Long Short-Term Memory (LSTM) Neural Network untuk Memprediksi Free Cash Flow (FCF) pada Perusahaan Sektor Keuangan yang Terdaftar di Bursa Efek Indonesia (BEI) - Dalam bentuk buku karya ilmiah
TISA SUBIARTI

Informasi Umum

Kode

25.04.5086

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Deep Learning

Dilihat

30 kali

Informasi Lainnya

Abstraksi

Dalam pasar keuangan, Free Cash Flow (FCF) adalah bagian dari laporan keuangan dan diperoleh dari kemampuan perusahaan untuk menghasilkan kas setelah Capital Expenditure (CapEx) dikurangi dengan Operating Cash Flow (OCF). Hal ini merupakan indikator untuk menilai kesehatan keuangan perusahaan dan memberikan informasi yang berharga bagi semua pemangku kepentingan dalam mengevaluasi stabilitas keuangan dan nilai perusahaan. Penelitian ini bertujuan untuk memprediksi Free Cash Flow (FCF) menggunakan metode Long Short-Term Memory (LSTM) dengan menerapkan teknik Greedy Forward Selection untuk proses kombinasi atau mengidentifikasi fitur optimal dari Free Cash Flow (FCF), Earnings per Share (EPS), Return on Assets (ROA), dan Return on Equity (ROE), yang terbagi dalam 1-4 lag. Data keuangan ini dikumpulkan dari empat perusahaan di platform Stockbit dan menggunakan tiga metrik untuk evaluasi model: Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE). Model LSTM menunjukkan akurasi prediksi tertinggi, dengan menggunakan fitur Free Cash Flow (FCF), terutama ketika menggunakan kombinasi fitur FCFlag4 dan FCFlag2, dan fitur yang paling penting adalah FCFlag4. Evaluasi kinerja model menunjukkan bahwa FCFlag4 dan FCF_lag2 memiliki nilai Root Mean Square Error (RMSE) sebesar 0.1187. Selanjutnya, Mean Absolute Error (MAE) adalah 0.0823, dan Mean Absolute Percentage Error (MAPE) adalah 16.07%.

• CAK4FAA4 - Tugas Akhir

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook