Komparasi Model Transformer dan LSTM dalam Prediksi Harga Saham Blue Chip di BEI

Abstrak

Kompleksitas prediksi harga saham berakar dari sifat data runtun waktu keuangan yang fluktuatif dan non-linear. Studi ini menyelidiki bagaimana Long Short-Term Memory (LSTM) dan Transformer merespons variasi panjang sekuens historis dalam meramalkan harga penutupan saham PT Bank Central Asia Tbk (BBCA), saham blue-chip dengan kapitalisasi pasar terbesar di Bursa Efek Indonesia. Data historis OHLCV dikumpulkan dari Yahoo Finance mencakup periode Januari 2018 hingga Desember 2024. Panjang sekuens divariasikan pada 3, 5, 7, 10, dan 14 hari. Evaluasi menggunakan MAE, RMSE, MAPE, serta Uji Diebold-Mariano untuk mengonfirmasi signifikansi statistik perbedaan kinerja. Hasil eksperimen menunjukkan LSTM mencapai kinerja terbaik pada panjang sekuens 14 hari dengan MAPE 1,23%, sementara Transformer mencapai titik optimal pada panjang sekuens 3 hari dengan MAPE 1,40%. Transformer mengalami penurunan performa yang tajam seiring bertambahnya panjang sekuens, mencapai MAPE 5,26% pada 14 hari. Sebaliknya, LSTM menunjukkan performa yang stabil di seluruh variasi panjang sekuens. Perbedaan ini berkaitan dengan cara kerja masing-masing model dalam mengolah data historis. LSTM yang membaca data secara bertahap cenderung dapat mengumpulkan informasi dari sekuens panjang, sedangkan Transformer yang membandingkan semua data sekaligus justru tidak menunjukkan hal yang sama saat jumlah data bertambah. Temuan ini menegaskan bahwa pada dataset finansial dengan ukuran terbatas, pemilihan model dan panjang data historis harus disesuaikan secara hati-hati karena tidak semua arsitektur diuntungkan oleh penambahan data.