TAMBUN, Mangelek Gabriel Nicholas (2026) Prediksi Harga Saham Indonesia Menggunakan Model Large Language Model-Temporal Fusion Transformer. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) Bebas Pustaka (2).zip Restricted to Repository staff only Download (6MB) | Request a copy
	Text 1. Halaman Judul.pdf Download (116kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (241kB)
	Text 4. KATA PENGANTAR.pdf Download (350kB)
	Text 6. ABSTRAK.pdf Download (229kB)
	Text 7. ABSTRACT.pdf Download (109kB)
	Text 8. DAFTAR ISI.pdf Download (353kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (274kB)
	Text 17. Daftar Pustaka.pdf Download (249kB)

Abstract

Pergerakan harga saham merupakan fenomena kompleks yang dipengaruhi oleh faktor
internal pasar, seperti tren historis, volatilitas, dan likuiditas, serta faktor eksternal, seperti
informasi dan sentimen berita. Kondisi ini menjadikan prediksi harga penutupan saham
dalam skenario multi-horizon penting untuk mendukung pengambilan keputusan investasi,
pengelolaan risiko, dan perencanaan portofolio yang lebih terukur, meskipun prediksi deret
waktu keuangan tetap menantang karena bersifat dinamis, nonlinier, dan sensitif terhadap
informasi baru. Penelitian ini bertujuan membangun dan mengevaluasi model Temporal
Fusion Transformer (TFT) serta membandingkannya dengan LLM-TFT, yaitu TFT yang
diperkaya fitur sentimen berita berbasis Really Simple Syndication (RSS) yang diekstraksi
menggunakan Large Language Model (LLM), untuk memprediksi harga penutupan saham
blue-chip di Bursa Efek Indonesia. Objek penelitian mencakup empat emiten, yaitu ASII,
BBRI, BMRI, dan TLKM, dengan horizon prediksi H+1 sampai H+3. Penelitian ini meliputi
pengumpulan dan prapemrosesan data harga saham serta berita, penyelarasan kalender
perdagangan, pembentukan indikator teknikal dan fitur sentimen harian, penyusunan dataset,
pelatihan model, serta evaluasi menggunakan MAE, RMSE, MAPE, R², dan Directional
Accuracy (DirAcc). Hasil evaluasi global pada data testing menunjukkan bahwa LLM-TFT
memberikan performa agregat yang lebih baik dibandingkan TFT pada seluruh metrik
evaluasi. TFT memperoleh RMSE sebesar 132,585, MAE sebesar 96,158, MAPE sebesar
2,259%, R² sebesar 0,986, dan DirAcc sebesar 52,343%, sedangkan LLM-TFT memperoleh
RMSE sebesar 125,285, MAE sebesar 91,024, MAPE sebesar 2,131%, R² sebesar 0,988,
dan DirAcc sebesar 58,269%. Temuan ini menunjukkan bahwa penambahan fitur sentimen
berita memberikan kontribusi positif terhadap performa prediksi harga saham secara agregat,
baik pada ketepatan nilai prediksi maupun ketepatan arah pergerakan harga saham.
Kata kunci : analisis sentimen berita, LLM-TFT, multi-horizon forecasting, prediksi
harga saham, saham blue-chip, Temporal Fusion Transformer

(NO. KETERSEDIAAN : 1740/F/2026)

Actions (login required)

View Item