda, D. Zatusiva Haq, and D. Candra Rini Novitasari, “Prediksi Harga Beras Premium Tahun 2024 Menggunakan Metode Gradient Boosted Trees Regression,” J. Teknol. Inf. J. Keilmuan dan Apl. Bid. Tek. Inform., vol. 18, no. 2, pp. 75–84, 2024, [Online]. Available: https://doi.org/10.47111/JTIAvailableonlineathttps://e-journal.upr.ac.id/index.php/JTI
N. Putu and N. Kusuma, “PREDIKSI HARGA SAHAM BLUE CHIP PADA INDEKS IDX30 MENGGUNAKAN ALGORITMA RECURRENT NEURAL NETWORK (RNN),” J. Ekon. BISNIS, vol. 23, no. 1, pp. 90–97, 2024.
M. N. Suryanooradja, A. D. Rahajoe, and A. Junaidi, “Hybrid Mobilenetv2 Dan Extreme Gradient Boosting Untuk Klasifikasi Kerusakan Bangunan,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 3, pp. 402–412, 2025, doi: 10.23960/jitet.v13i3.6858.
M. G. B. Ashari, “Implementasi Algoritma Convolutional Neural Network untuk Meningkatkan Identifikasi Penyakit Tanaman Durian,” Jupiter Publ. Ilmu Keteknikan Ind. Tek. Elektro dan Inform., vol. 2, no. 4, pp. 162–172, 2024, doi: 10.61132/jupiter.v2i4.418.
A. Rahmawati, W. Sulandari, S. Subanti, and Y. Yudhanto, “Penerapan Metode Reccurent Neural Network dengan Pendekatan Long Short-Term Memory (LSTM) untuk Meramalkan Harga Saham Hybe Corporation The Application of Recurrent Neural Network Method with the Long Short-Term Memory (LSTM) Approach to Forecast Hybe Cor,” J. Bumigora Inf. Technol., vol. 5, no. 1, pp. 65–76, 2023, doi: 10.30812/bite/v5i1.2973.
T. Han, K. Muhammad, T. Hussain, J. Lloret, and S. W. Baik, “An Efficient Deep Learning Framework for Intelligent Energy Management in IoT Networks,” IEEE Internet Things J., vol. 8, no. 5, pp. 3170–3179, 2021, doi: 10.1109/JIOT.2020.3013306.
D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” PeerJ Comput. Sci., vol. 7, pp. 1–24, 2021, doi: 10.7717/PEERJ-CS.623.
