Model Machine Learning Terbaik dan Kontribusi Fiturnya dengan KernelSHAP pada Harga Saham NVIDIA Corporation

Oleh :
Zhafira Oktaviani - M0122093 - Fak. MIPA

Harga saham NVIDIA Corporation (NVDA) merupakan hal kompleks yang dipengaruhi oleh berbagai faktor pasar baik internal maupun eksternal. Fluktuasi harga mencerminkan pergerakan sektor teknologi dan semikonduktor secara keseluruhan, sehingga memerlukan pendekatan analitik untuk dapat memprediksinya. Metode statistik konvensional sering kali terbatas pada data harga saham yang bergantung pada konteks waktu. Dalam penelitian ini, machine learning dipilih sebagai metodologi utama karena kemampuannya dalam mengidentifikasi pola non linear dan hubungan kompleks yang tersembunyi dalam data historis harga saham.Penelitian ini menerapkan tiga arsitektur model machine learning, yaitu Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), dan terakhir Multilayer Perceptron (MLP). Ketiga model dievaluasi menggunakan metrik koefisien determinasi. Hasil evaluasi menunjukkan bahwa model LSTM mencapai koefisien determinasi  tertinggi sebesar 0,8057, diikuti TCN sebesar 0,5707, dan MLP sebesar 0,5592. Nilai 0,8057 pada LSTM mengindikasikan bahwa model berhasil menjelaskan 80,57% dari variabilitas harga saham NVDA pada data pengujian. Selisih yang cukup besar antara LSTM dan dua model lainnya menunjukkan bahwa kemampuan LSTM dalam memanfaatkan informasi historis lebih baik. Keunggulan LSTM disebabkan oleh mekanisme gerbang memori yang efektif dalam menangkap dependensi jangka panjang data time series.Meskipun hasil evaluasi metrik LSTM sudah baik, model bersifat \textit{black-box} sehingga kontribusi fitur pada prediksi model belum diketahui. Untuk menginterpretasi hasil prediksi model LSTM, diterapkan metode KernelSHAP sebagai pendekatan model-agnostic berbasis teori permainan yang menghitung kontribusi setiap fitur terhadap prediksi berdasarkan nilai Shapley. Analisis global feature importance mengungkapkan bahwa indeks sektor semikonduktor (SMH) dan data historisnya memberikan kontribusi paling dominan. Fitur SMH_Close memiliki nilai mean SHAP tertinggi sebesar 10,329167, diikuti SMH_lag1 sebesar 5,663826 dan SMH_lag2 sebesar 5,007380. Fitur-fitur ini secara konsisten menunjukkan kontribusi positif terhadap arah prediksi harga.Penelitian menunjukkan bahwa kombinasi model LSTM dengan interpretasi KernelSHAP berhasil dapat menghasilkan sistem prediksi harga saham yang transparan. Ekosistem industri semikonduktor, khususnya indeks SMH dan data historis terdekatnya, memegang peranan dominan dalam proses komputasi model. Model LSTM tidak sekadar mengingat pola data secara acak, melainkan berhasil mengidentifikasi aspek ekonomi dalam pasar modal.