Tantangan
Memprediksi Harga Saham
Harga
saham dikenal sulit diprediksi karena dipengaruhi banyak faktor, mulai dari
kondisi ekonomi, sentimen pasar, hingga faktor eksternal seperti krisis global
dan pandemi. Pergerakan harga juga bersifat tidak linear dan sangat dinamis,
sehingga metode statistik konvensional sering kali tidak cukup responsif.
Salah
satu model yang banyak digunakan adalah GRU, varian dari recurrent neural
network yang dirancang untuk mengatasi kelemahan model lama. Menurut
Nurmarendra dan tim, GRU memiliki keunggulan karena mampu menyimpan informasi
penting dari data masa lalu tanpa kehilangan konteks waktu.
Cara
Penelitian Dilakukan
Penelitian
ini menggunakan data historis harga penutupan saham PT Bank Syariah Indonesia
Tbk yang diambil dari situs keuangan publik. Data tersebut kemudian dibagi
menjadi dua bagian: 80 persen sebagai data pelatihan dan 20 persen
sebagai data pengujian.
Sebelum
dianalisis, data dinormalisasi agar berada dalam rentang yang seragam. Langkah
ini penting untuk memastikan model dapat belajar secara stabil dan tidak bias
terhadap nilai ekstrem.
Para peneliti kemudian membangun tiga model GRU berbeda:
- Model dasar (baseline)
- Model dengan 4 lapisan GRU
- Model dengan 5 lapisan GRU
Ketiganya
diuji menggunakan parameter yang sama agar hasilnya bisa dibandingkan secara
adil. Performa model diukur menggunakan beberapa indikator kesalahan prediksi
yang umum dipakai di dunia keuangan.
Model
Sederhana Justru Paling Akurat
Hasilnya
cukup menarik. Model baseline GRU justru menghasilkan tingkat kesalahan
paling rendah dibandingkan dua model yang lebih kompleks.
Model ini mencatat:
- Mean Squared Error (MSE): 5.601,44.
- Mean Absolute Error (MAE): 54,06.
- Root Mean Squared Error (RMSE): 74,84.
- Mean Absolute Percentage Error (MAPE): 1,90%.
Sebaliknya,
model dengan 4 dan 5 lapisan GRU menunjukkan tingkat kesalahan yang lebih
tinggi. Penambahan lapisan ternyata tidak otomatis meningkatkan akurasi, bahkan
cenderung membuat model kurang efisien dalam konteks data saham BSI.
“Model
GRU dasar mampu menangkap pola pergerakan harga saham secara efektif tanpa
perlu arsitektur yang terlalu kompleks,” tulis Nurmarendra dan kolega dalam
laporannya.
Dampak
bagi Investor dan Dunia Keuangan
Temuan
ini memberi manfaat praktis bagi berbagai pihak. Bagi investor, model berbasis
GRU dapat menjadi alat pendukung pengambilan keputusan yang lebih
rasional dan berbasis data. Bagi lembaga keuangan, pendekatan ini membuka
peluang pengembangan sistem analitik internal untuk membaca tren pasar secara
real time.
Di
sisi akademik, penelitian ini memperkaya literatur tentang penerapan deep
learning pada saham perbankan syariah, sektor yang masih relatif minim
dieksplorasi dibandingkan saham konvensional.
Penelitian
ini juga menunjukkan bahwa teknologi canggih tidak selalu harus rumit. Dalam
beberapa kasus, model yang lebih sederhana justru lebih efektif dan efisien.
Profil Penulis
Muhammad Nurmarendra, S.Kom.
Dosen dan peneliti di
Universitas Terbuka Medan,
Keahlian di bidang machine learning,
analitik data, dan sistem cerdas.
Anik, S.Kom.,
M.Kom.
Akademisi Universitas
Terbuka Medan
Keahlian: pengolahan data dan kecerdasan buatan.
Yasir Riady, S.T.,
M.T. Universitas Terbuka Medan.
Keahlian: teknologi informasi dan komputasi cerdas,
Sumber Penelitian
){kind=link}
0 Komentar