Perpustakaan Digital ITB

Investasi saham yang menjadi semakin populer mendorong keinginan untuk pembentukan model prediksi harga saham yang akurat. Namun, harga saham sendiri sangat fluktuatif dan sulit untuk diprediksi. Harga saham sendiri dipengaruhi oleh tiga faktor utama, yaitu faktor fundamental, faktor teknikal, dan faktor sentimen pasar. Penelitian yang ada saat ini kebanyakan hanya memanfaatkan salah satu dari ketiga faktor tersebut. Penelitian ini mengatasi tantangan prediksi harga saham yang fluktuatif dengan mengintegrasikan dua faktor kunci, yaitu faktor fundamental menggunakan data dari laporan keuangan dan faktor sentimen pasar dari berita saham. Metodologi yang digunakan adalah membentuk dataset baru dan membangun model ensemble learning dengan pendekatan stacking, yang menggabungkan tiga arsitektur deep learning (LSTM, GRU, dan Transformer) untuk menghasilkan prediksi yang lebih akurat. Hasil utama menunjukkan model gabungan ini berhasil mencapai Mean Absolute Percentage Error (MAPE) sebesar 2.33% pada data uji saham BBRI. Kinerja ini secara signifikan melampaui model baseline yang hanya menggunakan data laporan keuangan (MAPE 5.03%) atau data sentimen saja (MAPE 4.86%). Validasi pada saham BBCA dan BMRI juga menunjukkan hasil yang konsisten, membuktikan efektivitas pendekatan ini dalam meningkatkan akurasi prediksi harga saham.