<![CDATA[Penelitian ini bertujuan untuk meningkatkan akurasi prediksi return harian saham perbankan Indonesia melalui penerapan metode seleksi fitur berbasis metaheuristik QIMA (Quantum-Inspired Multi-Objective Algorithm) pada model LightGBM. Permasalahan utama yang diangkat meliputi tingginya multikolinearitas antar-fitur teknikal, rendahnya validitas prediksi model baseline, serta mahalnya biaya komputasi saat menggunakan fitur penuh. Penelitian ini menggunakan 38 indikator teknikal yang kemudian direduksi menggunakan QIMA untuk memperoleh subset fitur optimal yang memaksimalkan akurasi sekaligus meminimalkan kompleksitas model. Hasil eksperimen menunjukkan bahwa model baseline mengalami overfitting dengan nilai R² negatif pada sebagian besar saham. Penerapan QIMA berhasil memperbaiki kinerja model menjadi positif pada BBCA (0,0006) dan BBNI (0,0173), serta menstabilkan performa BBRI dan BMRI. Selain itu, jumlah fitur berhasil direduksi sebesar 68,42% dengan waktu pelatihan yang lebih cepat hingga 6–7 kali lipat. Analisis fitur terpilih mengungkap bahwa volatilitas jangka pendek, return berbasis momentum, serta lag harga dan volume merupakan indikator yang paling relevan dalam memengaruhi pergerakan harga saham jangka pendek. Secara keseluruhan, studi ini membuktikan bahwa QIMA mampu meningkatkan validitas prediksi, efisiensi komputasi, dan interpretabilitas model dalam konteks pasar saham Indonesia.]]>
Copyrights © 2026
