<![CDATA[Pergerakan harga saham pada perdagangan intraday memiliki karakteristik yang dinamis sehingga memerlukan model prediksi yang mampu memanfaatkan informasi harga dan aktivitas transaksi secara efektif. Penelitian ini bertujuan menganalisis kemampuan model Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) dalam memprediksi harga penutupan (future close) saham PT Bumi Resources Tbk (BUMI) menggunakan data OHLCV berinterval 15 detik, serta mengevaluasi pengaruh penambahan fitur yang diekstraksi dari data running trade terhadap performa model. Data penelitian menggunakan transaksi saham BUMI periode Maret hingga Mei 2026. Tahapan penelitian meliputi pembentukan data OHLCV, feature engineering berupa log return, high-low spread, dan volume imbalance, normalisasi menggunakan MinMaxScaler, pembentukan sekuens dengan teknik windowing, serta pelatihan model CNN-LSTM menggunakan metode Walk-Forward Validation. Evaluasi dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan Coefficient of Determination (R²). Hasil pengujian menunjukkan bahwa model CNN-LSTM menggunakan fitur OHLCV memperoleh rata-rata MAE sebesar 2,3006, RMSE sebesar 2,9765, MAPE sebesar 1,1874%, dan R² sebesar 0,9736. Penambahan fitur running trade meningkatkan performa model dengan menghasilkan MAE sebesar 1,0639, RMSE sebesar 1,2952, MAPE sebesar 0,4979%, dan R² sebesar 0,9921. Hasil tersebut menunjukkan bahwa informasi mikrostruktur pasar dari data running trade mampu meningkatkan akurasi prediksi harga penutupan saham intraday.]]>
Copyrights © 2026
