Kursus/Pelatihan Data Science ~ Penerapan LSTM untuk Prediksi Harga Saham Berbasis Time Series

Berikut adalah Silabus 20 Sesi (masing-masing 1,5 jam) untuk topik:
📘 “Penerapan LSTM untuk Prediksi Harga Saham Berbasis Time Series Menggunakan Python”
Silabus ini cocok untuk skripsi, tesis, atau pelatihan profesional, mencakup teori, praktik, dan implementasi lengkap dengan Python.

🔰 Struktur Umum

• Total: 20 Sesi x 1,5 jam

• Tools utama: Python, Jupyter Notebook, Keras (TensorFlow), Pandas, Matplotlib, scikit-learn

• Dataset: Yahoo Finance, Alpha Vantage, atau CSV historis dari BEI

📚 Silabus Detail

🔹 Tahap 1 – Dasar Teori dan Persiapan (Sesi 1–5)

Sesi 1 – Pengantar Time Series dan Prediksi Harga Saham

• Apa itu time series

• Perbedaan data time series vs non-time series

• Tantangan dalam prediksi harga saham

Sesi 2 – Pengantar LSTM (Long Short-Term Memory)

• Arsitektur RNN dan kekurangannya (vanishing gradient)

• Konsep dasar LSTM: gate, cell state, hidden state

• Kelebihan LSTM untuk time series

Sesi 3 – Instalasi dan Persiapan Lingkungan Python

• Instalasi Anaconda, Jupyter Notebook

• Instalasi library: pandas, numpy, matplotlib, tensorflow, scikit-learn, yfinance

Sesi 4 – Eksplorasi Dataset Saham

• Mengambil data dari Yahoo Finance dengan yfinance

• Data historis saham: OHLCV

• Visualisasi tren harga saham

Sesi 5 – Pra-pemrosesan Data Time Series

• Handling missing values

• Normalisasi (MinMaxScaler)

• Membagi data latih dan data uji

• Mengubah data ke bentuk window (sliding window)

🔹 Tahap 2 – Implementasi Model LSTM Dasar (Sesi 6–10)

Sesi 6 – Menyusun Data Input LSTM

• Membentuk input 3D array: [samples, timesteps, features]

• Membuat fungsi sliding window

Sesi 7 – Membuat Model LSTM Sederhana

• Membuat model Sequential LSTM di Keras

• Layer: LSTM, Dense

• Fungsi aktivasi dan loss function

Sesi 8 – Training Model LSTM

• Compile model: optimizer, loss

• Training model dan validasi

• Plot loss dan MAE/MSE selama epoch

Sesi 9 – Evaluasi Model

• Memprediksi harga saham pada data uji

• Mengembalikan hasil normalisasi

• Mengukur performa: MSE, RMSE, MAE

Sesi 10 – Visualisasi Hasil Prediksi

• Plot hasil prediksi vs data aktual

• Membandingkan tren

• Analisis error

🔹 Tahap 3 – Optimasi dan Eksperimen Lanjut (Sesi 11–15)

Sesi 11 – Tuning Parameter dan Epoch

• Ubah jumlah epoch, batch size

• Pengaruh jumlah neuron di LSTM

• EarlyStopping dan ModelCheckpoint

Sesi 12 – Menambahkan Layer Tambahan

• Tambah LSTM berlapis (stacked LSTM)

• Dropout untuk regularisasi

Sesi 13 – Eksperimen Window Size

• Uji window size (5, 10, 20, dll)

• Pengaruh terhadap hasil prediksi

Sesi 14 – Membandingkan dengan Model Lain

• Prediksi dengan ARIMA (pake statsmodels)

• Bandingkan ARIMA vs LSTM

Sesi 15 – Integrasi Fitur Tambahan

• Tambah fitur teknikal: moving average, RSI

• Pengaruh fitur tambahan ke LSTM

🔹 Tahap 4 – Studi Kasus dan Pengembangan Akhir (Sesi 16–20)

Sesi 16 – Studi Kasus Saham A (misal: BBCA)

• Prediksi harga BBCA

• Analisis hasil dan akurasi

Sesi 17 – Studi Kasus Saham B (misal: TLKM)

• Prediksi saham TLKM

• Bandingkan pola, kesulitan prediksi

Sesi 18 – Save dan Load Model

• Menyimpan model (.h5)

• Prediksi di masa depan dengan model tersimpan

Sesi 19 – Dashboard Mini dengan Streamlit

• Membuat aplikasi prediksi harga saham sederhana

• Input: simbol saham, output: grafik prediksi

Sesi 20 – Presentasi Proyek Akhir

• Presentasi proyek per peserta

• Review feedback dan evaluasi hasil

• Tips publikasi/report ilmiah