Analisis Feasibilitas Model CNN untuk Prediksi Aksi pada Pasar Saham di Indonesia

Abstract

Banyak peneliti berlomba-lomba untuk melakukan regresi harga di masa depan. Namun, pendekatan berbasis regresi seperti ini tak jarang hanya menghasilkan prediksi harga yang tertunda relatif terhadap harga aslinya, dimana membuat hasil prediksi menjadi tidak dapat diandalkan. Alih-alih memandang masalah ini sebagai masalah regresi, mengapa tidak memandangnya sebagai masalah klasifikasi untuk memprediksi langkah terbaik antara jual, beli dan tahan di masa depan. Terinspirasi dari penelitian sebelumnya, artikel ini akan mencoba untuk membangun model CNN yang bisa melakukan generalisasi, tidak overfit mapupun underfit, serta meninjau feasibilitas model pada dunia nyata. Data yang digunakan dalam penelitian ini adalah data saham BBCA, BBRI, BMRI dan BBNI. Hasil dari penelitian ini menunjukkan bahwa model CNN berhasil belajar dan tidak hanya sekadar menghafal, dibuktikan dengan penurunan kerugian dan peningkatan akurasi pada data latih. Selain itu, model CNN juga berhasil melakukan generalisasi sampai batas tertentu dibuktikan dengan penurunan kerugian pada data validasi serta nilai Macro Average F1-Score model CNN yang senantiasa lebih besar dibbanding dengan Macro Average F1-Score model naif. Namun, masalah akurasi model CNN masih menjadi tantangan, hal ini terbukti dari plot kurva akurasi yang tidak stabil pada data validasi dan nilai Sharpe Ratio yang bernilai kurang dari 0.1 pada simulasi jual-beli untuk seluruh data saham.