Prediksi pergerakan harga saham berdasarkan indikator teknikal menggunakan Long Short-Term Memory

ABSTRAK:

Prediksi pergerakan harga saham merupakan komponen kritis dalam pengambilan keputusan investasi pasar modal. Penelitian ini menganalisis efektivitas model Long Short-Term Memory (LSTM) dalam memprediksi pergerakan harga saham PT Adhi Karya Tbk (ADHI.JK) berbasis indikator teknikal Moving Average (MA), Moving Average Convergence Divergence (MACD), dan Relative Strength Index (RSI). Data historis harga saham periode Januari 2020–Januari 2025 diproses melalui normalisasi Min-Max Scaler (0-1) dan transformasi sliding window (ukuran 30 hari). Model LSTM dioptimalkan dengan grid search untuk menentukan kombinasi hyperparameter optimal (hidden size: 64, num_layers: 1, learning rate: 0.01, batch size: 32). Evaluasi dilakukan pada dua skenario: (1) prediksi harga (regresi) menggunakan Mean Squared Error (MSE) dan Mean Absolute Error (MAE), serta (2) klasifikasi arah pergerakan harga (naik/turun) menggunakan confusion matrix. Hasil menunjukkan model mencapai akurasi tinggi pada prediksi harga dengan MSE 179,83 dan MAE Rp10,50 (skala aktual), mengindikasikan deviasi minimal dari harga aktual. Namun, klasifikasi arah pergerakan hanya mencapai akurasi 40,46% (precision: 58,60%, recall: 40,46%, F1-score: 42,12%) mengindikasikan perlunya pengembangan pendekatan klasifikasi eksplisit. Simpulan penelitian menyatakan LSTM efektif untuk prediksi numerik harga saham berbasis indikator teknikal, tetapi kurang optimal untuk klasifikasi arah. Rekomendasi mencakup pengembangan model klasifikasi terpisah atau multitask learning serta integrasi variabel fundamental untuk peningkatan akurasi arah pergerakan.

ABSTRACT:

Stock price movement prediction is a critical component of capital market investment decision-making. This study analyzes the effectiveness of the Long Short-Term Memory (LSTM) model in predicting the stock price movement of PT Adhi Karya Tbk (ADHI.JK) using technical indicators: Moving Average (MA), Moving Average Convergence Divergence (MACD), and Relative Strength Index (RSI). Historical stock price data from January 2020 to January 2025 were processed via Min-Max Scaler normalization (0-1) and sliding window transformation (30-day window). The LSTM model was optimized through grid search to determine the optimal hyperparameters (hidden size: 64, num_layers: 1, learning rate: 0.01, batch size: 32). Evaluation covered two scenarios: (1) price prediction (regression) using Mean Squared Error (MSE) and Mean Absolute Error (MAE), and (2) movement direction classification (up/down) using a confusion matrix. Results indicate high accuracy in price prediction with MSE 179.83 and MAE IDR 10.50 (actual scale), reflecting minimal deviation from actual prices. However, movement direction classification achieved only 40.46% accuracy (precision: 58.60%, recall: 40.46%, F1-score: 42.12%), highlighting the need for explicit classification approaches. The study concludes that LSTM is effective for numerical stock price prediction using technical indicators but suboptimal for directional classification. Recommendations include developing a separate classification model or multitask learning and integrating fundamental variables to improve directional accuracy.

مستخلص البحث:

التنبؤ بحركة أسعار الأسهم هو عنصر حاسم في اتخاذ القرارات الاستثمارية في سوق رأس المال. يهدف هذا البحث إلى تحليل فعالية نموذج الذاكرة الطويلة القصيرة الأجل (LSTM) في التنبؤ بحركة أسعار أسهم شركة أدهي كارياADHI) ) بناءً على المؤشرات الفنية مثل المتوسط المتحرك (MA)، تقارب وتباعد المتوسطات المتحركة (MACD)، ومؤشر القوة النسبية (RSI). تمت معالجة البيانات التاريخية لأسعار الأسهم خلال الفترة من يناير 2020 إلى يناير 2025 من خلال تطبيع Min-Max Scaler 0-1)) وتحويل نافذة الانزلاق (بحجم 30 يومًا). تم تحسين نموذج LSTM من خلال البحث الشبكي لتحديد المجموعة المثلى من المعلمات الفائقة (الحجم المخفي: 64، عدد الطبقات: 1، معدل التعلم: 0.01، حجم الدفعة: 32). تم إجراء التقييم في سيناريوهين: (1) التنبؤ بالأسعار (الانحدار) باستخدام متوسط الخطأ التربيعي (MSE) ومتوسط الخطأ المطلق (MAE)، و (2) تصنيف اتجاه حركة السعر (صعود/هبوط) باستخدام مصفوفة الارتباك. أظهرت النتائج أن النموذج حقق دقة عالية في التنبؤ بالأسعار معMSE 179.83 و MAE 10.50 روبية (بالقيمة الفعلية)، مما يشير إلى انحراف بسيط عن الأسعار الفعلية. ومع ذلك، لم يتجاوز تصنيف اتجاه الحركة دقة 40.46% (الدقة: 58.60%، الاستدعاء: 40.46% ،42.12% :F1-Score )، مما يشير إلى الحاجة إلى تطوير نهج تصنيف صريح. يخلص البحث إلى أن نموذج LSTM فعال للتنبؤ العددية لأسعار الأسهم بناءً على المؤشرات الفنية، ولكنه ليس الأمثل لتصنيف الاتجاه. تشمل التوصيات تطوير نموذج تصنيف منفصل أو التعلم متعدد المهام، بالإضافة إلى دمج المتغيرات الأساسية لتحسين دقة اتجاه الحركة