Perpustakaan Digital ITB

Pergerakan harga saham memiliki volatilitas tinggi dan pola non-linear yang kompleks, menjadikan sebuah tantangan besar dalam pemodelan deret waktu. Model deep learning klasik seperti Long Short-Term Memory (LSTM) umum digunakan, namun rentan mengalami over-parameterization saat menghadapi dinamika fluktuasi pasar yang ekstrem. Penelitian ini bertujuan membandingkan performa prediksi model Quantum Neural Network (QNN) terhadap model LSTM klasik menggunakan evaluasi berbasis hyperparameter tuning dan analisis metrik kuantitatif. Pemodelan ini dilatih menggunakan data historis harian saham BBCA, GGRM, dan EXCL dengan pembagian periode 2018-2023 sebagai data training dan periode 2024 sebagai data testing. Hasil pengujian menunjukkan QNN mengungguli LSTM pada saham BBCA (uptrend) dengan MAPE 1,0469%, RMSE 131,9511, dan R 2 0,8906, serta EXCL (sideways) dengan MAPE 1,3780%, RMSE 45,2262, dan R 2 0,7995. Pada saham GGRM (downtrend), meskipun LSTM mencatat MAPE sedikit lebih rendah (0,9984% berbanding 1,0093%), QNN terbukti lebih stabil dengan RMSE yang lebih kecil (251,5257 berbanding 251,7988). Secara arsitektural, QNN beroperasi lebih efisien karena mencapai hasil optimal hanya dengan kedalaman 1 layer sirkuit dan lookback window 1. Penelitian ini menegaskan bahwa arsitektur QNN menghasilkan akurasi, efisiensi komputasi, dan kapabilitas generalisasi pola non-linear yang lebih tangguh dibandingkan model memori klasik. Penelitian ini memberikan kontribusi pada pengembangan Quantum Machine Learning sebagai solusi alternatif pemodelan time-series finansial yang lebih presisi dan stabil terhadap dinamika pasar yang ekstrem.