Pengembangan Model Hybrid Stacking LSTM-XGBoost untuk Meningkatkan Akurasi Prediksi pada Saham dengan Volatilitas Ekstrem (Studi Kasus: Emiten Grup Bakrie)

Nohan Abbrarsyah, Adelio (2026) Pengembangan Model Hybrid Stacking LSTM-XGBoost untuk Meningkatkan Akurasi Prediksi pada Saham dengan Volatilitas Ekstrem (Studi Kasus: Emiten Grup Bakrie). Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (578kB)
	PDF BAB_I.pdf Download (198kB)
	PDF BAB_II.pdf Download (692kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (454kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (170kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (150kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (929kB)
	Archive (ZIP) 00000073372_2521_LembarPengesahan.pdf Restricted to Registered users only Download (26kB)

Abstract

Pergerakan harga saham dengan volatilitas tinggi memiliki pola yang dinamis, non-linear, dan sulit diprediksi menggunakan metode konvensional. Kondisi tersebut mendorong pemanfaatan metode machine learning dan deep learning untuk meningkatkan kemampuan prediksi harga saham. Penelitian ini bertujuan untuk mengembangkan model Hybrid Stacking LSTM- XGBoost untuk prediksi harga saham pada emiten Grup Bakrie, khususnya saham BUMI dan DEWA yang memiliki karakteristik volatilitas ekstrem. Data yang digunakan merupakan data historis saham harian dengan periode maksimum sesuai ketersediaan data pada Yahoo Finance, yaitu BUMI dari 7 Juni 2001 sampai 1 Juli 2026 dan DEWA dari 26 September 2007 sampai 1 Juli 2026. Proses feature engineering dilakukan dengan menambahkan indikator teknikal Simple Moving Average (SMA), Relative Strength Index (RSI), dan Bollinger Bands. Model Long Short-Term Memory (LSTM) digunakan untuk mempelajari pola temporal data time series, sedangkan XGBoost digunakan sebagai model pembanding sekaligus meta-learner dalam arsitektur stacking. Evaluasi model dilakukan menggunakan metrik MAE, RMSE, MAPE, dan Directional Accuracy. Hasil penelitian menunjukkan bahwa model Hybrid Stacking LSTM-XGBoost memperoleh performa terbaik pada saham BUMI berdasarkan metrik error dengan MAE sebesar 4.5866, RMSE sebesar 7.2222, dan MAPE sebesar 3.7951. Pada pengujian tambahan saham DEWA, model XGBoost memperoleh performa terbaik berdasarkan metrik error dengan MAE sebesar 10.8108, RMSE sebesar 21.9761, dan MAPE sebesar 4.2074. Selain itu, penelitian ini mengimplementasikan dashboard visualisasi interaktif berbasis Streamlit untuk mendukung analisis hasil prediksi secara lebih informatif.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Nohan Abbrarsyah, Adelio (00000073372)
Contributors:	Sony Eko Nugroho, Antonius (0314058005)
Keywords:	deep learning, hybrid stacking, LSTM, prediksi harga saham, XGBoost
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	04 Aug 2026 11:58
URI:	https://kc.umn.ac.id/id/eprint/49270

Actions (login required)

View Item