Peramalan Level Gerombol pada Data Deret Waktu Harga Saham Perbankan Indonesia dengan Metode Gated Recurrent Unit

Abstract

Banyaknya emiten saham subsektor perbankan yang terdaftar di BEI menawarkan berbagai pilihan investasi sehingga dapat diterapkan metode penggerombolan untuk membantu menyederhanakan informasi. Namun, fluktuasi harganya yang tinggi memperbesar risiko adanya outlier sehingga perlu metode penggerombolan yang robust. Selain itu, dalam mengantisipasi perubahan harga di masa depan dapat diterapkan metode peramalan yang mampu menangkap pola kompleks harga saham dan ketergantungan jangka panjang. Penelitian ini menerapkan metode penggerombolan k-medoid dengan ukuran jarak DTW dan metode peramalan GRU. Sebanyak 41 emiten subsektor perbankan digerombolkan dengan metode k-medoid yang menghasilkan 5 gerombol optimum (koefisien silhouette = 0,524). Setiap gerombol memiliki kemiripan dalam pola pergerakan harga saham dan karakteristik emiten di dalamnya. Pemodelan GRU dilakukan pada setiap prototype gerombol dengan hypeparameter tuning menggunakan metode grid search dan skema k-fold time series cross-validation untuk menghasilkan model terbaik dari serangkaian kombinasi hyperparameter yang diberikan. Evaluasi pada data uji setiap prototype menunjukkan nilai yang lebih baik daripada data latih dengan nilai MAPE dan RMSE relatif < 5%. Hasil peramalan selama delapan minggu menunjukkan hanya prototype gerombol pertama, kedua, dan ketiga yang memiliki pola peningkatan harga saham, sementara prototype gerombol keempat dan kelima menunjukkan penurunan harga yang diakibatkan tantangan atau rendahnya ekspektasi jangka pendek terhadap emiten-emiten gerombol tersebut.

The many banking issuers listed on the IDX provided diverse investment options, necessitating a clustering method to simplify information. However, high share price fluctuations increased the risk of outliers, so a robust clustering method was needed. Additionally, forecasting methods that could capture complex stock price patterns and long-term dependencies were applied to anticipate future price changes. This research applied the k-medoid clustering with the DTW distance and the GRU forecasting. Forty-one issuers in the banking subsector were clustered using the k-medoid method, which produced 5 optimal clusters (silhouette coefficient = 0,524). Each cluster had similarities in the stock price movement pattern and the characteristics of the issuers in it. GRU modeling was carried out on each cluster prototype with hyperparameter tuning using the grid search and k-fold time series cross-validation to produce the best model from a given series of hyperparameter combinations. Evaluation of the test data for each prototype showed better values than the training data with MAPE and relative RMSE values < 5%. Eight-week forecasts showed that the first, second, and third cluster prototypes had increasing stock prices, while the fourth and fifth clusters showed declines due to challenges or low short-term expectations for issuers.