Prediksi Return Saham Index LQ45 Menggunakan Metode Extreme Gradient Boosting (XGBOOST)

Abstract

Penelitian ini bertujuan untuk menguji kinerja algoritma Extreme Gradient Boosting (XGBoost) dalam memprediksi pengembalian saham, dengan penekanan khusus pada mengatasi masalah ketidakseimbangan data. Penelitian ini melihat dua metode untuk mengatasi ketidakseimbangan data SMOTE (Teknik Oversampling Minoritas Sintetis) dan Random Oversampling. Dengan menggunakan 12.572 data dari tujuh dataset saham dan faktor ekonomi makro, seperti nilai tukar Rupiah terhadap dolar AS dalam periode 29 Juni 2019 – 30 Juni 2024. Metode eksperimen membagi data menjadi 80% untuk data training dan 20% untuk data testing. Sebelum data diolah lebih lanjut, preprocessing dilakukan untuk membersihkan dan menyiapkannya. Untuk mengatasi ketidakseimbangan data, metode seperti Random Oversampling dan SMOTE digunakan. Pengujian dilakukan dengan mengoptimalkan hyperparameter menggunakan Estimator Parzen Tree untuk meningkatkan kinerja model. Hasil evaluasi dengan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) menunjukkan bahwa SMOTE lebih baik daripada Random Oversampling. Hasil akhir menunjukkan bahwa SMOTE menghasilkan RMSE sebesar 0,0398 dan MAE sebesar 0,0305, sedangkan Random Oversampling menghasilkan RMSE sebesar 0,0402 dan MAE sebesar 0,0310 menunjukkan bahwa SMOTE memiliki tingkat kesalahan yang lebih rendah dalam prediksi.