Prediksi Harga Saham PT Telkom Indonesia Tbk (TLKM) Menggunakan Linear Regression, Random Forest, dan XGBoost

Sari Lumbantoruan; Arnawati Duha; Tia Puji Astuti; Ahmad Jurnaidi  Wahidin; Beni  Rahmatullah; Ika Kurniawati

doi:10.31004/riggs.v4i4.4158

Authors

Sari Lumbantoruan Universitas Bina Sarana Informatika
Arnawati Duha Universitas Bina Sarana Informatika
Tia Puji Astuti Universitas Bina Sarana Informatika
Ahmad Jurnaidi Wahidin Universitas Bina Sarana Informatika
Beni Rahmatullah Universitas Bina Sarana Informatika
Ika Kurniawati Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v4i4.4158

Keywords:

Prediksi Harga Saham, PT Telkom Indonesia Tbk, Linear Regression, Random Forest, XGBoost, Machine Learning

Abstract

Prediksi harga saham merupakan salah satu aspek penting dalam pengambilan keputusan investasi, karena mampu membantu investor dalam mengantisipasi risiko dan mengoptimalkan keuntungan. PT Telkom Indonesia Tbk (TLKM) merupakan salah satu emiten blue chip di Bursa Efek Indonesia yang memiliki kapitalisasi pasar besar dan likuiditas tinggi, sehingga menarik untuk dianalisis dari sisi pergerakan harga sahamnya. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga model machine learning, yaitu Linear Regression, Random Forest, dan XGBoost, dalam memprediksi harga penutupan saham TLKM berdasarkan data historis. Data yang digunakan merupakan data harga saham harian TLKM periode 7 November 2019 hingga 6 November 2024 yang diperoleh dari platform Kaggle, dengan variabel Date, Open, High, Low, Close, Adj Close, dan Volume. Tahapan penelitian meliputi pembersihan data, konversi rekayasa fitur berbasis informasi historis dan indikator teknikal seperti lag harga penutupan, moving average, volatilitas, dan return harian, serta pembagian data menjadi 80% data latih dan 20% data uji. Selanjutnya, ketiga model dibangun dan dievaluasi menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil pengujian menunjukkan bahwa Linear Regression memberikan kinerja paling baik dibandingkan Random Forest dan XGBoost, dengan nilai RMSE sebesar 8,13, MAE 6,15, MAPE 0,19%, dan R² 0,9997. Temuan ini mengindikasikan bahwa pada data saham TLKM dengan pola pergerakan yang relatif stabil, model linear sederhana masih mampu memberikan akurasi prediksi jangka pendek yang sangat tinggi dan dapat dijadikan alternatif yang efektif dibandingkan model ensemble yang lebih kompleks.

.

Downloads

Download data is not yet available.

References

M. M. Kumbure, C. Lohrmann, P. Luukka, and J. Porras, “Machine learning techniques and data for stock market forecasting: A literature review,” Expert Syst. Appl., vol. 197, no. December 2021, p. 116659, 2022, doi: 10.1016/j.eswa.2022.116659.

Raavihemalatha, GodiAmulya, and C. S. N. Sailalitha, “Deep Learning for Stock Market Prediction,” 2024 2nd Int. Conf. Comput. Charact. Tech. Eng. Sci. IC3TES 2024, 2024, doi: 10.1109/IC3TES62412.2024.10877452.

Rhoda Adura Adeleye, Tula Sunday Tubokirifuruar, Binaebi Gloria Bello, Ndubuisi Leonard Ndubuisi, Onyeka Franca Asuzu, and Oluwaseyi Rita Owolabi, “Machine Learning for Stock Market Forecasting: a Review of Models and Accuracy,” Financ. Account. Res. J., vol. 6, no. 2, pp. 112–124, 2024, doi: 10.51594/farj.v6i2.783.

D. Rahmadini, N. D. F. Salsabila, A. Kunaefi, and D. Rolliawati, “Analisis Peramalan Harga Penutupan Saham PT. Telekomunikasi Indonesia dengan Support Vector Machine (SVM),” J. Ilm. Edutic Pendidik. dan Inform., vol. 11, no. 1, pp. 22–33, 2024, doi: 10.21107/edutic.v11i1.22120.

W. R. U. Fadilah, D. Agfiannisa, and Y. Azhar, “Analisis Prediksi Harga Saham PT. Telekomunikasi Indonesia Menggunakan Metode Support Vector Machine,” Fountain Informatics J., vol. 5, no. 2, p. 45, 2020, doi: 10.21111/fij.v5i2.4449.

S. Daruyani, O. D. Purbiyanti, and M. F. Hardeva, “Implementasi Machine Learning

Menggunakan Algoritma Linear Regression Untuk Memprediksi Harga Saham Pt. Telkom Indonesia Tbk,” J. Inf. Syst. Informatics Comput. Issue Period, vol. 9, no. 1, pp. 81–91, 2025, doi: 10.52362/jisicom.v9i1.1910.

F. R. Pratama, B. Santoso, and S. Kacung, “Prediksi Harga Saham Pt Telkom Menggunakan Metode Cnn-Lstm,” J. Inf. Syst. Manag., vol. 7, no. 1, pp. 66–70, 2025, doi: 10.24076/joism.2025v7i1.2087.

M. F. Hadi and D. Priyanto, “Perbandingan Kinerja RNN , LSTM , dan GRU dalam,” no. September 2025, pp. 265–269, 2024.

Furizal, A. Ritonga, A. Ma’arif, and I. Suwarno, “Stock Price Forecasting with Multivariate Time Series Long Short-Term Memory: A Deep Learning Approach,” J. Robot. Control, vol. 5, no. 5, pp. 1322–1335, 2024, doi: 10.18196/jrc.v5i5.22460.

S. J. Pipin, R. Purba, and H. Kurniawan, “Prediksi Saham Menggunakan Recurrent Neural Network (RNN-LSTM) dengan Optimasi Adaptive Moment Estimation,” J.

Comput. Syst. Informatics, vol. 4, no. 4, pp. 806–815, 2023, doi:

47065/josyc.v4i4.4014.

P. H. Vuong, T. T. Dat, T. K. Mai, P. H. Uyen, and P. T. Bao, “Stock-price forecasting based on XGBoost and LSTM,” Comput. Syst. Sci. Eng., vol. 40, no. 1, pp. 237–246, 2022, doi: 10.32604/CSSE.2022.017685.

M. Y. Urrochman, H. Asy’ari, and F. A. Hizham, “Performance Comparison of Random Forest Regression, Svr Models in Stock Price Prediction,” J. Pilar Nusa Mandiri, vol. 21, no. 1, pp. 16–23, 2025, doi: 10.33480/pilar.v21i1.6072.

E. C. Wibowo and A. D. Cahyono, “Analisis Perbandingan Algoritma Regresi Linier dengan Neural Network untuk Prediksi Harga Saham Comparative Analysis of Linear Regression and Neural Network Algorithms for Stock Price Prediction,” Sist. J. Sist. Inf., vol. 14, no. 4, pp. 2540–9719, 2025, [Online]. Available: http://sistemasi.ftik.unisi.ac.id

M. Y. Andrika and M. Rahardi, “Comparative Study of Linear Regression, SVR, and XGBoost for Stock Price Prediction After a Stock Split,” J. Appl. Informatics Comput., vol. 9, no. 4, pp. 1817–1824, 2025, doi: 10.30871/jaic.v9i4.10220.

M. Parker, “Stock Price Prediction Using a Stacked Heterogeneous Ensemble,” 2025.