<![CDATA[Prediksi harga saham harian umumnya menghasilkan satu nilai titik sehingga tidak menggambarkan ketidakpastian pergerakan harga, padahal pelaku pasar membutuhkan gambaran rentang untuk mengelola risiko. Penelitian ini bertujuan membandingkan kinerja XGBoost dan Long Short-Term Memory (LSTM) dalam memprediksi titik tengah serta rentang harga penutupan harian saham BBRI, ASII, dan ANTM. Data historis 2020 sampai 2025 dibentuk menjadi empat belas fitur relatif, lalu dibagi secara kronologis menjadi data training, validation, dan testing agar informasi masa depan tidak bocor ke dalam proses pelatihan. Ketiga kuantil, yaitu kuantil bawah, tengah, dan atas, dipelajari secara terpisah melalui pendekatan regresi kuantil. Evaluasi dilakukan dengan akar galat kuadrat rata-rata, galat persentase absolut rata-rata, koefisien determinasi, ketepatan arah, cakupan rentang, lebar rentang rata-rata, interval score, waktu komputasi, dan ukuran model. Ketahanan model juga diuji pada kondisi bullish, bearish, dan sideways, kemudian diverifikasi melalui forward test 121 hari perdagangan tahun 2026 tanpa pelatihan ulang. Pada historical test, XGBoost memberikan RMSE terendah untuk seluruh saham dan unggul pada tujuh dari sembilan kombinasi kondisi pasar. Pada forward test, XGBoost tetap unggul untuk BBRI dan ASII, sedangkan LSTM sedikit lebih baik untuk ANTM serta menghasilkan coverage lebih tinggi pada ketiga saham. Hasil ini menunjukkan bahwa XGBoost lebih konsisten untuk prediksi titik, sementara LSTM lebih baik dalam mencakup harga aktual pada rentang prediksi forward.]]>
Copyrights © 2026
