Perpustakaan Digital ITB

Peramalan harga saham merupakan tantangan dalam analisis keuangan kuantitatif akibat sifat deret waktu finansial yang nonlinear, tidak stasioner, dan rentan terhadap pergeseran rezim volatilitas. Studi komparatif yang ada umumnya mengandalkan metrik agregat yang tidak mengungkap perbedaan performa antar kondisi pasar. Penelitian ini membandingkan Quantum Neural Network (QNN), Long Short-Term Memory (LSTM), dan Geometric Brownian Motion (GBM) dalam meramalkan harga saham PT Aneka Tambang Tbk. (ANTAM) menggunakan kerangka evaluasi berbasis segmentasi rezim volatilitas. Data harga penutupan harian ANTAM tahun 2020–2024 digunakan sebagai data latih, dengan tahun 2025 dan 2026 sebagai data uji. Rezim pasar ditentukan dari volatilitas bergulir 20 hari menggunakan ambang batas persentil ke-33 dan ke-66, menghasilkan tiga kelas: Low, Medium, dan High Volatility. Secara global, LSTM mencapai MAPE terbaik (3,12%, R 2 = 0,9638), sementara QNN unggul di rezim Low Volatility (MAPE 1,14%) dan GBM menjadi model paling tidak bias (mean residual +0,26 Rp). Ketiga model menunjukkan residual leptokurtik (kurtosis ekses 15,98–17,34) dengan heteroskedastisitas kondisional antar rezim. Pengujian pada data 2026 mengungkap disosiasi diagnostik: MAPE tetap stabil (3,23–3,49%) sementara R 2 kolaps ke 0,55–0,65, sebagai sinyal concept drift dan pergeseran rezim struktural. Penelitian ini menegaskan bahwa evaluasi berbasis rezim volatilitas memberikan kerangka komparatif yang lebih informatif dan landasan empiris bagi pengembangan seleksi model adaptif berbasis kondisi pasar.