| dc.description.abstract | Saham merupakan instrumen investasi yang memungkinkan individu maupun lembaga memiliki sebagian kepemilikan pada suatu perusahaan. Sektor kelapa sawit menarik perhatian investor di Indonesia karena berperan penting sebagai penyumbang ekspo dan pendapatan negara. Fluktuasi harga komoditas serta perubahan nilai tukar Rupiah membuat pergerakan harga saham di sektor ini kompleks dan sulit diprediksi. Model deep learning seperti LSTM mampu menangkap pola non-linear pada data tersebut, namun sifat black-box-nya membuat hasil prediksi sulit diinterpretasikan. Kompleksitas dan keterbatasan inrterpretabilitas ini mendasari pengembangan model prediksi alternatif yang akurat sekaligus transparan.
Penelitian ini bertujuan membandingkan model deep learning (basic LSTM dan hybrid RNN-LSTM) dengan grammatical evolution (GE) sebagai meta-ensemble learner penghasil formula trading transparan berdasarkan akurasi dan profitabilitas. Penelitian menggunakan data harian delapan emiten kelapa sawit (AALI, LSIP, PALM, SSMS, JAWA, BWPT, GZCO, dan UNSP) periode September 2019-Juni 2025 yang diperkaya harga CPO dan kurs USD/IDR. Data diproses melalui pembersihan, rekayasa fitur, dan penskalaan, kemudian dibagi menjadi 80% data latih dan 20% data uji. Deep learning dioptimalkan melalui hyperparameter tuning, sedangkan GE dikembamgkan menggunakan tata bahasa backus-naur form (BNF). Kedua pendekatan dievaluasi menggunakan RMSE, MAE, MAPE, R2, dan simulasi trading harian (total return, sharpe rasio, dan maximum drawdown).
Hasil penelitian menunjukkan model grammatical evolution konsisten menghasilkan akurasi statistik tertinggi pada seluruh emiten, dengan R2 0,87-0,97, MAPE terendah 1,19%-2,99%, dan MAE terendah pada seluruh emiten (0,86 pada BWPT; 71,19 pada AALI), disertai waktu inferensi tercepat 1-6 milidetik. Formula GE berperan sebagai meta-ensemble learner yang mengoreksi bias prediktif deep learning dengan memanfaatkan harga saham, CPO, kurs, serta indikator SMA dan RSI. Model GE bahkan memangkas variabel otomatis menjadi formula linier yang ringkas, seperti pada emiten AALI (df[‘Close_Stock’]-0.5/0.1). Hyperparameter tuning pada model hybrid RNN-LSTM justru berpotensi menurunkan akurasi pada beberapa emiten (BWPT dan JAWA) akibat over-parameterization.
Simulasi trading menunjukkan deep learning lebih menguntungkan daripada grammatical evolution, dengan total return di atas 200% pada JAWA. Akurasi statistik tidak selalu sejalan dengan profitabilitas, sehingga model grammatical evolution lebih sesuai untuk interpretabilitas dan efisiensi komputasi, sedangkan model deep learning lebih sesuai untuk trading aktif. | |
