Optimasi Model Prediksi Saham LQ45 Menggunakan Teknik Weighted Ensemble
DOI:
https://doi.org/10.52436/1.jpti.1590Keywords:
Hybrid CNN-LSTM, Investor Pemula, Machine Learning, Saham LQ45, Weighted EnsembleAbstract
Investasi pada indeks LQ45 menawarkan likuiditas tinggi namun memiliki risiko yang signifikan bagi investor pemula. Tantangan utama dalam prediksi harga saham adalah karakteristik data yang non-linear dan dinamis. Penelitian ini mengusulkan sebuah sistem prediksi yang dioptimasi menggunakan model Hybrid (CNN-LSTM) dan Weighted Ensemble Method. pendekatan ini mengintegrasikan indikator teknikal seperti Relative Strength Index (RSI), Moving Average (MA), dan volatilitas harga untuk memperkuat fitur input. Model CNN diimplementasikan untuk mengekstraksi fitur spasial dan memfilter gangguan pasar (noise), sementara LSTM menangkap dependensi temporal jangka panjang. Untuk meningkatkan stabilitas prediksi, metode Weighted Ensemble diterapkan dengan menggabungkan model Machine Learning (XGBoost dan Random Forest) serta model Deep Learning. Pengujian dilakukan pada data saham periode 2020 hingga Januari 2026 dengan total 55.816 data. Hasil eksperimen menunjukkan bahwa model Weighted Ensemble yang diusulkan memberikan performa terbaik dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,52% dan Root Mean Square Error (RMSE) sebesar 0,0270. Selain itu, sistem ini diintegrasikan dengan rekomendasi sinyal (Buy/Hold) menggunakan ambang batas kenaikan 1% yang diuji untuk memprediksi harga pada periode 1-10 Februari 2026. Penelitian ini memberikan kontribusi praktis sebagai sistem pendukung keputusan yang akurat dan robust dalam meminimalkan risiko investasi di pasar modal Indonesia.
Downloads
References
D. Widiantoro and N. Khoiriawati, “Pengaruh Likuiditas, Profitabilitas dan Solvabilitas Terhadap Harga Saham Perusahaan LQ45 yang terdaftar Pada BEI Periode 2018-2021,” mea, vol. 7, no. 2, pp. 168–190, May 2023, doi: 10.31955/mea.v7i2.2968.
A. Hidayat and Ade Putra Prima Suhendri, “Comparative Analysis of Machine Learning Algorithms for Predicting LQ45 Stock Index Prices,” bit-Tech, vol. 8, no. 1, pp. 1099–1108, Aug. 2025, doi: 10.32877/bt.v8i1.2853.
P. Triya, N. Suarna, and N. Dienwati Nuris, “Penerapan Machine Learning dalam Melakukan Prediksi Harga Saham PT. Bank Mandiri (Persero) Tbk Dengan Algoritma Linear Regression,” jati, vol. 8, no. 1, pp. 1207–1214, Mar. 2024, doi: 10.36040/jati.v8i1.8958.
A. Nilsen, “Perbandingan Model RNN, Model LSTM, dan Model GRU dalam Memprediksi Harga Saham-Saham LQ45,” JSA, vol. 6, no. 1, pp. 137–147, Jun. 2022, doi: 10.21009/JSA.06113.
F. R. Pratama, B. Santoso, and S. Kacung, “PREDIKSI HARGA SAHAM PT TELKOM MENGGUNAKAN METODE CNN-LSTM,” vol. 7, no. 1, 2025.
N. Afrianto, D. H. Fudholi, and S. Rani, “Prediksi Harga Saham Menggunakan BiLSTM dengan Faktor Sentimen Publik,” J. RESTI (Rekayasa Sist. Teknol. Inf.), vol. 6, no. 1, pp. 41–46, Feb. 2022, doi: 10.29207/resti.v6i1.3676.
M. N. Alim, “Pemodelan Time Series Data Saham LQ45 dengan Algoritma LSTM, RNN, dan Arima,” vol. 6, 2023.
A. Rasyid, A. B. Muharam, and A. Solichin, “Prediksi Harga Saham Syariah Indonesia Berdasarkan Analisis Fundamental, Teknikal Dan Bandarmology Menggunakan Metode Random Forest,” jipi. jurnal. ilmiah. penelitian. dan. pembelajaran. informatika., vol. 10, no. 2, pp. 1663–1677, May 2025, doi: 10.29100/jipi.v10i2.7855.
N. T. Nurlela, F. R. Umbara, and F. Kasyidi, “Prediksi Return Saham Index LQ45 Menggunakan Metode Extreme Gradient Boosting (XGBOOST),” 2024.
S. Suyatna, A. J. Satrio, S. P. Pratama, M. Indarto, F. Syarif, and F. Amsury, “Analisis Perbandingan Kinerja Model Machine Learning dalam Prediksi Harga Saham TLKM,” RIGGS, vol. 4, no. 4, pp. 829–837, Nov. 2025, doi: 10.31004/riggs.v4i4.3476.
K. I. Jaya, A. M. Suhartini, N. Jariyatin, and D. Septiani, “PREDIKSI INDEKS HARGA SAHAM GABUNGAN INDONESIA MENGGUNAKAN MODEL CNN-CA-LSTM DAN APLIKASI WEBSITE STREAMLIT,” vol. 10, no. 1, 2026.
N. Javier, B. D. Satoto, and Y. D. P. Negara, “Implementasi Teknik Web Scraping Untuk Pengumpulan Data Laporan Keuangan Perusahaan Di Bursa Efek Indonesia (IDX),” vol. 9, no. 2, 2025.
School of Computer Science and Engineering, Vellore Institute of Technology, Vellore., S. V. Chanda, A. A, and School of Computer Science and Engineering, Vellore Institute of Technology, Vellore., “Web Scraping in Finance using Python,” IJEAT, vol. 9, no. 5, pp. 255–262, Jun. 2020, doi: 10.35940/ijeat.E9457.069520.
C. Ekinci, M. A. Hakkoz, U. Kiran, and S. Seker, “Handling missing values in mixed panel data: a comparison of different techniques,” Pressacademia, p. 1, Feb. 2024, doi: 10.17261/Pressacademia.2023.1869.
S. Burger, S. Silverman, and G. V. Vuuren, “Deriving Correlation Matrices for Missing Financial Time-Series Data,” IJEF, vol. 10, no. 10, p. 105, Sep. 2018, doi: 10.5539/ijef.v10n10p105.
R. Tepelyan, “Enhancing OHLC Data with Timing Features: A Machine Learning Evaluation,” Sep. 19, 2025, arXiv: arXiv:2509.16137. doi: 10.48550/arXiv.2509.16137.
