Prediksi Next Day Stock Price Movement Berbasis Technical Indicator Menggunakan Metode LSTM
Virgy Ferdian Surya Firmansyah
Abstrak
Pasar saham yang dinamis dan sulit diprediksi sering kali menjadi tantangan bagi investor. Penelitian ini bertujuan untuk membangun dan mengukur akurasi model deep learning dalam memprediksi arah pergerakan harga saham harian (next day stock price movement). Metode yang digunakan adalah Long Short-Term Memory (LSTM) yang berbasis pada 20 technical indicator. Studi kasus dalam penelitian ini menggunakan data historis saham PT Bank Central Asia Tbk (BBCA) dari 1 Januari 2010 hingga 31 Desember 2024. Proses penelitian meliputi beberapa tahapan, yaitu pengumpulan data melalui API Yahoo Finance, perhitungan technical indicator, pelabelan data, normalisasi dengan StandardScaler, dan seleksi fitur menggunakan Recursive Feature Elimination (RFE) yang menghasilkan lima fitur paling berpengaruh: MACD, %D, SMI, CCI, dan CMO. Model diuji dengan beberapa skenario, membandingkan arsitektur LSTM, GRU, dan RNN dengan variasi window size (5, 10, dan 20 hari). Hasil pengujian menunjukkan bahwa konfigurasi terbaik adalah model LSTM dengan window size 5 hari, yang berhasil mencapai tingkat akurasi sebesar 54.7%, dengan nilai precision 0.543 dan recall 0.547. Meskipun tidak sangat tinggi, hasil ini mengindikasikan bahwa model memiliki kemampuan prediksi yang lebih baik daripada tebakan acak dan menegaskan bahwa informasi jangka pendek paling relevan untuk prediksi pergerakan harga saham esok hari.