| NIM | K1B021050 |
|---|
| Namamhs | FINEKE SUCININGTYAS |
|---|
| Judul Artikel | PENERAPAN MACHINE LEARNING EXTREME GRADIEN BOOSTING UNTUK PREDIKSI HARGA SAHAM PT TELEKOMUNIKASI INDONESIA (PERSERO) TBK
|
|---|
| Abstrak (Bhs. Indonesia) | Pasar modal memiliki peran penting dalam perekonomian nasional dan menunjukkan peningkatan partisipasi masyarakat dalam beberapa tahun terakhir. Peningkatan aktivitas investasi tersebut diikuti oleh kebutuhan terhadap metode prediksi harga saham yang mampu menangkap pola pasar yang kompleks dan non-linear. Penelitian ini bertujuan menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk memprediksi harga penutupan saham PT Telekomunikasi Indonesia (Persero) Tbk (TLKM) dengan membandingkan model berbasis data historis dan model yang mengintegrasikan variabel makroekonomi. Data penelitian terdiri atas 2.465 observasi periode 2016 sampai 2025. Variabel yang digunakan meliputi harga open, high, low, close, volume perdagangan, inflasi, kurs rupiah, dan suku bunga. Feature engineering dilakukan dengan membentuk fitur lag dan fitur temporal. Pembagian data dilakukan secara kronologis dengan beberapa skenario, sedangkan optimasi hyperparameter menggunakan Grid Search. Hasil menunjukkan bahwa rasio training dan testing 70%:30% menghasilkan MAPE terendah, yaitu 0,68% pada model tanpa variabel makroekonomi dan 0,72% pada model dengan variabel makroekonomi. Kedua model menunjukkan performa prediksi yang sangat baik. Pada periode prediksi 2026, model historis menghasilkan pergerakan yang lebih dinamis, sedangkan model dengan variabel makroekonomi menghasilkan prediksi yang lebih stabil dengan rentang fluktuasi yang lebih sempit. Hasil ini menunjukkan bahwa integrasi variabel makroekonomi memengaruhi karakteristik prediksi, tetapi tidak menghasilkan peningkatan akurasi berdasarkan MAPE. |
|---|
| Abtrak (Bhs. Inggris) | The capital market plays an important role in the national economy and has experienced substantial growth in investor participation in recent years. This growth has increased the need for accurate stock price prediction methods capable of capturing complex and nonlinear market patterns. This study aims to apply the Extreme Gradient Boosting (XGBoost) algorithm to predict the closing price of PT Telekomunikasi Indonesia (Persero) Tbk (TLKM) by comparing a model based on historical stock data with a model incorporating macroeconomic variables. The dataset consists of 2,465 observations covering the period from 2016 to 2025. The variables include opening price, highest price, lowest price, closing price, trading volume, inflation, the rupiah exchange rate, and interest rate. Feature engineering was performed by generating lag and temporal features. The data were divided chronologically using several training and testing ratios, while Grid Search was employed to optimize the model hyperparameters. The results show that a 70% training and 30% testing ratio produced the lowest Mean Absolute Percentage Error (MAPE), with values of 0.68% for the model without macroeconomic variables and 0.72% for the model incorporating macroeconomic variables. Both models demonstrated very good predictive performance. For the 2026 prediction period, the historical-data model produced relatively more dynamic movements, whereas the model incorporating macroeconomic variables generated more stable predictions with a narrower fluctuation range. These findings indicate that the inclusion of macroeconomic variables affects the characteristics of the predictions but does not improve predictive accuracy based on the MAPE value. |
|---|
| Kata kunci | stock price, TLKM, XGBoost, machine learning, macroeconomic variables, MAPE |
|---|
| Pembimbing 1 | Noor Sofiyati, S.Si., M.Sc. |
|---|
| Pembimbing 2 | Lilik Muzdalifah, S.Pd., M.Si. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2026 |
|---|
| Jumlah Halaman | 12 |
|---|
| Tgl. Entri | 2026-08-20 14:08:40.142705 |
|---|