Perbandingan Metode Temporal Fusion Transformer (TFT) dan Long Short-Term Memory (LSTM) Dalam Prediksi Harga Saham Indonesia Berbasis Data Teknikal dan Fundamental
DOI:
https://doi.org/10.58466/jmhe8c20Kata Kunci:
Temporal Fusion Transformer, Long Short-Term Memory, Prediksi Harga Saham, Analisis Teknikal, Analisis Fundamental, LQ45Abstrak
Pasar modal Indonesia memiliki tingkat volatilitas yang tinggi sehingga membutuhkan model prediksi harga saham yang akurat dan adaptif. Model prediksi konvensional memiliki keterbatasan dalam menangkap pola nonlinear dan hubungan multivariat pada data time series saham. Penelitian ini membandingkan performa model Long Short-Term Memory (LSTM) dan Temporal Fusion Transformer (TFT) dalam memprediksi harga saham indeks LQ45, yaitu BBRI, TLKM, dan ADRO, pada horizon 7 hari bursa. Kedua model dilatih menggunakan 12 fitur gabungan teknikal dan fundamental dengan rasio pembagian data sebesar 70:15:15. Evaluasi dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model TFT memberikan performa lebih baik pada saham BBRI dengan MAPE 0,74% dan TLKM dengan MAPE 0,91%, serta menunjukkan proses konvergensi pelatihan yang lebih cepat dibandingkan LSTM. Sebaliknya, model LSTM memberikan performa lebih baik pada saham ADRO dengan MAPE 2,71% yang memiliki pola tren relatif konsisten. Secara umum, TFT lebih efektif untuk saham dengan dinamika multivariat yang kompleks, sedangkan LSTM tetap kompetitif pada saham dengan pola tren yang lebih stabil. Pemilihan model prediksi perlu mempertimbangkan karakteristik volatilitas dan pola pergerakan masing-masing emiten.
Referensi
[1] G. L. Gil, P. Duhamel-Sebline, and A. McCarren, “An Evaluation of Deep Learning Models for Stock Market Trend Prediction,” Aug. 2024, [Online]. Available: http://arxiv.org/abs/2408.12408
[2] J. Park and M. Shin, “An Approach for Variable Selection and Prediction Model for Estimating the Risk-Based Capital (RBC) Based on Machine Learning Algorithms,” Risks, vol. 10, no. 1, Jan. 2022, doi: 10.3390/risks10010013.
[3] W. Budiharto, “Data science approach to stock prices forecasting in Indonesia during Covid-19 using Long Short-Term Memory (LSTM),” J. Big Data, vol. 8, no. 1, Dec. 2021, doi: 10.1186/s40537-021-00430-0.
[4] A. Arfan and dan Lussiana ETP, “Prediksi Harga Saham Di Indonesia Menggunakan Algoritma Long Short-Term Memory,” Universitas Gunadarma Jl. Margonda Raya No, vol. 3, no. 1, 2019, [Online]. Available: https://www.ofx.com
[5] Sepp Hochreiter and Jurgen Schmidhuber, “long short term memori”.
[6] Y. Touzani and K. Douzi, “An LSTM and GRU based trading strategy adapted to the Moroccan market,” J. Big Data, vol. 8, no. 1, Dec. 2021, doi: 10.1186/s40537-021-00512-z.
[7] C. Genta, K. Simatupang, W. Swastika, and T. R. Suganda, “PERANCANGAN APLIKASI BERBASIS WEB UNTUK PREDIKSI HARGA SAHAM DENGAN METODE LSTM,” 2022.
[8] D. I. Puteri, “Implementasi Long Short Term Memory (LSTM) dan Bidirectional Long Short Term Memory (BiLSTM) Dalam Prediksi Harga Saham Syariah,” Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi, vol. 11, no. 1, pp. 35–43, May 2023, doi: 10.34312/euler.v11i1.19791.
[9] H. Widiputra, A. Mailangkay, and E. Gautama, “Prediksi Indeks BEI dengan Ensemble Convolutional Neural Network dan Long Short-Term Memory,” Jurnal RESTI, vol. 5, no. 3, pp. 456–465, Jun. 2021, doi: 10.29207/resti.v5i3.3111.
[10] J. Frank and F. Erlangen-Nürnberg, “Forecasting Realized Volatility in Turbulent Times using Temporal Fusion Transformers,” 2023, [Online]. Available: https://www.iwf.rw.fau.de/discussion-papers/
[11] J. Yang, P. Li, Y. Cui, X. Han, and M. Zhou, “Multi-Sensor Temporal Fusion Transformer for Stock Performance Prediction: An Adaptive Sharpe Ratio Approach,” Sensors, vol. 25, no. 3, Feb. 2025, doi: 10.3390/s25030976.
[12] M. C. Lee, “Temporal Fusion Transformer-Based Trading Strategy for Multi-Crypto Assets Using On-Chain and Technical Indicators,” Systems, vol. 13, no. 6, Jun. 2025, doi: 10.3390/systems13060474.
[13] A. Peik, M. Ali Zare Chahooki, A. Milani Fard, and M. Agha Sarram, “The 38th Canadian Conference on Artificial Intelligence Enhancing Cryptocurrency Price Prediction by Applying Temporal Fusion Transformers on Subseries,” 2025. [Online]. Available: https://github.com/arashitc2/tft-on-subseries-for-cryptocurrency-forecasting
[14] S. Hartanto, A. Agung, and S. Gunawan, “Temporal Fusion Transformers for Enhanced Multivariate Time Series Forecasting of Indonesian Stock Prices,” IJACSA) International Journal of Advanced Computer Science and Applications, vol. 15, no. 7, p. 2024, 2024, [Online]. Available: www.ijacsa.thesai.org
[15] A. Hanafiah, W. Monika, M. Sham Mohamad, and A. Alamsyah, “Assessing Lag-Llama in Probabilistic Time Series Forecasting for the Indonesian Stock Market Arbi Haza Nasution,” 2025. [Online]. Available: https://github.com/
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Nurhasan Nurhasan, Ghufron Ghufron
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
