Analisis Perbandingan Model Machine Learning dan Deep Learning untuk Peramalan Harga Saham
DOI:
https://doi.org/10.64803/juikti.v2i1.114Keywords:
Machine Learning, Deep Learning, LSTM, XGBoost, Support Vector RegressorAbstract
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.
References
[1] A. R. S. Arya Sapta Dinata, “Pengaruh Tingkat Investasi Terhadap Pertumbuhan Ekonomi Dalam Perspektif Islam,” J. Bina Bangsa Ekon., vol. 18, no. 1, p. 215, 2024, [Online]. Available: https://jbbe.lppmbinabangsa.id/index.php/jbbe/article/view/591/428
[2] H. Wang, J. Wang, L. Cao, Y. Li, Q. Sun, and J. Wang, “A Stock Closing Price Prediction Model Based on CNN-
BiSLSTM,” Complexity, vol. 2021, 2021, doi: 10.1155/2021/5360828.
[3] I. K. Nti, A. F. Adekoya, and B. A. Weyori, “A systematic review of fundamental and technical analysis of stock market predictions,” Artif. Intell. Rev., vol. 53, no. 4, pp. 3007–3057, 2020, doi: 10.1007/s10462-019-09754-z.
[4] A. Hardian et al., “Indonesian Research Journal on Education,” vol. 5, pp. 1079–1085, 2025.
[5] A. Arfan and L. ETP, “Perbandingan Algoritma Long Short-Term Memory dengan SVR pada Prediksi Harga Saham di
Indonesia,” Petir, vol. 13, no. 1, 2020, doi: 10.33322/petir.v13i1.858.
[6] Z. Hu, Y. Zhao, and M. Khushi, “A Survey of Forex and Stock Price Prediction Using Deep Learning,” Applied System Innovation, vol. 4, no. 1. 2021. doi: 10.3390/asi4010009.
[7] S. Sudriyanto, F. Syahro, and N. Fitriani, “Perbandingan Performa Model Machine Learning Support Vector Machine, Neural Network, Dan K-Nearest Neighbors Dalam Prediksi Harga Saham,” J. Adv. Res. Inform., vol. 2, no. 1, pp. 13– 21, 2023, doi: 10.24929/jars.v2i1.2983.
[8] G. Budiprasetyo, M. Hani’ah, and D. Z. Aflah, “Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short- Term Memory (LSTM),” J. Nas. Teknol. dan Sist. Inf., vol. 8, no. 3, pp. 164–172, 2023, doi: 10.25077/teknosi.v8i3.2022.164-172.
[9] I. P. Putri, T. Terttiaavini, and N. Arminarahmah, “Analisis Perbandingan Algoritma Machine Learning untuk Prediksi Stunting pada Anak,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 257–265, 2024, doi: 10.57152/malcom.v4i1.1078.
[10] A. Pannadhitthana Candra, “Analisis Data Menggunakan Python: Memperkenalkan Pandas dan NumPy,” J. Inf. Syst. Educ. Dev., vol. 3, no. 1, pp. 11–16, 2025, doi: 10.62386/jised.v3i1.118.
[11] A. Hadi, M. Qamal, and Y. Afrillia, “Comparison of Random Forest Algorithm Classifier and Naïve Bayes Algorithm in Whatsapp Message Type Classification,” J. Renew. Energy, Electr. Comput. Eng., vol. 5, no. 1, pp. 9–17, 2025, doi: 10.29103/jreece.v5i1.21227.
[12] E. N. Widyaningrum, R. A. Putri, M. A. Fathan, and N. R. Safitriani, “Stock Price Forecasting Using Autoregressive With Exogenous Variable Support Vector Regression (ARX – SVR),” J. Mat. Stat. dan Komputasi, vol. 21, no. 3, pp. 847–854, 2025, doi: 10.20956/j.v21i3.43613.
[13] A. Hendrawan and E. I. Sela, “Analisis Sentimen Komentar Youtube Tentang Resesi Global 2023 Menggunakan LSTM,” J. Indones. Manaj. Inform. dan Komun., vol. 5, no. 1, pp. 587–593, 2024, doi: 10.35870/jimik.v5i1.526.
[14] O. Oscar, N. Maulidah, A. Purnamawati, D. Putri, and H. F. Pardede, “Prediksi Tingkat Kesuksesan Promosi Bank Dengan Algoritma Dnn,” J. Inform., vol. 21, no. 1, pp. 23–33, 2021, doi: 10.30873/ji.v21i1.2866.
[15] N. N. Pandika Pinata, I. M. Sukarsa, and N. K. Dwi Rusjayanthi, “Prediksi Kecelakaan Lalu Lintas di Bali dengan XGBoost pada Python,” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 8, no. 3, p. 188, 2020, doi: 10.24843/jim.2020.v08.i03.p04.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Edi Ismanto, Ahmad Gunawan Dalimunthe, Muhammad Iqbal, Fauza Addinunnisa (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
