<![CDATA[Prediksi Indeks Harga Saham Gabungan (IHSG) merupakan tantangan penting bagi investor dan analis di pasar modal Indonesia. Berbagai arsitektur deep learning telah dikembangkan untuk peramalan deret waktu finansial, namun studi komparatif komprehensif pada konteks IHSG masih terbatas, khususnya yang membandingkan lima arsitektur utama dengan hyperparameter tuning sistematis dan validasi statistik. Penelitian ini bertujuan membandingkan performa LSTM, GRU, BiLSTM, CNN-LSTM, dan Transformer untuk prediksi return harian dan arah pergerakan IHSG. Data historis IHSG periode 2015–2025 diperoleh dari Yahoo Finance dengan 32 fitur teknikal stasioner. Setiap model dituning menggunakan Optuna dengan 25 trial, dan performa divalidasi menggunakan Diebold-Mariano test. Hasil menunjukkan LSTM Tuned mencapai performa deep learning terbaik dengan RMSE 0,01109 dan MDA 55,83%, sementara Lasso Regression sebagai baseline mencapai RMSE 0,01094 dan MDA 56,67%. Uji Diebold-Mariano mengonfirmasi bahwa perbedaan Lasso dan LSTM Tuned tidak signifikan secara statistik (p=0,356), sedangkan LSTM secara signifikan mengungguli Transformer (p=0,047). Temuan ini menunjukkan bahwa LSTM Tuned mampu mencapai performa yang setara secara statistik dengan baseline linear regularized terbaik pada prediksi return IHSG. Penelitian menyediakan empirical benchmark yang berguna bagi peneliti dan praktisi pasar modal Indonesia]]>
Copyrights © 2025
