Prediksi Harga Saham PT Telekomunikasi Indonesia Menggunakan Kombinasi Gated Recurrent Unit dan Attention Mechanism

Oleh :
Ikhsan Ari Novianto - L0122077 - Fak. Teknologi Informasi dan Sains Data

Saham PT Telekomunikasi Indonesia (TLKM) merupakan salah satu emiten unggulan di Bursa Efek Indonesia dengan kapitalisasi pasar sekitar Rp320,96 triliun dan tingkat likuiditas yang tinggi. Harga saham yang berfluktuasi menimbulkan ketidakpastian dalam pengambilan keputusan investasi, sehingga diperlukan model prediksi yang andal. Gated Recurrent Unit (GRU) merupakan arsitektur deep learning berbasis jaringan saraf berulang yang digunakan untuk memodelkan pola temporal pada data deret waktu, namun hanya meneruskan hidden state pada langkah waktu terakhir ke lapisan keluaran. Attention Mechanism memungkinkan model memberikan bobot perhatian yang berbeda pada setiap langkah waktu dalam window, sehingga seluruh hidden state dapat dimanfaatkan dalam membentuk prediksi. Penelitian ini mengusulkan model GRU yang diintegrasikan dengan Attention Mechanism (GRU-AM) dan membandingkannya dengan GRU untuk memprediksi harga penutupan saham TLKM secara univariat. Data yang digunakan adalah data historis harian periode 2 Januari 2015 hingga 30 Desember 2025 dari Yahoo Finance dengan total 2.710 record. Hyperparameter tuning dilakukan dengan grid search terhadap 81 kombinasi optimizer, learning rate, dropout rate, dan batch size pada masing-masing model. Evaluasi dilakukan pada 271 hari perdagangan periode 7 November 2024 hingga 30 Desember 2025 menggunakan RMSE, MAE, MAPE, dan R². GRU-AM menghasilkan MAE Rp51,5912 dan MAPE 1,7777%, lebih rendah daripada GRU dengan MAE Rp52,8285 dan MAPE 1,8296%. Pada RMSE dan R², GRU sedikit lebih baik, yaitu RMSE Rp68,9652 dan R² 0,9651, dibandingkan GRU-AM dengan RMSE Rp69,4049 dan R² 0,9646. Uji Diebold-Mariano, uji Wilcoxon signed-rank, dan moving block bootstrap menunjukkan bahwa perbedaan tersebut tidak signifikan secara statistik. Dengan demikian, pada penelitian ini, penambahan Attention Mechanism tidak memberikan peningkatan kinerja yang signifikan, sementara jumlah parameter bertambah.