Perbandingan Kinerja Random Forest Regression dan Support Vector Regression dalam Forecasting Harga Saham Indeks LQ45

Githa Alfiansyah; Neny Sulistianingsih; I Nyoman Switrayana

doi:10.31004/riggs.v5i2.10759

Authors

Githa Alfiansyah Universitas Bumigora
Neny Sulistianingsih Universitas Bumigora
I Nyoman Switrayana Universitas Bumigora

DOI:

https://doi.org/10.31004/riggs.v5i2.10759

Keywords:

Random Forest Regression, Support Vector Regression, Forecasting, LQ45

Abstract

Forecasting harga saham merupakan tantangan yang kompleks karena sifat pergerakan data yang fluktuatif dan tidak linear, terutama pada saham indeks LQ45. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Random Forest Regression dan Support Vector Regression dalam meramalkan harga penutupan saham BBRI, TLKM, dan ANTM. Pemodelan dilakukan menggunakan data historis periode 1 Januari 2020 hingga 30 april 2026, dengan memanfaatkan ekstraksi fitur lag 1 sampai 5 dan Moving Average MA5, MA10. Evaluasi kinerja model dilakukan dalam dua skenario, yaitu parameter default dan tuning parameter secara manual, serta diukur menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa Support Vector Regression memiliki kinerja dan ketangguhan (robust) yang lebih unggul dibandingkan Random Forest Regression. Proses optimasi menunjukkan bahwa kernel linear terbukti menjadi yang terbaik untuk Support Vector Regression dalam peramalan harga saham karena konsisten menghasilkan tingkat kesalahan minimum. Support Vector Regression dengan kernel linear mencapai nilai evaluasi MAE 50,25; RMSE 66,07; dan MAPE 1,36% pada saham BBRI, serta MAE 65,44; RMSE 89,25; dan MAPE 1,92% pada saham TLKM. Keunggulan Support Vector Regression terlihat sangat signifikan pada saham ANTM yang memiliki volatilitas tinggi, di mana Support Vector Regression sukses menekan kesalahan hingga MAPE 2,65%, sedangkan Random Forest Regression gagal mengekstrapolasi tren lonjakan harga. Dengan demikian, Support Vector Regression berkonfigurasi kernel linear dinobatkan sebagai model peramalan yang paling direkomendasikan karena akurat dan stabil dalam merespons fluktuasi pasar modal.

Downloads

Download data is not yet available.

References

[1] A. N. Fadila and C. Nuswandari, “Apa Saja Faktor – Faktor Yang Mempengaruhi Harga Saham ?,” vol. 15, no. 2, pp. 283–293, 2022.

[2] D. Paningrum, Buku referensi investasi pasar modal. Lembaga Chakra Brahmanda Lentera, 2022.

[3] D. Yudhawan, “Implementasi Support Vector Regression untuk Peramalan Harga Saham Perusahaan-Perusahaan Pertambangan di Indonesia,” 2020.

[4] Bursa Efek Indonesia, “Detail Siaran Pers,linear” IDX30. [Online]. Available: https://www.idx.co.id/id/berita/siaran-pers/2408

[5] M. Jami, A. Jazuli, T. Khotimah, J. L. Utara, and K. Kulon, “Prediksi Harga Saham Aneka Tambang Persero Tbk ( Antm ) Menggunakan Metode Machine Learning,” vol. 9, no. 6, pp. 9289–9294, 2025.

[6] S. Carito and W. Suryandani, “Faktor yang mempengaruhi harga saham pada perusahaan yang tergabung di bei,” vol. 2, no. 4, pp. 68–75, 2025.

[7] N. Nanias, S. Ikhsan, and H. Noviarty, “Systematic Literature Review : Analisis Faktor Yang Mempengaruhi Return Perusahaan Indeks LQ45,” vol. 6, no. 6, pp. 3878–3890, 2025.

[8] M. R. Ananda and J. Sutopo, “Komparasi Model Deep Learning dalam Prediksi Harga Saham pada Sektor Pertambangan Indonesia,” pp. 2174–2183, 2025.

[9] M. Y. Andrika and M. Rahardi, “Comparative Study of Linear Regression , SVR , and XGBoost for Stock Price Prediction After a Stock Split,” vol. 9, no. 4, pp. 1817–1824, 2025.

[10] M. Y. Urrochman and F. A. Hizham, “Performance Comparison of Random Forest Regression, Svr Models in Stock Price Prediction,” vol. 21, no. 1, pp. 16–23, 2025, doi: 10.33480/pilar.v21i1.6072.

[11] S. Azman, “A two-stage forecasting model using random forest subset-based feature selection and BiGRU with attention mechanism : Application to stock indices,” pp. 1–18, 2025, doi: 10.1371/journal.pone.0323015.

[12] S. Lumbantoruan, A. Duha, T. P. Astuti, A. J. Wahidin, and B. Rahmatullah, “Prediksi Harga Saham PT Telkom Indonesia Tbk ( TLKM ) Menggunakan Linear Regression , Random Forest , dan XGBoost,” vol. 4, no. 4, pp. 3429–3438, 2025.

[13] R. Kamaluddin, “Optimasi Model Support Vector Regression ( Svr ) dengan Gridsearchcv untuk Prediksi Harga Saham,” vol. 9, no. 1, pp. 88–97, 2025.

[14] A. Ishlah, Sudarno, and P. Kartikasari, “Implementasi Gridsearchcv pada Support Vector Regression (Svr) untuk Peramalan Harga Saham (Studi Kasus: Harga Saham Pt Anabatic Technologies Tbk),” vol. 12, pp. 276–286, 2023, doi: 10.14710/j.gauss.12.2.276-286.

[15] K. Winardi et al., “Penerapan Algoritma Random Forest Regression dalam Prediksi Harga Saham Bbri,” vol. 17, no. c, pp. 9–18, 2026.