Analisis Perbandingan Model Machine Learning dan Deep Learning untuk Peramalan Harga Saham

Abstract

Peramalan harga saham harian masih menjadi tantangan signifikan dalam bidang keuangan dan data science akibat tingginya volatilitas pasar serta pengaruh berbagai faktor eksternal. Penelitian ini menyajikan analisis perbandingan beberapa model Machine Learning (ML) dan Deep Learning (DL) untuk peramalan harga saham berbasis indikator teknikal. Model ML yang dievaluasi meliputi Random Forest, Support Vector Regressor (SVR), dan XGBoost, sedangkan pendekatan DL mencakup Long Short-Term Memory (LSTM) dan Dense Neural Network (DNN). Data yang digunakan berupa data historis harga saham yang diperkaya dengan indikator teknikal seperti Moving Average (MA), Relative Strength Index (RSI), dan Bollinger Bands (BB). Kinerja model dievaluasi menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), serta koefisien determinasi (R²). Hasil eksperimen menunjukkan bahwa model Support Vector Regressor menghasilkan kinerja prediksi terbaik, diikuti oleh Random Forest dan XGBoost. Model Deep Learning menunjukkan kinerja yang relatif lebih rendah, yang diduga disebabkan oleh keterbatasan data serta kebutuhan proses tuning hiperparameter yang lebih kompleks. Temuan ini menunjukkan bahwa model berbasis Machine Learning, khususnya SVR, lebih efektif untuk peramalan harga saham dalam kondisi eksperimental penelitian ini.