https://github.com/gesangpj/skripsi-prediksi-harga-saham-deeplearning-lstm

Skripsi Prediksi Harga Saham Menggunakan Deep Learning LSTM oleh Gesang Paudra Jaya
https://github.com/gesangpj/skripsi-prediksi-harga-saham-deeplearning-lstm

anaconda-environment anaconda3 artificial-intelligence deep-neural-networks deeplearning-notebooks google-colab jupyter-notebook lstm lstm-neural-networks python3 tensorflow tensorflow-gpu

Last synced: 2 days ago
JSON representation

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

• Host: GitHub
• URL: https://github.com/gesangpj/skripsi-prediksi-harga-saham-deeplearning-lstm
• Owner: GesangPJ
• License: other
• Created: 2023-09-26T14:31:46.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2024-06-12T14:21:07.000Z (5 months ago)
• Last Synced: 2024-06-12T20:17:39.622Z (5 months ago)
• Topics: anaconda-environment, anaconda3, artificial-intelligence, deep-neural-networks, deeplearning-notebooks, google-colab, jupyter-notebook, lstm, lstm-neural-networks, python3, tensorflow, tensorflow-gpu
• Language: Jupyter Notebook
• Homepage:
• Size: 22.6 MB
• Stars: 3
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE.md

Awesome Lists containing this project

README

        
# 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.