Prediksi harga saham menggunakan model Artificial Neural Network (ANN) berbasis data Time Series dan sentimen pasar

INDONESIA

Penelitian ini bertujuan untuk menganalisis pengaruh atribut data serta menentukan skenario paling optimal dalam memprediksi harga saham ADMR menggunakan model Artificial Neural Network (ANN). Data yang digunakan terdiri atas data historis harga saham dan data sentimen pasar yang merepresentasikan persepsi publik terhadap pergerakan saham. Beberapa konfigurasi arsitektur ANN diuji, baik dengan maupun tanpa penambahan data sentimen, untuk mengevaluasi kinerja model berdasarkan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), koefisien determinasi (R²), dan tingkat akurasi. Hasil penelitian menunjukkan bahwa penambahan data sentimen memberikan peningkatan kinerja prediksi yang signifikan dibandingkan penggunaan data historis harga saja. Model ANN dengan sentimen secara konsisten menghasilkan akurasi yang lebih tinggi dan kemampuan adaptasi yang lebih baik terhadap fluktuasi data. Model terbaik diperoleh pada konfigurasi BPNNS-A1-L dengan akurasi sebesar 99,66% dan nilai R² sebesar 0,9983. Temuan ini menegaskan bahwa kualitas dan relevansi atribut input lebih berpengaruh terhadap performa model dibandingkan kompleksitas arsitektur jaringan. Dengan demikian, integrasi data sentimen menjadi faktor kunci dalam meningkatkan akurasi prediksi harga saham ADMR menggunakan ANN.

ENGLISH

This study aims to analyze the impact of data attributes and to determine the most optimal scenario for predicting ADMR stock prices using an Artificial Neural Network (ANN) model. The dataset consists of historical stock price data and market sentiment data representing public perceptions of stock movements. Various ANN architectural configurations were evaluated, both with and without sentiment data, using performance metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE), coefficient of determination (R²), and prediction accuracy. The results indicate that incorporating sentiment data significantly improves prediction performance compared to using historical price data alone. ANN models with sentiment consistently achieve higher accuracy and better adaptability to data fluctuations. The best performance was achieved by the BPNNS-A1-L configuration, which attained an accuracy of 99.66% and an R² value of 0.9983. These findings confirm that the quality and relevance of input attributes have a greater impact on model performance than architectural complexity alone. Therefore, integrating sentiment data plays a crucial role in enhancing the accuracy of ANN-based stock price prediction for ADMR.

ARABIC

تهدف هذه الدراسة إلى تحليل تأثير سمات البيانات وتحديد السيناريو الأكثر كفاءة في التنبؤ بأسعار أسهم شركة ADMR باستخدام نموذج الشبكات العصبية الاصطناعية (Artificial Neural Network – ANN). تعتمد البيانات المستخدمة على البيانات التاريخية لأسعار الأسهم وبيانات معنويات السوق التي تعكس تصورات الجمهور حول حركة الأسهم. تم اختبار عدة تكوينات معمارية لنموذج ANN مع إدراج بيانات المعنويات وبدونها، وذلك باستخدام مؤشرات الأداء مثل متوسط مربع الخطأ (MSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل التحديد (R²)، ومستوى الدقة. أظهرت نتائج الدراسة أن إدخال بيانات المعنويات يؤدي إلى تحسين ملحوظ في دقة التنبؤ مقارنة باستخدام البيانات التاريخية فقط. كما أظهرت نماذج ANN المعززة ببيانات المعنويات قدرة أفضل على التكيف مع تقلبات البيانات. وحقق أفضل أداء نموذج BPNNS-A1-L بدقة بلغت 99.66% ومعامل تحديد قدره 0.9983. وتؤكد هذه النتائج أن جودة وملاءمة سمات الإدخال تلعب دورًا أكثر أهمية من تعقيد البنية المعمارية للنموذج. وعليه، فإن دمج بيانات المعنويات يعد عنصرًا أساسيًا في تحسين دقة التنبؤ بأسعار الأسهم باستخدام ANN.