Perpustakaan Digital ITB

Pasar saham yang dinamis memberikan tantangan signifikan dalam memprediksi harga return saham untuk mendukung pembentukan portofolio. Penelitian ini bertujuan untuk mengembangkan model prediksi berbasis deep learning, yaitu Long Short-Term Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM) yang mampu menangkap pola kompleks data deret waktu. Data yang digunakan mencakup harga penutupan harian 44 saham indeks LQ45 periode sebelum, saat, dan pasca-pandemi, di mana saham AADI diekslusi karena keterbatasan data historis. Hasil eksperimen menunjukkan bahwa model univariat tidak dapat bekerja dengan baik karena menghasilkan prediksi serupa dengan ratarata. Perbaikan dilakukan melalui skenario multivariat dengan mengintegrasikan indikator teknikal, serta dilanjutkan dengan integrasi analisis sentimen berita untuk mengatasi ketidaklengkapan informasi pada saham-saham volatil seperti AMMN dan BREN. Model BiLSTM dengan integrasi sentimen terbukti menjadi model terbaik dengan rata-rata ???? 2 sebesar 0.9133 dan directional accuracy sebesar 96.43%. Hasil prediksi dari model terbaik ini berhasil diimplementasikan untuk membentuk rekomendasi portofolio masa depan, di mana diversifikasi terbukti mampu mereduksi volatilitas portofolio seiring dengan peningkatan jumlah aset (????), yaitu dari 0.02951 pada portofolio dengan 2 aset (???? = 2) menjadi 0.01532 pada portofolio dengan 10 aset (???? = 10). Penelitian ini diharapkan dapat memberikan kontribusi dalam membangun model prediksi berbasis LSTM dan BiLSTM yang mampu meningkatkan akurasi dalam kondisi pasar yang fluktuatif pasca-pandemi.