Perbandingan Algoritma XGBoost dan LSTM dalam Prediksi Harga Saham Tesla Menggunakan Data Tahun 2025
DOI:
https://doi.org/10.52436/1.jpti.836Keywords:
Prediksi harga saham, XGBoost, LSTM, Tesla, Machine LearningAbstract
Prediksi harga saham merupakan tantangan dalam analisis keuangan yang memerlukan metode yang akurat dan andal. Penelitian ini membandingkan kinerja algoritma XGBoost dan Long Short-Term Memory (LSTM) dalam memprediksi harga saham Tesla menggunakan data tahun 2025. XGBoost, sebagai model berbasis pohon keputusan yang dioptimalkan, dikenal dengan kecepatan dan interpretabilitasnya, sedangkan LSTM, sebagai bagian dari jaringan saraf tiruan, memiliki kemampuan menangkap pola temporal yang kompleks dalam data time series. Ketidakstabilan pasar saham menjadikan prediksi harga saham sebagai aspek krusial dalam pengambilan keputusan investasi, khususnya bagi perusahaan-perusahaan teknologi seperti Tesla yang pergerakan harganya sangat fluktuatif. Oleh karena itu, penelitian ini bertujuan untuk membandingkan efektivitas dua pendekatan prediksi yang populer—XGBoost dan Long Short-Term Memory (LSTM)—dalam memprediksi harga saham Tesla menggunakan data historis selama satu dekade terakhir. XGBoost, algoritma berbasis pohon keputusan, unggul dalam kecepatan komputasi dan interpretabilitas, sementara LSTM, jaringan saraf berulang, dirancang untuk mengenali pola temporal jangka panjang dalam data deret waktu. Penelitian ini menerapkan preprocessing termasuk normalisasi, splitting time series, dan pembentukan sliding window untuk LSTM, serta mengevaluasi performa kedua model menggunakan metrik RMSE, MAE, dan koefisien determinasi (R²). Hasil menunjukkan bahwa LSTM secara konsisten menghasilkan prediksi yang lebih akurat dalam menangkap tren dan fluktuasi harga saham, sedangkan XGBoost lebih efisien dalam hal waktu pelatihan dan kemudahan interpretasi hasil. Temuan ini memberikan kontribusi terhadap literatur prediksi finansial dengan menunjukkan bahwa pemilihan model harus disesuaikan dengan tujuan analisis—baik untuk presisi jangka panjang maupun efisiensi operasional—serta membuka peluang pengembangan hibridisasi model untuk pengambilan keputusan investasi yang lebih cerdas.
Downloads
References
H. Oukhouya, H. Kadiri, K. El Himdi, and R. Guerbaz, “Forecasting International Stock Market Trends: XGBoost, LSTM, LSTM-XGBoost, And Backtesting XGBoost Models,” Statistics, Optimization and Information Computing, vol. 12, no. 1, pp. 200–209, 2024, doi: 10.19139/soic-2310-5070-1822.
R. Zhang, Y. Wang, J. Zhang, L. Zhang, and J. Qu, “Three Machine Learning Predictions of U.S. Stock Prices,” International Conference on Economics, Education and Social Research, vol. 5, pp. 283–289, 2024, doi: 10.25236/iceesr.2024.046.
Z. Xu, W. Zhang, Y. Sun, and Z. Lin, “Multi-Source Data-Driven LSTM Framework for Enhanced Stock Price Prediction and Volatility Analysis,” 2024.
E. Hadjaidji, M. C. A. Korba, and K. Khelil, “COVID-19 Detection from Cough Sounds Using XGBoost and LSTM Networks,” Traitement du Signal, vol. 42, no. 02, pp. 939–947, Apr. 2024, doi: 10.18280/ts.410234.
Y. Zheng, S. Guan, K. Guo, Y. Zhao, and L. Ye, “Technical indicator enhanced ultra-short-term wind power forecasting based on long short-term memory network combined XGBoost algorithm,” IET Renewable Power Generation, 2024, doi: 10.1049/rpg2.12952.
I. Gede, J. Kurniarwan, C. Dewi, and M. A. Rahman, “PENERAPAN MACHINE LEARNING EXTREME GRADIENT BOOSTING DALAM KLASIFIKASI POTENSI TSUNAMI BERDASARKAN DATA GEMPA BUMI,” 2025. [Online]. Available: http://j-ptiik.ub.ac.id
A. A. Saputra, B. N. Sari, C. Rozikin, U. Singaperbangsa, and K. Abstrak, “Penerapan Algoritma Extreme Gradient Boosting (Xgboost) Untuk Analisis Risiko Kredit,” Jurnal Ilmiah Wahana Pendidikan, vol. 10, no. 7, pp. 27–36, 2024, doi: 10.5281/zenodo.10960080.
P. Pathak, “Stock Market Prediction Using Machine Learning,” 2024. [Online]. Available: www.ijfmr.com
M. T. Hidayat and M. Sulistiyono, “Analisis Performa Algoritma XGBoost, GRU, dan Prophet dalam Peramalan Penjualan Obat untuk Optimasi Rantai Pasok Farmasi,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 1, pp. 65–73, Jan. 2025, doi: 10.52436/1.jpti.562.
Khalis Sofi, Aswan Supriyadi Sunge, Sasmitoh Rahmad Riady, and Antika Zahrotul Kamalia, “PERBANDINGAN ALGORITMA LINEAR REGRESSION, LSTM, DAN GRU DALAM MEMPREDIKSI HARGA SAHAM DENGAN MODEL TIME SERIES,” SEMINASTIKA, vol. 3, no. 1, pp. 39–46, Nov. 2021, doi: 10.47002/seminastika.v3i1.275.
B. Pratama and L. Yuniar Banowosari, “COMPARISON OF EXTREME GRADIENT BOOSTING (XGBOOST) METHOD WITH LONG SHORT-TERM MEMORY (LSTM) FOR STOCK PREDICTION PT. BANK MANDIRI TBK. (BMRI) PERBANDINGAN METODE EXTREME GRADIENT BOOSTING (XGBOOST) DENGAN LONG SHORT-TERM MEMORY (LSTM) UNTUK PREDIKSI SAHAM PT. BANK MANDIRI TBK. (BMRI),” Journal of Economic, Business and Accounting, vol. 7, no. 3, pp. 5631–5636, 2024.
A. Haris Prayoga et al., “PENGEMBANGAN APLIKASI BANK ACCOUNT FRAUD DETECTION DENGAN MENGGUNAKAN ALGORITMA XGBOOST,” 2024.
R. Saputra et al., “ANALISIS PREDIKSI SAHAM TESLA MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY (LSTM),” Journal of Computer Science and Information Technology (JCSIT, vol. 2, no. 1, 2024.
J. Pasaribu, N. Yudistira, and W. F. Mahmudy, “Tabular Data Classification and Regression?: XGBoost or Deep Learning with Retrieval-Augmented Generation,” IEEE Access, 2024, doi: 10.1109/ACCESS.2024.3518205.
Z. Chen, Z. W. Li, J. Huang, S. Z. Liu, and H. X. Long, “An effective method for anomaly detection in industrial Internet of Things using XGBoost and LSTM,” Sci Rep, vol. 14, no. 1, p. 23969, Dec. 2024, doi: 10.1038/s41598-024-74822-6.
K. Fu and Y. Zhang, “Incorporating Multi-Source Market Sentiment and Price Data for Stock Price Prediction,” Mathematics, vol. 12, no. 10, May 2024, doi: 10.3390/math12101572.
A. Frifra, M. Maanan, M. Maanan, and H. Rhinane, “Harnessing LSTM and XGBoost algorithms for storm prediction,” Sci Rep, vol. 14, no. 1, Dec. 2024, doi: 10.1038/s41598-024-62182-0.
T. Sugihartono, B. Wijaya, Marini, A. F. Alkayes, and H. A. Anugrah, “Optimizing Stunting Detection through SMOTE and Machine Learning: a Comparative Study of XGBoost, Random Forest, SVM, and k-NN,” Journal of Applied Data Sciences, vol. 6, no. 1, pp. 667–682, Jan. 2025, doi: 10.47738/jads.v6i1.494.
I. Rifky Hendrawan, “‘Jurnal TRANSFORMASI (Informasi & Pengembangan Iptek)’ (STMIK BINA PATRIA) PERBANDINGAN ALGORITMA NAÏVE BAYES, SVM DAN XGBOOST DALAM KLASIFIKASI TEKS SENTIMEN MASYARAKAT TERHADAP PRODUK LOKAL DI INDONESIA,” 2022.
Intan Permata and Esther Sorta Mauli Nababan, “Application Of Game Theory In Determining Optimum Marketing Strategy In Marketplace,” JURNAL RISET RUMPUN MATEMATIKA DAN ILMU PENGETAHUAN ALAM, vol. 2, no. 2, pp. 65–71, Jul. 2023, doi: 10.55606/jurrimipa.v2i2.1336.
T. Abdupatah and C. Rozikin, “Prediksi Harga Saham Menggunakan Machine Learning Dengan Metode Long Short Therm Memory (LSTM) Study Kasus?: Saham Tesla,” Jurnal Informatika MULTI, vol. 3, no. 1, 2025, [Online]. Available: https://jurnal.publikasitecno.id/index.php/jim
D. Kusuma Ningrum and A. Maytsa Ismawardi, “EFEKTIVITAS ALGORITMA KECERDASAN BUATAN DALAM IMPLEMENTASI KESEHATAN MENTAL?: SYSTEMATIC LITERATURE REVIEW,” 2025.
