PERBANDINGAN METODE STACKING ENSEMBLE MENGGUNAKAN RANDOM FOREST DAN XGBOOST DENGAN BAYESIAN OPTIMIZATION PADA PREDIKSI SAHAM

Saham merupakan instrumen keuangan yang mencerminkan kepemilikan individu atau badan usaha terhadap suatu perusahaan. Dalam pasar saham, prediksi pergerakan harga saham menjadi aspek krusial bagi investor guna meminimalkan risiko kerugian. Namun, fluktuasi harga saham yang kompleks dan dipengaruhi oleh berbagai faktor, seperti kondisi ekonomi, kebijakan moneter, serta sentimen pasar, membuat proses prediksi menjadi tantangan tersendiri. Machine Learning telah menjadi alat yang efektif dalam mengatasi tantangan ini dengan berbagai metode yang mampu menganalisis pola historis dan memprediksi pergerakan harga saham. Penelitian ini bertujuan untuk membandingkan performa algoritma Machine Learning Random Forest dan XGBoost, serta mengevaluasi efektivitas pendekatan Stacking Ensemble yang dikombinasikan dengan Bayesian Optimization untuk meningkatkan akurasi prediksi harga saham. Hasil pengujian menunjukkan bahwa model Stacking Ensemble dengan Meta Learner Ridge memberikan performa terbaik dibandingkan model tunggal. Setelah dilakukan Hyperparameter Tuning menggunakan Bayesian Optimization, model tersebut menghasilkan nilai MAE sebesar 67.166437, MSE sebesar 7989.648978, RMSE sebesar 89.384836, dan R² sebesar 0.985115. Hal ini membuktikan bahwa penerapan Bayesian Optimization mampu meningkatkan performa prediksi model dibandingkan konfigurasi default. Pendekatan ini memberikan kontribusi empiris terhadap pengembangan model prediksi harga saham berbasis Machine Learning dengan kombinasi metode Stacking Ensemble dan Bayesian Optimization, serta dapat menjadi referensi bagi investor maupun peneliti dalam memilih strategi prediksi yang lebih akurat dan stabil.

Kata Kunci: Machine Learning, Random Forest, XGBoost, Bayesian Optimization, Stacking Ensemble Learning.