ANALISIS PERBANDINGAN KINERJA MODEL LSTM, XGBOOST, DAN HYBRID LSTM–XGBOOST UNTUK PREDIKSI HARGA SAHAM

Abstract

Pergerakan harga saham PT Bank Rakyat Indonesia (Persero) Tbk yang fluktuatif dan dipengaruhi oleh berbagai faktor menjadikan prediksi harga saham sebagai tantangan yang kompleks dalam analisis pasar keuangan. Penelitian ini bertujuan untuk membandingkan kinerja model Long Short-Term Memory (LSTM), Extreme Gradient Boosting (XGBoost), dan model hybrid LSTM–XGBoost dalam memprediksi harga penutupan saham harian berdasarkan data historis selama sepuluh tahun (2015–2025). Model LSTM digunakan untuk menangkap pola temporal dan ketergantungan jangka panjang pada data deret waktu, sedangkan XGBoost diterapkan untuk memodelkan hubungan non-linear serta memperbaiki kesalahan prediksi yang tidak tertangkap LSTM. Pada pendekatan hybrid, prediksi awal LSTM dikoreksi oleh XGBoost melalui pemodelan residual sehingga menghasilkan prediksi yang lebih akurat dan stabil. Evaluasi kinerja dilakukan menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil pengujian menunjukkan bahwa model hybrid LSTM–XGBoost memberikan performa terbaik dengan nilai RMSE sebesar 193,98, MAE sebesar 159,56, dan R² sebesar 0,93, lebih unggul dibandingkan model LSTM (RMSE=200,64; MAE=164,92; R²=0,928) maupun XGBoost (RMSE=586,18; MAE=395,99; R²=0,365). Prediksi 7 hari ke depan menunjukkan tren kenaikan harga secara bertahap dari Rp 3.831,83 hingga Rp 3.934,18 dengan fluktuasi yang wajar, yang dapat menjadi acuan bagi investor dalam pengambilan keputusan jangka pendek. Penelitian ini menunjukkan bahwa pendekatan hybrid mampu memanfaatkan keunggulan masing-masing model untuk meningkatkan akurasi prediksi harga saham pada data deret waktu yang dinamis dan kompleks