<![CDATA[Forecasting harga saham merupakan tantangan yang kompleks karena sifat pergerakan data yang fluktuatif dan tidak linear, terutama pada saham indeks LQ45. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Random Forest Regression dan Support Vector Regression dalam meramalkan harga penutupan saham BBRI, TLKM, dan ANTM. Pemodelan dilakukan menggunakan data historis periode 1 Januari 2020 hingga 30 april 2026, dengan memanfaatkan ekstraksi fitur lag 1 sampai 5 dan Moving Average MA5, MA10. Evaluasi kinerja model dilakukan dalam dua skenario, yaitu parameter default dan tuning parameter secara manual, serta diukur menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa Support Vector Regression memiliki kinerja dan ketangguhan (robust) yang lebih unggul dibandingkan Random Forest Regression. Proses optimasi menunjukkan bahwa kernel linear terbukti menjadi yang terbaik untuk Support Vector Regression dalam peramalan harga saham karena konsisten menghasilkan tingkat kesalahan minimum. Support Vector Regression dengan kernel linear mencapai nilai evaluasi MAE 50,25; RMSE 66,07; dan MAPE 1,36% pada saham BBRI, serta MAE 65,44; RMSE 89,25; dan MAPE 1,92% pada saham TLKM. Keunggulan Support Vector Regression terlihat sangat signifikan pada saham ANTM yang memiliki volatilitas tinggi, di mana Support Vector Regression sukses menekan kesalahan hingga MAPE 2,65%, sedangkan Random Forest Regression gagal mengekstrapolasi tren lonjakan harga. Dengan demikian, Support Vector Regression berkonfigurasi kernel linear dinobatkan sebagai model peramalan yang paling direkomendasikan karena akurat dan stabil dalam merespons fluktuasi pasar modal.]]>
Copyrights © 2026
