<![CDATA[Volatilitas saham bank BUMN berdampak signifikan terhadap stabilitas ekonomi Indonesia dan keputusan investor. Prediksi harga saham yang akurat dapat membantu investor dan pemangku kepentingan dalam membuat keputusan yang lebih baik. Penelitian sebelumnya menggunakan Support Vector Regression (SVR) untuk prediksi saham Bank BRI menghasilkan MAPE sebesar 4,61%, menunjukkan ruang untuk pengembangan metode yang lebih akurat. Penelitian ini bertujuan membandingkan efektivitas pendekatan probabilistik non-parametrik yaitu Gaussian Process Regression (GPR) dengan berbagai kernel terhadap pendekatan deep learning sequential yaitu Long Short-Term Memory (LSTM) dalam memprediksi harga saham tiga bank BUMN (BMRI, BBRI, BBNI). Perbandingan kedua pendekatan ini penting untuk mengevaluasi keunggulan masing-masing metode dalam konteks prediksi finansial yang kompleks. Penelitian ini menggunakan data historis harga saham dari September 2018 hingga September 2024. Data dibagi menjadi 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Model GPR diimplementasikan dengan empat kernel (RBF, Matern, Rational Quadratic, dan Linear), sementara LSTM diimplementasikan dengan empat variasi (LSTM_50, LSTM_100, LSTM_50_higher_dropout, dan LSTM_stacked). Hasil menunjukkan bahwa model GPR dengan kernel Matern memberikan kinerja terbaik untuk ketiga saham bank dengan nilai RMSE terendah (BMRI: 88,34, BBRI: 73,94, BBNI: 70,38) dan skor R² tertinggi (BMRI: 0,92, BBRI: 0,90, BBNI: 0,96). Sementara itu, model LSTM terbaik menunjukkan kinerja lebih rendah dengan RMSE untuk BMRI: 116,80, BBRI: 111,67, dan BBNI: 94,46. Secara keseluruhan GPR dengan Kernel Matern mengungguli LSTM dalam memprediksi harga saham bank BUMN, memberikan landasan kuat untuk pengembangan sistem pendukung keputusan investasi di masa depan. Abstract Accurate stock price prediction can assist investors and stakeholders in making better decisions. Previous research using Support Vector Regression (SVR) for Bank BRI stock prediction achieved a MAPE of 4.61%, indicating room for developing more accurate methods. This study aims to compare the effectiveness of a non-parametric probabilistic approach, namely Gaussian Process Regression (GPR) with various kernels, against a sequential deep learning approach, namely Long Short-Term Memory (LSTM), in predicting stock prices of three state-owned banks (BMRI, BBRI, BBNI). The comparison of these two approaches is important for evaluating the advantages of each method in the context of complex financial prediction. This study uses historical stock price data from September 2018 to September 2024. The data is divided into 80% for training, 10% for validation, and 10% for testing. The GPR model is implemented with four kernels (RBF, Matern, Rational Quadratic, and Linear), while LSTM is implemented with four variations (LSTM_50, LSTM_100, LSTM_50_higher_dropout, and LSTM_stacked). Results show that the GPR model with Matern kernel provides the best performance for all three bank stocks with the lowest RMSE values (BMRI: 88.34, BBRI: 73.94, BBNI: 70.38) and highest R² scores (BMRI: 0.9254, BBRI: 0.9089, BBNI: 0.9685). Meanwhile, the best LSTM models show lower performance with RMSE for BMRI: 116.80, BBRI: 111.67, and BBNI: 94.46. In conclusion, GPR with Matern Kernel outperforms LSTM in predicting state-owned bank stock prices, providing a strong foundation for developing investment decision support systems in the future.]]>
