Prediksi Return Harian Saham BBCA Menggunakan Model Long Short-Term Memory (LSTM) Multivariat dengan Variabel Makroekonomi

Penelitian ini bertujuan untuk memprediksi return harian saham PT Bank Central Asia Tbk (BBCA) dengan mengintegrasikan data teknikal (Open, High, Low, Close, Adjusted Close, dan Stock_Return lag-1) serta tiga variabel makroekonomi (BI-Rate, kurs USD/IDR, dan inflasi). Pemodelan dilakukan menggunakan arsitektur Stacked Long Short-Term Memory (LSTM) multivariat. Untuk memaksimalkan kinerja dan akurasi model, penelitian ini menerapkan optimasi hyperparameter secara sistematis melalui metode Grid Search untuk mengevaluasi kombinasi jenis optimizer (Adam, RMSprop), batch size (4, 8, 16, 32), dan jumlah epochs (100, 200, 300).
Penelitian kuantitatif ini menggunakan data harian dari 2 Januari 2015 hingga 31 Maret 2026, yang menghasilkan total 2.759 baris pengamatan. Data makroekonomi yang berfrekuensi bulanan diselaraskan menjadi data harian menggunakan metode forward-fill untuk mencegah look-ahead bias. Data kemudian dinormalisasi menggunakan Min-Max Scaler dan dibentuk ke dalam format sekuensial dengan ukuran sliding window 30 hari. Evaluasi kinerja terhadap 24 model yang dihasilkan dilakukan menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Directional Accuracy (DA).
Hasil penelitian menunjukkan bahwa kombinasi hyperparameter paling optimal dicapai oleh model M05, yang dikonfigurasi dengan optimizer Adam, batch size 8, dan 200 epochs. Model terbaik ini menghasilkan nilai MAE sebesar 1,1938, RMSE sebesar 1,6181, dan Directional Accuracy sebesar 48,19%. Meskipun model mampu memprediksi arah pergerakan dengan akurasi arah gabungan mencapai 52,99% jika hari perdagangan flat tidak disertakan, perbandingan dengan baseline naif menunjukkan bahwa peningkatan performa dari kompleksitas model LSTM multivariat bersifat tipis dan tidak seragam di seluruh metrik. Hal ini sejalan dengan Efficient Market Hypothesis, di mana kompleksitas pemodelan deep learning memberikan nilai tambah yang terbatas terhadap prediksi return harian yang sangat fluktuatif. Hasil tersebut menunjukkan pentingnya penggunaan evaluasi multi-metrik dalam menilai kinerja model prediksi return karena keunggulan suatu konfigurasi dapat berbeda bergantung pada aspek kinerja yang dievaluasi.