Prediksi Pergerakan Harga Saham Berbasis Rasio Keuangan Menggunakan Metode Artificial Neural Network (ANN)
Abstract
Prediksi pergerakan harga saham merupakan
tantangan di dunia investasi karena sifatnya fluktuatif dan
dipengaruhi berbagai faktor. Penelitian ini menggunakan Artificial
Neural Network (ANN) untuk memprediksi pergerakan harga saham
mingguan pada 19 perusahaan indeks LQ45. Data mencakup harga
penutupan mingguan (Close) dan enam indikator rasio keuangan:
EPS, ROA, ROE, P/B Value, P/E Ratio, dan DER. Pergerakan harga
saham diklasifikasikan menjadi 1 (naik), 0 (stagnan), dan -1 (turun),
berdasarkan tiga threshold perubahan harga (1%, 2%, 3%).
Penelitian ini menerapkan Principal Component Analysis (PCA)
untuk mengurangi noise dan meningkatkan performa model. Hasil
menunjukkan threshold optimal adalah 2%, dengan akurasi dan F1-
Score yang lebih baik. Model berbasis data historis menunjukkan
performa terbaik dalam memprediksi pergerakan harga saham,
dengan rata-rata akurasi mencapai 0,92. Sebaliknya, model yang
mengintegrasikan rasio keuangan tanpa PCA memiliki akurasi lebih
rendah sebesar 0,5 hingga 0,7. Hal ini menunjukkan rasio keuangan
memiliki korelasi rendah terhadap pergerakan harga saham dalam
jangka pendek. Penerapan PCA pada data historis dan rasio
keuangan meningkatkan akurasi hingga setara dengan model
berbasis data historis saja. Uji statistik menunjukkan bahwa tidak
terdapat perbedaan signifikan dalam akurasi dan varians antara
model berbasis data historis dan model kombinasi dengan PCA.
Kata kunci— prediksi pergerakan harga saham, artificial neural
network, data historis, rasio keuangan, threshold, PCA.
References
M. Ali, D. M. Khan, M. Aamir, A. Ali, and Z. Ahmad,
"Predicting the direction movement of financial time series
using artificial neural network and support vector machine,"
Complexity, vol. 2021, pp. 1–13, 2021. [2] S. Patalay and M. R. Bandlamudi, "Stock price prediction
and portfolio selection using artificial intelligence," Asia
Pacific Journal of Information Systems, vol. 30, no. 1, pp. 31–
, 2020.
S. Schmidgall, R. Ziaei, J. Achterberg, L. Kirsch, S. P.
Hajiseyedrazi, and J. K. Eshraghian,
in artificial neural networks: A review,= APL Machine
Learning, vol. 2, no. 2, May 2024, doi: 10.1063/5.0186054.
A. Rose, "How do Artificial Neural Networks Work,"
Journal of Advances in Science and Technology, vol. 20, no.
, pp. 172–177, 2024, doi: 10.29070/ttrkmm98.
P. Chhajer, M. Shah, and A. Kshirsagar, "The applications
of artificial neural networks, support vector machines, and
long short-term memory for stock market prediction,"
Decision Analytics Journal, vol. 2, p. 100015, 2022. DOI:
1016/j.dajour.2021.100015.
A. T. Oyewole, O. B. Adeoye, W. A. Addy, C. C. Okoye,
O. C. Ofodile, and C. E. Ugochukwu, "Predicting stock
market movements using neural networks: A review and
application study," Computer Science & IT Research Journal,
vol. 5, no. 3, pp. 651–670, 2024.
N. Ayyildiz and O. Iskenderoglu, "How effective is
machine learning in stock market predictions?," Heliyon, vol.
, no. 2, 2024.
A. R. Marakhimov and K. Khudaybergenov, "A Fuzzy
MLP Approach for Nonlinear System Identification," Journal
of Mathematical Sciences, vol. 265, no. 1, pp. 43–51, 2022,
doi: 10.1007/s10958-022-06043-z.
X. Zhou, W. Zhang, Z. Chen, S. Diao, and T. Zhang,
"Efficient Neural Network Training via Forward and
Backward Propagation Sparsification," arXiv: Learning,
V. Andreieva and N. Shvai, "Generalization of crossentropy loss function for image classification," Journal of
Computer Vision Applications, vol. 3, pp. 3–10, 2021, doi:
18523/2617-7080320203-10.
J. Elis, M. P. B. Kellen, and G. S. Tefa, "Pengaruh
Kinerja Keuangan Terhadap Return Saham Pada Perusahaan
Manufaktur Sektor Aneka Industri Yang Terdaftar di Bursa
Efek Indonesia Periode Tahun 2018–2022," Menawan, vol.
, no. 5, pp. 122–142, 2024, doi:
61132/menawan.v2i5.809.
