<![CDATA[Prediksi harga saham merupakan tantangan dalam analisis keuangan yang memerlukan metode yang akurat dan andal. Penelitian ini membandingkan kinerja algoritma XGBoost dan Long Short-Term Memory (LSTM) dalam memprediksi harga saham Tesla menggunakan data tahun 2025. XGBoost, sebagai model berbasis pohon keputusan yang dioptimalkan, dikenal dengan kecepatan dan interpretabilitasnya, sedangkan LSTM, sebagai bagian dari jaringan saraf tiruan, memiliki kemampuan menangkap pola temporal yang kompleks dalam data time series. Ketidakstabilan pasar saham menjadikan prediksi harga saham sebagai aspek krusial dalam pengambilan keputusan investasi, khususnya bagi perusahaan-perusahaan teknologi seperti Tesla yang pergerakan harganya sangat fluktuatif. Oleh karena itu, penelitian ini bertujuan untuk membandingkan efektivitas dua pendekatan prediksi yang populer—XGBoost dan Long Short-Term Memory (LSTM)—dalam memprediksi harga saham Tesla menggunakan data historis selama satu dekade terakhir. XGBoost, algoritma berbasis pohon keputusan, unggul dalam kecepatan komputasi dan interpretabilitas, sementara LSTM, jaringan saraf berulang, dirancang untuk mengenali pola temporal jangka panjang dalam data deret waktu. Penelitian ini menerapkan preprocessing termasuk normalisasi, splitting time series, dan pembentukan sliding window untuk LSTM, serta mengevaluasi performa kedua model menggunakan metrik RMSE, MAE, dan koefisien determinasi (R²). Hasil menunjukkan bahwa LSTM secara konsisten menghasilkan prediksi yang lebih akurat dalam menangkap tren dan fluktuasi harga saham, sedangkan XGBoost lebih efisien dalam hal waktu pelatihan dan kemudahan interpretasi hasil. Temuan ini memberikan kontribusi terhadap literatur prediksi finansial dengan menunjukkan bahwa pemilihan model harus disesuaikan dengan tujuan analisis—baik untuk presisi jangka panjang maupun efisiensi operasional—serta membuka peluang pengembangan hibridisasi model untuk pengambilan keputusan investasi yang lebih cerdas.]]>
Copyrights © 2025
