Studi Literatur Deep Learning dan Machine Learning untuk Analisis dan Prediksi Pasar Saham: Metodologi, Representasi Data, dan Studi Kasus

Abstract

Penelitian ini mengkaji penggunaan model Machine Learning (ML) dan Deep Learning (DL) untuk peramalan harga saham, sebuah topik yang semakin relevan di sektor keuangan. Model ensemble "Random Forest + XG-Boost + LSTM" terbukti memiliki kinerja yang lebih baik dibandingkan model ML dan DL lainnya, menunjukkan bahwa integrasi model dapat meningkatkan akurasi prediksi. Penelitian lain juga menyoroti potensi jaringan deep learning untuk analisis pasar saham, menemukan bahwa jaringan saraf dapat mengekstrak informasi tambahan yang meningkatkan kinerja prediksi, meskipun sangat bergantung pada representasi data yang digunakan. Penggabungan variabel sentimen publik dari media sosial dengan variabel teknis dapat meningkatkan akurasi prediksi, terutama dalam kondisi pasar yang tidak stabil. Berdasarkan tinjauan pustaka komprehensif terhadap lebih dari 150 artikel dan menemukan bahwa algoritma ML, terutama RNN, menunjukkan kinerja unggul dalam prediksi pasar keuangan. Model yang menggunakan sentimen dari media sosial untuk memprediksi pergerakan harga saham, menunjukkan bahwa informasi sentimen dapat memberikan informasi tambahan yang signifikan untuk prediksi. Penelitian-penelitian ini menegaskan pentingnya penggunaan model ML dan DL dalam peramalan harga saham serta manfaat integrasi variabel non-teknis seperti sentimen dari media sosial dengan variabel teknis. Meski demikian, diperlukan penelitian lebih lanjut untuk memperluas cakupan data dan menguji generalisasi model pada berbagai pasar saham global serta periode waktu yang lebih panjang.