Peramalan Harga Saham Menggunakan Model Machine Learning dan Deep Learning: Tinjauan Sistematis, Analisis Kinerja, dan Pembahasan Implikasinya

Sektor keuangan sangat memengaruhi kesejahteraan moneter konsumen, trader, dan lembaga keuangan. Pada era saat ini, artificial intelligence mendefinisikan ulang batas pasar keuangan berdasarkan algoritma machine learning dan deep learning terkini. Teknik-teknik ini digunakan secara luas dalam prediksi harga instrumen keuangan, analisis tren pasar, penetapan peluang investasi, optimasi portofolio, dan lain-lain. Investor dan trader menggunakan model machine learning dan deep learning untuk meramalkan pergerakan instrumen keuangan. Dengan adopsi AI yang meluas di bidang keuangan, penting untuk merangkum model machine learning dan deep learning terkini, yang memotivasi kami menyajikan tinjauan komprehensif ini tentang aplikasi praktis machine learning di industri keuangan. Artikel ini mengkaji algoritma seperti algoritma machine learning supervised dan unsupervised, algoritma ensemble, algoritma analisis time series, dan algoritma deep learning untuk prediksi harga saham serta penyelesaian masalah klasifikasi. Kontribusi artikel tinjauan ini adalah sebagai berikut: (a) menyediakan deskripsi model machine learning dan deep learning yang digunakan di sektor keuangan; (b) menyediakan kerangka generik untuk prediksi dan klasifikasi harga saham; dan (c) mengimplementasikan model ensemble—"Random Forest + XG-Boost + LSTM"—untuk meramalkan harga saham TAINIWALCHM dan AGROPHOS serta melakukan analisis komparatif dengan model machine learning dan deep learning yang populer.

Tinjauan ini secara sistematis mengategorikan model machine learning dan deep learning yang diterapkan di bidang keuangan. Cakupannya meliputi supervised learning (misalnya regresi linear, support vector machines, decision trees), unsupervised learning (misalnya clustering, reduksi dimensi), metode ensemble (misalnya Random Forest, XG-Boost, AdaBoost), analisis time series (misalnya ARIMA, GARCH), dan arsitektur deep learning (misalnya LSTM, CNN, RNN). Sebuah kerangka generik untuk prediksi dan klasifikasi harga saham diusulkan, yang menguraikan langkah-langkah dari akuisisi data hingga evaluasi model. Untuk analisis empiris, penulis mengimplementasikan model ensemble yang menggabungkan Random Forest, XG-Boost, dan LSTM. Dataset terdiri atas harga saham historis TAINIWALCHM dan AGROPHOS. Metrik kinerja meliputi Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan akurasi untuk tugas klasifikasi. Model ensemble dibandingkan dengan model individual dan algoritma populer lainnya. Metodologi ini menekankan prapemrosesan data, rekayasa fitur, dan penyetelan hyperparameter. Kerangka ini dirancang agar dapat diadaptasi untuk berbagai instrumen keuangan dan kondisi pasar.