JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Evaluasi Kinerja Model LSTM dalam Memprediksi Nilai Penutupan IHSG Berdasarkan Variasi Optimizer Adam-based Valensia Natalia1.
I Nyoman Saputra Wahyu Wijaya*2 Luh Joni Erawati Dewi3.
Ni Putu Novita Puspa Dewi4 Universitas Pendidikan Ganesha.
Singaraja.
Indonesia1,2,3,4 valensia@student.
id 1, wahyu.
wijaya@undiksha.
id 2, joni.
erawati@undiksha.
id 3, dewi@undiksha.
*Corresponding author : valensia@student.
AbstrakAi Prediksi Indeks Harga Saham Gabungan (IHSG) merupakan tantangan tersendiri karena pergerakannya yang bersifat non-linier dan dipengaruhi berbagai faktor eksternal.
Penelitian ini mengevaluasi kinerja model Long Short-Term Memory (LSTM) dalam memprediksi nilai penutupan IHSG menggunakan tiga variasi algoritma optimasi berbasis Adam, yaitu Adam.
AdamW, dan Nadam.
Data yang digunakan adalah data historis IHSG dari Yahoo Finance periode 2015Ae2025 sebanyak 2.
413 data harian.
Model dibangun dengan teknik sliding window berukuran 60 dan dilatih menggunakan hyperparameter yang identik pada ketiga skenario untuk memastikan objektivitas perbandingan.
Evaluasi dilakukan menggunakan metrik MAE.
RMSE, dan MAPE.
Hasil menunjukkan bahwa optimizer Adam menghasilkan performa terbaik dengan MAE sebesar 115,0.
RMSE sebesar 144,4, dan MAPE sebesar 1,63%, unggul dibandingkan Nadam (MAPE 2,71%) dan AdamW (MAPE 3,18%).
Keunggulan Adam berasal dari proses konvergensi yang lebih stabil sehingga model mampu mempelajari pola historis data secara lebih optimal.
AbstractAi Predicting the Composite Stock Price Index (CSPI) is a challenging task due to its nonlinear behavior and the influence of various external factors.
This study evaluates the performance of the Long Short-Term Memory (LSTM) model in predicting CSPI closing prices using three Adam-based optimization algorithms: Adam.
AdamW, and Nadam.
The dataset consists of 2,413 daily CSPI records from 2015 to 2025 obtained from Yahoo Finance.
The model was developed using a sliding window technique with a window size of 60 and trained with identical hyperparameters across all experimental scenarios to ensure an objective comparison.
Performance was evaluated using Mean Absolute Error (MAE).
Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE).
The results show that the Adam optimizer achieved the best performance, with an MAE of 115.
RMSE of 144.
4, and MAPE of 1.
63%, outperforming Nadam (MAPE 2.
71%) and AdamW (MAPE 3.
18%).
AdamAos superior performance is attributed to its more stable convergence process, enabling the model to learn historical data patterns more KeywordsAiIHSG.
LSTM.
Adam.
AdamW.
Nadam This is an open access article under the CC BY-SAlicense.
Pendahuluan Pasar modal memiliki peran yang penting dalam perekonomian Indonesia karena perkembangan zaman mendorong sistem ekonomi menjadi semakin modern.
Pasar modal berfungsi sebagai salah satu pusat kegiatan keuangan yang mendukung berbagai aktivitas ekonomi .
Sebagai salah satu indikator utama kondisi perekonomian nasional.
Indeks Harga Saham Gabungan (IHSG) mencerminkan pergerakan harga seluruh saham yang tercatat di Bursa Efek Indonesia (BEI).
Pemantauan terhadap pergerakan IHSG menjadi hal yang penting bagi pelaku pasar, regulator, dan analis ekonomi karena dapat membantu dalam memahami, mengantisipasi, serta merespons berbagai perubahan dan dinamika ekonomi yang memengaruhi pasar modal di Indonesia .
Penurunan IHSG mendorong investor untuk lebih berhati-hati dalam mengambil keputusan investasi serta memberikan perhatian yang lebih besar terhadap risiko makroekonomi .
Nilai penutupan IHSG kerap dijadikan dasar analisis untuk memahami dinamika pasar dan memperkirakan kondisi pasar pada masa yang akan datang .
Oleh karena itu, kemampuan untuk memprediksi pergerakan IHSG secara akurat menjadi sangat penting dalam mengambil keputusan yang Prediksi harga saham merupakan permasalahan yang cukup kompleks karena pergerakan harga saham cenderung bersifat non-linier, tidak stasioner, serta dipengaruhi oleh berbagai faktor eksternal yang sulit diprediksi dan dikendalikan.
Kemajuan teknologi kecerdasan buatan telah mendorong pemanfaatan metode deep learning dalam analisis pasar keuangan .
Salah satu arsitektur deep learning yang terbukti efektif https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
dalam menangani data temporal dan time series adalah Long Short-Term Memory (LSTM).
LSTM
merupakan pengembangan dari Recurrent Neural Network (RNN) yang mampu mempertahankan informasi dalam jangka waktu lebih panjang melalui mekanisme memori, sehingga dapat mengatasi masalah vanishing gradient yang sering muncul pada RNN konvensional .
LSTM menawarkan potensi yang besar dalam analisis data time series karena kemampuan dalam memahami pola nonlinear dan hubungan jangka panjang antar data.
Meskipun LSTM memiliki peran penting dalam menentukan kualitas prediksi, pemilihan algoritma optimasi juga merupakan faktor krusial yang memengaruhi konvergensi dan performa.
Optimizer berfungsi untuk memperbarui parameter model, seperti bobot dan learning rate selama proses pelatihan agar nilai fungsi kehilangan .
oss functio.
dapat diminimalkan .
Penelitian ini menggunakan tiga algoritma optimasi berbasis Adam, yaitu Adam.
AdamW, dan Nadam.
Ketiga optimizer ini dipilih karena memiliki kemampuan adaptive learning rate yang telah banyak digunakan pada model deep learning untuk prediksi data deret waktu.
Meskipun berasal dari keluarga optimizer yang sama, masing-masing optimizer menerapkan mekanisme pembaruan parameter yang berbeda sehingga berpotensi menghasilkan performa prediksi yang berbeda.
Urgensi dalam pemilihan optimizer terletak pada perbedaan mekanisme pembaruan parameter yang digunakan oleh masing-masing algoritma.
Pemilihan optimizer secara langsung memengaruhi kecepatan konvergensi, kestabilan pelatihan, dan kemampuan generalisasi model.
Optimizer Adam memperbaharui parameter berdasarkan estimasi momentum orde pertama, yaitu rata-rata bergerak dari gradien mt dan orde kedua, yaitu rata-rata bergerak dari kuadrat gradien vt.
Optimizer Adam dituliskan pada persamaan .
ycoyc = yu1 ycoycOe1 .
Oe yu1 )yciyc , ycyc = yu2 ycycOe1 .
Oe yu2 )yciyc2 .
AdamW memodifikasi Adam dengan memisahkan .
mekanisme weight decay dari perhitungan gradien adaptif, sehingga regularisasi diterapkan langsung pada bobot.
AdamW dituliskan sesuai pada persamaan .
yuEyc = yuEycOe1 Oe yuC ( yco Cyc OoycCyc yun yuIyuEycOe1 ) .
Sementara itu.
Nadam mengintegrasikan momentum Nestrov ke dalam pembaruan Adam, sehingga estimasi gradien yang digunakan bersifat lookahead, yaitu mengantisipasi arah pergerakan berikutnya.
Nadam dituliskan sesuai pada persamaan .
yuEyc = yuEycOe1 Oe OoycCyc yun u1 yco Cyc Oe yu1 )yciyc 1 Oe yu1yc Perbedaan mekanisme tersebut menunjukkan bahwa meskipun tiga optimizer berasal dari keluarga yang sama, masing-masing memiliki cara mengatur learning rate efektif dan momentum yang berbeda.
AdamW cenderung membuat pembelajaran lebih konservatif karena adanya penalti bobot langsung.
Nadam cenderung mempercepat konvergensi karena estimasi gradien yang bersifat antisipatif.
Pada data IHSG yang bersifat non-stasioner, memiliki tren jangka panjang, dan volatilitas jangka pendek, perbedaan mekanisme ini berpotensi menghasilkan perbedaan performa prediksi yang cukup besar.
Oleh karena itu, pemilihan optimizer yang tepat menjadi aspek penting yang perlu dievaluasi.
Beberapa penelitian mengenai prediksi harga saham telah banyak dilakukan dengan memanfaatkan model LSTM.
Penelitian sebelumnya menerapkan model LSTM dengan optimizer Adam untuk memprediksi harga saham Bank Central Asia (BCA).
Hasil penelitian menunjukkan bahwa model yang diusulkan mampu menghasilkan performa prediksi yang baik dengan nilai RMSE sebesar 40,85.
MSE sebesar 6662,76, dan MAPE sebesar 0,71% .
Penelitian lain yang juga memanfaatkan kombinasi LSTM dan optimizer Adam untuk prediksi harga saham BBNI menunjukkan bahwa penggunaan optimizer Adam mampu meningkatkan kinerja model dengan tingkat akurasi prediksi mencapai 98,46% pada konfigurasi batch size 64 dan epoch 100.
Hasil penelitian tersebut mengindikasikan bahwa optimizer Adam memiliki kemampuan yang baik dalam mempercepat dan menstabilkan proses konvergensi model LSTM ketika diterapkan pada data time series .
Termuan-temuan tersebut menunjukkan bahwa optimizer Adam memiliki kemampuan yang baik dalam membantu proses konvergensi model LSTM pada data time series.
Selain pada bidang keuangan, kombinasi LSTM dan optimizer Adam-based juga telah diterapkan pada prediksi kualitas udara kota DKI Jakarta.
Hasil penelitian menunjukkan bahwa penggunaan Adam https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
menghasilkan nilai RMSE sebesar 11,09.
MAE sebesar 8,54, dan koefisien determinasi (RA) sebesar 0,44.
Penelitian yang sama juga membandingkan Adam dengan AdamW dan Nadam.
AdamW memperoleh nilai RMSE sebesar 11,15.
MAE sebesar 8,53, dan RA sebesar 0,44, sedangkan Nadam menghasilkan nilai RMSE sebesar 11,09.
MAE sebesar 8,54, dan RA sebesar 0,44 .
Hasil tersebut menunjukkan bahwa variasi algoritma optimasi berbasis Adam dapat memberikan perbedaan performa meskipun menggunakan arsitektur model yang sama.
Berdasarkan penelitian-penelitian terdahulu, diketahui bahwa model LSTM yang dikombinasikan dengan algoritma optimasi berbasis Adam telah banyak digunakan untuk menyelesaikan permasalahan prediksi deret waktu dan menunjukkan kinerja yang baik.
Namun, penelitian yang secara khusus membandingkan kinerja optimizer Adam.
AdamW, dan Nadam pada prediksi harga Indeks Harga Saham Gabungan (IHSG) masih terbatas.
Oleh karena itu, penelitian ini dilakukan untuk mengevaluasi pengaruh penggunaan ketiga optimizer tersebut terhadap performa model dalam memprediksi harga IHSG.
Evaluasi dilakukan berdasarkan metrik Mean Absolute Error (MAE).
Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE) guna menentukan optimizer yang paling optimal untuk kasus prediksi data time series IHSG.
Metodologi Penelitian Indeks Harga Saham Gabungan merupakan indikator yang digunakan untuk menggambarkan pergerakan harga saham di Bursa Efek Indonesia .
Data yang digunakan dalam penelitian ini adalah data historis IHSG periode 25 Juni 2015 hingga 25 Juni 2025 yang diperoleh dari Yahoo Finance.
Dataset terdiri dari 413 data harian dengan lima variabel, yaitu Open.
High.
Low.
Close, dan Volume.
Nilai Close digunakan sebagai variabel target dalam proses prediksi karena merepresentasikan harga penutupan indeks pada setiap periode perdagangan.
Tahap prapemprosesan data memastikan tidak terdapat nilai yang hilang .
issing valu.
atau data yang tidak valid.
Data kemudian dinormalisasi dengan metode Min-Max Scalling sehingga nilai setiap fitur berada dalam rentang 0 hingga 1 .
Secara matematis.
Min-Max Scaling dituliskan pada persamaan .
ycuycuycuycyco = ycu Oe ycuycoycnycu ycuycoycaycu Oe ycuycoycnycu Di mana x adalah nilai asli, xmin adalah nilai minimum, dan xmax adalah nilai maksimum.
Metode ini menjaga pola dari distribusi data tetap sama, namun diubah ke dalam rentang nilai yang lebih kecil dan Setelahnya, data dibagi menjadi data pelatihan dan data pengujian.
Model LSTM dirancang untuk memprediksi nilai IHSG berdasarkan data historis yang telah melalui tahap LSTM mampu memodelkan pola data berdasarkan urutan waktu dan mengidentifikasi dependensi jangka panjang yang terdapat dalam suatu rangkaian data .
Model terdiri dari dua lapisan LSTM yang berfungsi untuk mempelajari pola dan ketergantungan jangka panjang pada data time series, lapisan dropout untuk mencegah overfitting, serta dua lapisan dense pada bagian akhir untuk menghasilkan nilai prediksi.
https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Gambar 1.
Arsitektur model LSTM untuk prediksi harga penutupan IHSG Proses diawali dengan pembentukan input sequence menggunakan teknik sliding window dengan ukuran window size sebesar 60 untuk menghasilkan data time series yang dapat diproses oleh model.
Selanjutnya, data dinormalisasi menggunakan Min-Max Scaling agar proses pelatihan model lebih stabil.
Data hasil sliding window kemudian di-reshape menjadi tensor berdimensi tiga dengan format .
, 60, .
, n menyatakan jumlah sampel, 60 sebagai sequence lenght, dan 1 merupakan jumlah fitur yang digunakan.
Representasi ini memungkinkan model LSTM mempelajari hubungan temporal dari 60 hari perdagangan sebelumnya untuk memprediksi nilai penutupan pada periode berikutnya.
Seluruh model LSTM pada penelitian ini menggunakan konfigurasi hyperparameter yang sama.
Penggunaan hyperparameter yang konsisten bertujuan untuk memastikan bahwa perbedaan kinerja model yang dihasilkan berasal dari perbedaan algoritma optimasi yang digunakan.
Tabel 1.
Hyperparameter yang digunakan Parameter Window Size (Sequence Lengh.
Rasio Data Pengujian LSTM Layer 1 LSTM Layer 2 Dense Layer 1 Fungsi Aktivasi Dense Layer Dropout Rate Jumlah Penerapan Dropout Epoch Batch Size Learning Rate Loss Function Early Stopping Patience ReduceLROnPlateau Patience ReduceLROnPlateau Factor Minimum Learning Rate .
in_l.
Nilai 64 unit 32 unit 16 unit ReLU Mean Squared Error (MSE) 1 y 10AA Proses pelatihan dilakukan dengan jumlah epoch maksimum sebesar 100, ukuran batch sebesar 32, dan learning rate awal sebesar 0.
Selain itu, diterapkan callback berupa EarlyStopping dengan patience 10 epoch untuk menghentikan pelatihan secara otomatis apabila tidak terdapat peningkatan pada validation https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
loss, serta ReduceLROnPlateau untuk menurunkan learning rate secara adaptif apabila model mengalami Evaluasi kinerja model dilakukan untuk mengukur akurasi prediksi yang dihasilkan oleh LSTM dengan variasi algoritma optimasi.
Pengukuran error dilakukan dengan membandingkan nilai hasil prediksi yang telah di-inverse transform ke skala harga asli dengan nilai aktual pada data pengujian sebesar 20% dari keseluruhan data.
Metrik evaluasi yang digunakan terdiri dari Mean Absolute Error (MAE).
Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE).
MAE digunakan untuk mengukur rata-rata nilai absolut dari selisih antara nilai aktual dan nilai hasil prediksi .
Secara matematis.
MAE dituliskan pada persamaan .
ycAyaya = Oc .
cycn Oe ycC| ycn ycn=1 RMSE mengukur akar dari rata-rata kuadrat selisih antara nilai prediksi dan nilai aktual, sehingga memberikan penalti lebih besar terhadap kesalahan yang ekstrem.
Semakin rendah nilai RMSE, semakin tinggi tingkat ketepatan dan akurasi model dalam menghasilkan prediksi .
Secara matematis.
RMSE dituliskan pda persamaan .
RMSE = Oo Oc.
cycn Oe ycCycnOe1 )2 ycu ycn=1 Sementara itu.
MAPE mengukur rata-rata persentase kesalahan prediksi terhadap nilai aktual sehingga hasil evaluasi lebih mudah diinterpretasikan secara relatif.
Semakin rendah nilai MAPE, semakin akurat hasil peramalan yang dihasilkan oleh model .
MAPE secara matematis diformulasikan pada persamaan .
ycycu Oe ycCycu ycAyaycEya = Oc | ycu ycu=1 di mana ycycn adalah nilai aktual harga IHSG, ycCycn adalah nilai prediksi model, dan n adalah jumlah data Ketiga metrik ini digunakan secara bersamaan untuk memberikan gambaran menyeluruh mengenai tingkat kesalahan prediksi dari berbagai sudut pandang.
Hasil evaluasi dari masing-masing optimizer kemudian dibandingkan, dan berdasarkan nilai RMSE terkecil.
Hasil dan Pembahasan Pelatihan model LSTM dilakukan dengan menggunakan tiga variasi algoritma optimasi berbasis Adam, yaitu Adam.
AdamW, dan Nadam.
Setiap model dilatih dengan hyperparameter pada Tabel 1 untuk memastikan perbandingan yang objektif.
https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
Gambar 2.
Grafik loss Adam vs AdamW vs Nadam Pada model LSTM dengan optimizer Adam, proses konvergensi berlangsung relatif paling stabil di antara ketiga optimizer yang diuji.
Loss training mengalami penurunan tajam pada epoch-epoch awal dan mencapai titik terbaik pada epoch 7, kemudian nilai loss cenderung stabil hingga early stopping terpicu pada epoch 17.
Pada model dengan optimizer AdamW, konvergensi terjadi sangat cepat dengan titik terbaik tercapai pada epoch 2, dan early stopping terpicu pada epoch 10.
Sementara itu, model LSTM dengan optimizer Nadam menunjukkan konvergensi paling cepat dengan titik terbaik tercapai pada epoch 1 dan early stopping terpicu pada epoch 10.
Untuk memberikan gambaran kuantitatif mengenai performa prediksi masing-masing model, dilakukan evaluasi menggunakan metrik MAE.
RMSE, dan MAPE.
Hasil evaluasi ketiga model disajikan pada Tabel 2.
Tabel 2.
Hasil evaluasi model
Optimizer Adam
AdamW
Nadam
MAE
RMSE
MAPE (%)
Berdasarkan Tabel 2, optimizer Adam menghasilkan nilai MAE.
RMSE, dan MAPE terendah dibandingkan AdamW dan Nadam.
Hasil tersebut menunjukkan bahwa Adam memiliki kemampuan yang lebih baik dalam meminimalkan kesalahan prediksi dan menghasilkan akurasi yang lebih tinggi pada data IHSG.
Meskipun AdamW dan Nadam mampu mencapai konvergensi lebih cepat, kedua optimizer tersebut menghasilkan nilai error yang lebih besar.
Temuan ini mengindikasikan bahwa konvergensi yang terlalu dini dapat menyebabkan model belum sepenuhnya mempelajari pola historis data, sehingga berdampak pada penurunan performa prediksi.
Setelah proses training selesai, masing-masing model digunakan untuk memprediksi harga penutupan IHSG pada data uji yang mencakup periode 2023 hingga pertengahan 2025.
Hasil prediksi kemudian dibandingkan secara visual terhadap nilai aktual untuk menilai kemampuan setiap model dalam menangkap pola pergerakan harga.
Gambar 3.
Grafik prediksi vs aktual optimizer Adam vs AdamW vs Nadam Optimizer Adam menghasilkan prediksi yang paling mendekati nilai aktual secara keseluruhan.
Kurva prediksi mampu mengikuti tren naik dan turun harga IHSG dengan cukup baik, meskipun pada 60 hari https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
terakhir terdapat lag di mana prediksi belum sepenuhnya merespons penurunan harga yang terjadi secara Selanjutnya, optimizer AdamW menghasilkan kurva prediksi yang cenderung lebih halus dan kurang responsif terhadap fluktuasi harga.
Pada periode 60 hari terakhir, gap antara prediksi dan nilai aktual terlihat cukup lebar, mengindikasikan keterbatasan model dalam menangkap pergerakan harga jangka pendek.
Sementara itu.
Nadam memiliki kurva prediksi yang sedikit lebih responsif dibandingkan AdamW, terutama dalam mengikuti arah tren secara umum meskipun belum mampu menangkap fluktuasi harga secara presisi.
Secara keseluruhan.
Adam menghasilkan prediksi yang paling representatif terhadap pergerakan harga aktual IHSG, sementara AdamW dan Nadam cenderung menghasilkan prediksi yang underestimate dan kurang mampu mengikuti volatilitas pasar secara detail.
Perbandingan rata-rata distribusi error disajikan untuk memperlihatkan perbedaan performa masingmasing optimizer dalam menghasilkan tingkat kesalahan prediksi.
Gambar 4.
Distribusi error optimizer Adam vs AdamW vs Nadam Berdasarkan distribusi error, seluruh optimizer menunjukkan nilai mean error negatif yang mengindikasikan adanya kecenderungan underestimate dalam prediksi.
Optimizer Adam menghasilkan distribusi error yang paling simetris dan terpusat di sekitar nilai 0 dengan mean error sebesar -53, yang menunjukkan bahwa rata-rata prediksi model hanya meleset sekitar 53 poin di bawah harga aktual.
Kurva Kernel Density Estimation (KDE) Adam paling mendekati distribusi normal, menandakan bahwa error tersebar secara merata tanpa bias signifikan ke suatu arah tertentu.
Sementara itu.
AdamW memiliki mean error sebesar -206 dengan distribusi yang bergeser ke kiri, menunjukkan kecenderungan underestimate yang lebih kuat dan konsisten.
Kondisi ini disebabkan oleh mekanisme weight decay yang membuat model menjadi lebih konservatif sehingga menghasilkan prediksi yang lebih rendah dari harga sebenarnya.
Di sisi lain.
Nadam menghasilkan mean error sebesar -148 dengan pola distribusi yang juga condong ke kiri, meskipun tingkat underestimate tidak sebesar AdamW.
Distribusi error Nadam menunjukkan bahwa model sesekali masih menghasilkan prediksi yang lebih tinggi daripada nilai aktual .
Kecenderungan underestimate pada ketiga optimizer merupakan fenomena yang umum terjadi pada prediksi harga saham yang sedang mengalami tren kenaikan, karena model mempelajari pola dari data historis yang memiliki nilai lebih rendah dibandingkan harga saat ini.
Namun demikian.
Adam menunjukkan bias yang paling kecil karena nilai mean error-nya paling mendekati nol, sehingga dapat dianggap sebagai optimizer dengan performa prediksi terbaik di antara ketiganya.
Berdasarkan hasil evaluasi, optimizer Adam menghasilkan performa terbaik dalam prediksi harga penutupan IHSG menggunakan model LSTM dengan nilai MAE sebesar 115,0.
RMSE sebesar 144,4, dan MAPE sebesar 1,63%.
Keunggulan Adam berasal dari kemampuannya dalam menyesuaikan learning rate secara adaptif untuk setiap parameter melalui kombinasi momentum orde pertama dan orde kedua.
Karakteristik tersebut memungkinkan proses pembelajaran berlangsung lebih stabil pada data finansial yang bersifat non-stasioner, seperti IHSG yang memiliki fluktuasi harga, tren jangka panjang, dan volatilitas jangka pendek.
Hal ini juga terlihat dari proses konvergensi yang berlangsung secara bertahap hingga epoch ke-17 sebelum early stopping terpicu, sehingga model memiliki waktu yang cukup untuk mempelajari pola historis data secara lebih optimal.
Sebaliknya.
AdamW menghasilkan performa terendah dengan nilai error yang lebih besar dibandingkan optimizer lainnya.
Meskipun secara teoritis mekanisme weight decay pada AdamW bertujuan meningkatkan kemampuan generalisasi model, pada penelitian ini mekanisme tersebut menyebabkan proses pembelajaran menjadi terlalu konservatif sehingga model mencapai titik konvergensi terbaik hanya pada epoch ke-2.
Akibatnya, model cenderung menghasilkan https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
prediksi yang lebih rendah dari nilai aktual, yang ditunjukkan oleh rata-rata residual sebesar -206.
Sementara itu.
Nadam menunjukkan performa yang lebih baik dibandingkan AdamW tetapi masih berada di bawah Adam, dengan nilai MAPE sebesar 2,71%.
Konvergensi yang sangat cepat, yaitu pada epoch pertama, mengindikasikan bahwa penambahan momentum Nesterov belum memberikan keuntungan yang signifikan pada dataset yang digunakan.
Hal ini juga tercermin dari rata-rata residual sebesar -148 yang menunjukkan adanya kecenderungan underestimate.
Perbedaan kinerja ketiga optimizer juga dipengaruhi oleh mekanisme early stopping.
Adam yang berkonvergensi secara lebih bertahap memperoleh kesempatan lebih untuk mengeksplorasi ruang parameter sebelum proses pelatihan dihentikan, sedangkan AdamW dan Nadam cenderung berhenti terlalu cepat sehingga model belum sepenuhnya menangkap pola data yang kompleks.
Keunggulan Adam dapat dijelaskan lebih lanjut dari sisi mekanisme kerja dan karakteristik data yang Data IHSG memiliki tren kenaikan jangka panjang yang diselingi koreksi tajam dalam jangka pendek, sehingga bobot model perlu disesuaikan secara adaptif tanpa dibatasi terlalu ketat.
Mekanisme bias correction pada estimasi momentum orde pertama dan kedua di Adam memungkinkan learning rate efektif tetap proporsional terhadap besar-kecilnya gradien pada setiap parameter, tanpa memberikan penalti tambahan terhadap besar bobot itu sendiri.
Kondisi ini membuat Adam lebih leluasa dalam mempelajari pola tren jangka panjang sekaligus fluktuasi jangka pendek pada data sliding window 60 hari.
Sebaliknya, mekanisme decoupled weight decay pada AdamW menarik nilai bobot mendekati nol pada setiap langkah pembaruan, terlepas dari besar gradien yang dihasilkan.
Pada data dengan tren naik yang kuat seperti IHSG, mekanisme ini menghambat model untuk membentuk bobot yang cukup besar guna merepresentasikan pertumbuhan harga secara akurat, sehingga model berhenti belajar terlalu dini, yaitu terjadi konvergensi pada epoch ke-2 dan menghasilkan prediksi yang secara konsisten lebih rendah dari nilai aktual dengan mean error sebesar -206.
Sehingga, regularisasi yang seharusnya meningkatkan generalisasi justru menjadi terlalu agresif untuk karakteristik data yang didominasi tren.
Pada Nadam, penambahan komponen momentum Nesterov membuat model menggunakan estimasi gradien yang bersifat antisipatif .
, yaitu memperkirakan posisi parameter satu langkah ke depan sebelum melakukan pembaruan.
Mekanisme ini efektif mempercepat konvergensi pada data yang relatif stabil, namun pada data IHSG yang nonstasioner dan memiliki noise jangka pendek, estimasi antisipatif tersebut menyebabkan model mencapai titik optimal lokal terlalu cepat, yaitu pada epoch ke-1 sebelum sempat mempelajari variasi pola yang lebih Hal ini tercermin dari nilai error yang lebih besar dibandingkan Adam meskipun konvergensinya paling cepat di antara ketiga optimizer.
Perbedaan durasi pelatihan sebelum early stopping terpicu juga memperkuat temuan ini.
Adam memperoleh 17 epoch efektif untuk menyesuaikan bobot secara bertahap, sedangkan AdamW dan Nadam masing-masing berhenti pada epoch ke-10 setelah mencapai titik terbaik pada epoch yang jauh lebih awal, yaitu epoch 2 dan 1.
Waktu eksplorasi yang lebih singkat membatasi kemampuan kedua model dalam menangkap dinamika data historis IHSG selama 10 tahun yang mencakup berbagai kondisi pasar, termasuk periode volatilitas tinggi.
Dengan demikian, kombinasi antara mekanisme adaptive learning rate tanpa regularisasi bobot yang agresif serta proses konvergensi yang bertahap menjadi faktor utama yang menjelaskan mengapa Adam menghasilkan performa prediksi terbaik pada kasus data IHSG dalam penelitian ini.
Secara keseluruhan, hasil penelitian ini menunjukkan bahwa optimizer dengan proses konvergensi yang lebih stabil dan tidak terlalu agresif, seperti Adam, lebih sesuai untuk prediksi harga saham IHSG menggunakan model LSTM.
Temuan ini mengindikasikan bahwa karakteristik data finansial yang kompleks dan dinamis memerlukan proses pembelajaran yang cukup panjang agar model mampu menghasilkan prediksi yang lebih akurat.
Kesimpulan Perbedaan optimizer berpengaruh terhadap kinerja model LSTM dalam prediksi harga penutupan IHSG.
Optimizer Adam terbukti memberikan hasil prediksi terbaik dibandingkan AdamW dan Nadam karena mampu menghasilkan proses pembelajaran yang lebih stabil serta menangkap pola data historis IHSG secara lebih efektif.
Temuan ini menunjukkan bahwa pada data deret waktu finansial yang bersifat kompleks, non-stasioner, dan memiliki volatilitas tinggi, optimizer dengan konvergensi yang lebih bertahap cenderung menghasilkan performa prediksi yang lebih baik dibandingkan optimizer yang https://jurnal.
id/index.
php/jukomika JUKOMIKA (Jurnal Ilmu Komputer dan Informatik.
Volume 9.
Nomor 1.
July 2026 || Hal 66-75 p-ISSN : 2655-7541 .
e-ISSN : 2745-5823 DOI : 10.
berkonvergensi sangat cepat.
Dengan demikian.
Adam dapat dipertimbangkan sebagai optimizer yang lebih sesuai untuk pengembangan model LSTM dalam prediksi pergerakan harga saham IHSG.
Daftar Pustaka