Perbandingan Kinerja Metode Regresi Linear dan Extreme Gradient Boosting (XGBoost) dalam Prediksi Harga Saham BUMN Sektor Perbankan

Abstract

Pasar saham, khususnya pada sektor perbankan Badan Usaha Milik Negara (BUMN), memiliki peran penting dalam mencerminkan dinamika ekonomi Indonesia. Tingginya volatilitas harga saham mendorong kebutuhan akan metode prediksi yang akurat untuk mendukung pengambilan keputusan investasi. Penelitian ini bertujuan untuk membandingkan kinerja metode Regresi Linear dan Extreme Gradient Boosting (XGBoost) dalam memprediksi harga saham BUMN sektor perbankan. Penelitian dilakukan dengan pendekatan kuantitatif deskriptif-komparatif menggunakan data harga saham harian BBNI dan BBTN selama periode Oktober 2023 hingga Oktober 2024. Model dievaluasi menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa XGBoost memberikan hasil prediksi yang lebih akurat dibandingkan Regresi Linear pada kedua saham yang dianalisis. Untuk saham BBNI, XGBoost menghasilkan MAPE sebesar 0,39% dan RMSE sebesar 55,08, lebih baik dibandingkan Regresi Linear dengan MAPE 1,31% dan RMSE 91,02. Demikian pula pada saham BBTN, XGBoost mencatat MAPE 0,40% dan RMSE 15,30, mengungguli Regresi Linear dengan MAPE 1,56% dan RMSE 28,22. Temuan ini menunjukkan bahwa metode XGBoost lebih efektif dalam menangkap pola kompleks data historis saham perbankan. Oleh karena itu, pemilihan metode prediksi yang tepat perlu mempertimbangkan kemampuan model dalam mengakomodasi dinamika pasar yang fluktuatif. Penelitian ini memberikan kontribusi dalam pengembangan literatur prediksi harga saham serta panduan praktis bagi investor dalam menyusun strategi analisis berbasis data. Selain itu, penelitian ini memberikan kebaruan melalui perbandingan dua pendekatan statistik dan machine learning dalam konteks saham perbankan BUMN Indonesia yang masih terbatas dieksplorasi dalam studi sebelumnya.