Perpustakaan Digital ITB

Prediksi harga saham di pasar modal Indonesia merupakan tantangan kompleks akibat volatilitas tinggi dan banyaknya variabel non-linear yang memengaruhi pergerakan harga, sehingga model statistik tradisional seringkali tidak memadai. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja model-model deep learning untuk prediksi log-return saham di Bursa Efek Indonesia (BEI). Tiga keluarga arsitektur sequential neural network diimplementasikan yaitu varian Recurrent Neural Network (RNN) yaitu ConvLSTM dan AttGRU; varian Transformer yaitu Autoformer dan iTransformer; serta varian Multilayer Perceptron (MLP) yaitu N-BEATS, N-HITS, dan TSMixer. Model-model tersebut diuji pada saham yang mewakili tiga tier likuiditas berbeda (TIER 1, 2, dan 3) dengan menggunakan data historis dan indikator makroekonomi. Kinerja dievaluasi menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan Directional Accuracy (DA). Hasil evaluasi menunjukkan bahwa varian arsitektur MLP secara signifikan mengungguli varian RNN dan Transformer. Model RNN dan Transformer gagal memberikan prediksi arah yang andal (DA sekitar 40-60%), sedangkan model berbasis MLP, khususnya TSMixer dan N-HITS, mampu mencapai Directional Accuracy hingga 80%. Penelitian ini menyimpulkan bahwa arsitektur berbasis MLP, meskipun lebih sederhana, terbukti lebih efektif untuk tugas prediksi arah pergerakan harga saham di pasar modal Indonesia.