<![CDATA[Penerapan algoritma Machine Learning dalam prediksi saham telah berkembang pesat, namun literatur yang ada umumnya berfokus pada saham berkapitalisasi besar (Blue Chip) dengan tren yang relatif stabil. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma XGBoost pada objek penelitian dengan karakteristik berbeda, yaitu saham teknologi (GOTO) yang memiliki volatilitas tinggi dan data historis terbatas pasca-IPO. Penelitian ini berupaya menjawab tantangan overfitting yang sering terjadi pada data fluktuatif melalui pendekatan optimasi model. Metodologi penelitian melibatkan pra-pemrosesan data dengan penambahan indikator teknikal (RSI, MACD, MA) serta dekomposisi fitur waktu. Proses pemodelan dilakukan secara komparatif antara parameter default dan parameter hasil optimasi menggunakan Grid Search CV. Hasil pengujian menunjukkan perbedaan performa yang signifikan, di mana model dengan parameter standar menghasilkan tingkat kesalahan (MAPE) sebesar 36,419%. Namun, setelah dilakukan penyesuaian hyperparameter (Learning rate: 0.2, Max Depth: 3, n_Estimators: 200), akurasi model meningkat drastis dengan penurunan MAPE menjadi 1,957%, MAE 1,215, dan RMSE 1,505. Berdasarkan hasil tersebut, disimpulkan bahwa XGBoost memiliki kapabilitas yang tangguh (robust) dalam memprediksi saham bervolatilitas tinggi, dengan catatan bahwa penerapan Hyperparameter Tuning merupakan langkah krusial untuk memastikan model dapat menangkap pola tren secara akurat di tengah fluktuasi pasar.]]>
