Perpustakaan Digital ITB

Pasar modal Indonesia, khususnya Bursa Efek Indonesia (BEI), menghadirkan sebuah lingkungan yang dinamis namun juga penuh dengan tantangan bagi investor dan analis keuangan. Sektor perbankan, yang diwakilkan oleh Index LQ45, memegang peran penting sebagai barometer stabilitas ekonomi nasional. Tetapi, volatilitas pasar yang tinggi, yang dipengaruhi oleh sentiment investor jangka pendek dan fluktuasi makroekonomi, seringkali membuat metode peramalan tradisional menjadi tidak efektif. Permasalahan penelitian ini berakar dari keterbatasan model ekonometrik linear konvensional dan analisa fundamental standar dalam menangkap pola non-linear kompleks dari data harga saham harian. Maka, isu ilmiah yang mendesak untuk diatasi adalah bagaimana memanfaatkan kemajuan teknologi Artificial Intelligence (AI), khususnya Deep Learning, untuk meningkatkan akurasi peramalan dan untuk memahami variable-variable penting yang menentukan harga saham di tengah ketidakpastian pasar. Penelitian ini berdasarkan preposisi di mana data keuangan time-series memiliki pola momentum jangka pendek yang dapat dipelajari, dan bahwa model non-linear canggih lebih unggul dari model tradisional. Penelitian ini memiliki 2 tujuan utama, untuk mengidentifikasi variable-variable penting yang mempengaruhi pengembalian saham Bank-Bank di Indonesia dan kedua, untuk mengevaluasi performa model Deep Learning dengan arsitektur Long Short-Term Memory (LSTM) dalam peramalan pengembalian saham. Hipotesa yang diajukan dan diuji adalah veriabel teknikal tertentu memiliki pengaruh dominan daripada variable fundamental dalam kerangka harian, dan model LSTM memiliki kemampuan untuk menghasilkan tingkat kesalahan prediksi yang sangat rendah (Normalized MSE di bawah 3%). Metodologi penelitian menggunakan pendekatan kuantitatif dengan data sekunder yang bersumber dari Bloomberg Terminal. Sampel penelitian terdiri dari 7 Bank terbesar di Indonesia (mewakili Bank BUMN dan Bank Swasta) dengan periode observasi 10 tahun, mulai dari 2015 sampai 2024. Data yang dikumpulkan termasuk variable-variable teknikal seperti High Price, Low Price, Moving Average, Ask/Bid Price, dan Price Change 1 Day Percent dan variable-variabel fundamental seperti Price to Sales, PBV, Dividend Yield, dan PER. Analisa data dilakukan dalam 2 tahap utama: Tes Feature Importance untuk menjelaskan kausalitas variabel, dan pengembangan model LSTM menggunakan Bahasa pemrograman Python dengan skema data split training, validation, dan testing untuk memastikan ketahanan model. Hasil penelitian menunjukkan temuan empiris yang signifikan. Pertama, analisa Feature Importance mengungkapkan bahwa variable teknikal mendominasi pengaruh pada pengembalian saham harian dibandingkan dengan variable fundamental. Secara spesifik, variable Price Change 1 Day Percent teridentifikasi sebagai variable paling penting terhadap 5 dari 7 sampel Bank yang diuji (BRI, BNI, BTN, CIMB Niaga, and Danamon). Sebaliknya, variable fundamental seperti Price Earning Ratio (PER) ditemukan sebagai variable yang paling tidak penting pengaruhnya. Temuan ini menjelaskan fenomena “ketidakcocokan frekuensi/ frequency mismatch”, di mana metric fundamental statis (tahunan/kuartalan) gagal menyediakan nilai prediksi untuk pergerakan harga harian yang dinamis. Kedua, evaluasi dari performa model menunjukkan bahwa LSTM memiliki akurasi yang superior dalam memprediksi pengembalian saham. Hasil ini terbukti dari fakta bahwa 6 dari 7 sampel Bank (BRI, BNI, BTN, BCA, CIMB Niaga, dan Danamon) memiliki nilai NMSE di bawah tolak ukur sebesar 3%. Tolak ukur 3% didasarkan pada penelitian sejenis yang menunjukkan di antara model Deep Learning lainnya, LSTM dapat meraih tingkat kesalahan terendah di 3%. Dalam thesis ini, performa terbaik dicatat pada saham BBTN dan BDMN dengan nilai NMSE 0.11%. Kontribusi penelitian ini terhadap ilmu manajemen keuangan adalah validasi empiris terkait keefektifan dari Deep Learning sebagai alat peramalan yang handal di pasar modal negara berkembang seperti Indonesia, serta konfirmasi teoritis bahwa pada trading harian, factor momentum teknikal lebih relevan dibandingkan valuasi fundamental. Studi ini menyarankan investor untuk berpidnah dari spekulasi ke strategi kunatitatif berdasarkan data dengan mengintegrasikan model LSTM dan memprioritaskan indicator momentum untuk pengambilan keputusan investasi jangka pendek.