Penerapan Pemodelan Konvensional dan Deep Learning pada Data Saham dengan Pencilan

Abstrak

Saham Apple Inc. (AAPL), salah satu perusahaan teknologi terkemuka, menjadi salah satu perhatian investor karena terus mengalami peningkatan jumlah pengguna setiap tahun. Oleh karena itu, peramalan harga saham Apple penting untuk membantu investor memitigasi risiko dan mengoptimalkan keputusan investasi. Peramalan ini dapat dilakukan menggunakan dua pendekatan utama, yaitu pendekatan konvensional seperti autoregressive integrated moving average (ARIMA) dan pendekatan berbasis deep learning seperti long short-term memory network (LSTM). Penelitian ini bertujuan untuk menemukan model terbaik menggunakan kedua metode tersebut, serta membandingkan akurasi model berdasarkan dataset dengan pencilan dan dataset pencilan tertangani. Dataset yang dianalisis dalam penelitian ini berasal dari data harga penutupan saham AAPL mingguan selama 500 periode, dari 26 Januari 2015 hingga 19 Agustus 2024 yang diperoleh dari Yahoo Finance. Penelitian ini memperoleh model ARIMA(1,1,1) sebagai model terbaik untuk kedua dataset, dengan dataset pencilan tertangani menghasilkan MAPE uji lebih baik, sedangkan dataset dengan pencilan memiliki MAPE latih lebih baik. Metode LSTM menghasilkan nilai MAPE yang lebih kecil dibandingkan ARIMA, menunjukkan keunggulannya dalam menangkap pola fluktuatif data saham AAPL. Penanganan pencilan terbukti meningkatkan akurasi model, sebagaimana terlihat pada dataset pencilan tertangani. Penelitian ini memberikan wawasan mengenai efektivitas metode statistik dan deep learning dalam memodelkan harga saham, serta menekankan pentingnya penanganan pencilan dalam analisis data keuangan.