PREDIKSI HARGA SAHAM SEKTOR PERBANKAN LQ45 MENGGUNAKAN BILSTM DENGAN PERBANDINGAN METODE FEATURE SELECTION

Abstract

Pergerakan harga saham yang fluktuatif menjadikan prediksi harga saham sebagai tantangan penting dalam pengambilan keputusan investasi, khususnya pada saham sektor perbankan yang tergabung dalam indeks LQ45. Permasalahan utama dalam prediksi harga saham adalah tingginya volatilitas data serta pemilihan fitur yang kurang optimal sehingga dapat menurunkan akurasi model prediksi. Penelitian ini bertujuan untuk membangun model prediksi harga saham sektor perbankan LQ45 menggunakan algoritma Bidirectional Long Short-Term Memory (BiLSTM) serta menganalisis pengaruh penerapan metode seleksi fitur terhadap kinerja model. Metode yang digunakan meliputi penerapan tiga teknik seleksi fitur, yaitu Spearman Correlation, Mutual Information, dan Lasso Regression, dengan dataset historis saham BBRI, BBNI, BMRI, dan BBTN periode 2020–2025. Data dibagi menjadi 80% data pelatihan dan 20% data pengujian, serta dievaluasi menggunakan Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa penerapan seleksi fitur mampu meningkatkan akurasi model BiLSTM, Namun, pada saham BBTN, penerapan Spearman, Mutual information 10 fitur dan 15 fitur justru menurunkan performa model BiLSTM