Perbandingan SVR, Bagging, dan Adaboost dalam Memprediksi Harga Saham dengan Paradigma Pencilan Sel

Abstract

Prediksi harga saham merupakan tantangan utama dalam dunia keuangan karena sifatnya yang dinamis dan dipengaruhi oleh berbagai faktor. Penelitian ini membandingkan kinerja tiga model machine learning yaitu Support Vector Regression (SVR), bagging, dan adaboost dalam memprediksi harga saham harian PT Telekomunikasi Indonesia (Persero) Tbk (TLKM), menggunakan data harga penutupan saham periode 27 Juni 2019 hingga 28 Februari 2025. Selain itu, penelitian ini mengkaji pengaruh pencilan sel terhadap akurasi prediksi dengan menerapkan metode Detect Deviating Cells (DDC). Hasil menunjukkan bahwa seluruh model mengalami peningkatan performa setelah penanganan pencilan sel. Berdasarkan metrik evaluasi, SVR kernel linear menghasilkan nilai R² tertinggi sebesar 0.9887 dan MAPE terendah sebesar 1.30%. Namun, hasil uji signifikansi menunjukkan bahwa tidak terdapat perbedaan yang signifikan secara statistik antara SVR linear, SVR RBF, bagging, dan adaboost, sehingga keempat model tersebut memiliki performa yang relatif setara secara statistik.