PREDIKSI HARGA SAHAM DI BURSA EFEK INDONESIA MENGGUNAKAN ALGORITMA RANDOM FOREST DAN LIGHTGBM

Abstract

Pasar modal di Indonesia itu sangat dinamis dan kompleks, jadi untuk memprediksi harga saham, butuh pendekatan analitis yang bisa menangkap pola non-linear dan variabilitas tinggi. Dengan perkembangan machine learning, ada peluang besar untuk meningkatkan akurasi prediksi lewat algoritma canggih. Penelitian saya ini bertujuan menganalisis dan membandingkan performa dua algoritma ensemble learning, yakni Random Forest dan Light Gradient Boosting Machine (LightGBM), dalam memprediksi harga saham berdasarkan variabel fundamental perusahaan seperti kapitalisasi pasar, jumlah saham beredar, sektor industri, dan papan pencatatan. Data sekunder yang saya gunakan berasal dari dataset saham Bursa Efek Indonesia (BEI) dengan total 829 entri dan 14 atribut, yang kemudian saya proses melalui pembersihan data, encoding variabel kategorikal, normalisasi fitur, pembagian data (80% pelatihan, 20% pengujian), serta pemodelan menggunakan kedua algoritma yaitu. Random Forest dengan nilai RMSE sebesar 2949.262580, MAE 1675.096152, dan R² -2.122673, yang artinya model ini masih perlu perbaikan tapi relatif lebih stabil ketimbang LightGBM. Sedangkan LightGBM mendapat RMSE 2293.665978, MAE 1628.837321dan R² -0.888687, Dari analisis feature importance, ternyata Shares, ListingBoard, dan Sector adalah fitur paling berpengaruh terhadap prediksi harga saham, sesuai dengan teori valuasi aset yang menekankan peran karakteristik perusahaan dalam menentukan nilai pasar. Penelitian ini membuktikan bahwa metode machine learning, terutama Random Forest, bisa jadi pendekatan prediktif yang berguna buat investor dan analis pasar modal di Indonesia. Temuan ini berkontribusi dalam pengembangan sistem pendukung keputusan investasi berbasis data. Meski begitu, ada keterbatasan, seperti tidak memasukkan variabel makroekonomi dan tidak menggunakan data time series. Untuk penelitian selanjutnya, saya sarankan untuk mengintegrasikan variabel eksternal, menerapkan teknik validasi silang, dan mengeksplorasi algoritma lain seperti XGBoost, CatBoost, atau model deep learning.