Prediksi Saham Bank Central Asia Menggunakan Temporal Convolutional Network

Nanda Darma Wirawan; Eddy  Muntina Dharma; Made  Adi Paramartha Putra

doi:10.36418/syntax-literate.v11i3.63983

Nanda Darma Wirawan Universitas Primakara
Eddy Muntina Dharma Universitas Primakara
Made Adi Paramartha Putra Universitas Primakara

DOI: https://doi.org/10.36418/syntax-literate.v11i3.63983

Keywords: TCN, BBCA, High_next, Low_next, indikator teknis, indikator makro/fundamental, MAE, RMSE, sMAPE, MASE.

Abstract

Pasar saham merupakan salah satu instrumen investasi yang memiliki peran penting dalam pertumbuhan ekonomi dan pengembangan pasar keuangan. Peningkatan jumlah investor di Indonesia mendorong kebutuhan akan metode analisis yang lebih akurat untuk memprediksi pergerakan harga saham. Saham PT Bank Central Asia Tbk (BBCA) sebagai salah satu emiten dengan kapitalisasi pasar terbesar di Bursa Efek Indonesia menjadi objek penting dalam analisis prediksi harga saham. Namun, karakteristik data pasar saham yang bersifat non-linear, dinamis, dan dipengaruhi berbagai faktor membuat proses prediksi menjadi kompleks. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model prediksi harga tertinggi (High_next) dan harga terendah (Low_next) saham BBCA menggunakan pendekatan Temporal Convolutional Network (TCN) dengan memanfaatkan kombinasi indikator teknikal dan indikator makroekonomi. Penelitian ini menggunakan pendekatan kuantitatif eksperimental dengan framework CRISP-DM yang meliputi tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Data yang digunakan merupakan data historis bulanan periode Januari 2009 hingga Agustus 2025 yang terdiri dari indikator teknikal saham serta indikator makro seperti IHSG, nilai tukar USD/IDR, dan suku bunga Bank Indonesia. Hasil penelitian menunjukkan bahwa model TCN mampu menghasilkan prediksi yang akurat dengan kinerja terbaik pada skenario TECH untuk prediksi High_next dan skenario ALL untuk prediksi Low_next, serta secara konsisten mengungguli model baseline linear berdasarkan metrik MAE, RMSE, sMAPE, dan MASE. Dengan demikian, model TCN terbukti efektif dalam memodelkan deret waktu keuangan dan dapat digunakan sebagai alat bantu analisis bagi investor dalam pengambilan keputusan investasi berbasis data.

Downloads

Download data is not yet available.

References

Bai, S., Kolter, J. Z., & Koltun, V. (2018). An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling. http://arxiv.org/abs/1803.01271

Dai, W., An, Y., & Long, W. (2021). Information Technology and Quantitative Management (ITQM 2020&2021) Price change prediction of ultra high frequency financial data based on temporal convolutional network. www.sciencedirect.comwww.elsevier.com/locate/procedia

Du, S., & Shen, H. (2024). Reinforcement Learning-Based Multimodal Model for the Stock Investment Portfolio Management Task. Electronics (Switzerland), 13(19). https://doi.org/10.3390/electronics13193895

Fajou, J. (2021a). Forecasting Gold Prices Using Temporal Convolutional Networks.

Fajou, J. (2021b). Forecasting Gold Prices Using Temporal Convolutional Networks.

Gil, G. L., Duhamel-Sebline, P., & McCarren, A. (2024). An Evaluation of Deep Learning Models for Stock Market Trend Prediction. http://arxiv.org/abs/2408.12408

Google Finance. (2025). Index Harga Saham BBCA. https://www.google.com/finance/quote/BBCA:IDX?hl=id.

Guidotti, R., Monreale, A., Ruggieri, S., Turini, F., Pedreschi, D., & Giannotti, F. (2018). A Survey Of Methods For Explaining Black Box Models. http://arxiv.org/abs/1802.01933

Harry Akbar Al Hakim. (2021). PREDIKSI TREN PERGERAKAN HARGA SAHAM MENGGUNAKAN ALGORITMA TEMPORAL CONVOLUTIONAL NETWORK (TCN).

idx.co.id. (2025, September 4). Jumlah Investor Lampaui 18 Juta, Cerminkan Stabilitas Pasar Modal Indonesia. idx.co.id. https://www.idx.co.id/id/berita/siaran-pers/2442

Janssen, P. (2022). Attention based Temporal Convolutional Network for stock price prediction. https://github.com/PaoloJ36/ATCN/.

Lee, J., Kim, R., Koh, Y., & Kang, J. (2019). Global Stock Market Prediction Based on Stock Chart Images Using Deep Q-Network. https://doi.org/10.1109/ACCESS.2019.2953542

Liu, Y., Huang, X., Xiong, L., Chang, R., Wang, W., & Chen, L. (2025). Stock price prediction with attentive temporal convolution-based generative adversarial network. Array, 25. https://doi.org/10.1016/j.array.2025.100374

Lundberg, S., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. http://arxiv.org/abs/1705.07874

Mahendra, K., Satyahadewi, N., & Perdana, H. (2022). ANALISIS TEKNIKAL SAHAM MENGGUNAKAN INDIKATOR MOVING AVERAGE CONVERGENCE DIVERGENCE (MACD). Dalam Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) (Vol. 11, Nomor 1).

Prayogi, K., Gata, W., & Kussanti, D. P. (t.t.). Prediksi Harga Saham Bank Central Asia Menggunakan Algoritma Deep Learning GRU.

Purnama Sari, E., Bachri, S. M., Atnang, M., Fajar, N., Studi Teknologi Informasi, P., Sains Teknologi dan Kesehatan, F., Sains Teknlogi dan Kesehatan, I., & Kendari, A. (2024). Studi Literatur Deep Learning dan Machine Learning untuk Analisis dan Prediksi Pasar Saham: Metodologi, Representasi Data dan Studi Kasus. Dalam Jurnal Teknologi dan Sains Modern (Vol. 1, Nomor 1). https://journal.scitechgrup.com/index.php/jtsm

Rijken Irahadi, D., Stevani Sianturi, M., Suk Kim, S., Kunci, K., Pergerakan, R.-R., Kekuatan Relatif, I., & Oscillator, S. (t.t.). PENGGUNAAN INDIKATOR ANALISA TEKNIKAL PADA PASAR SAHAM DI INDONESIA.

Rouf, N., Malik, M. B., Arif, T., Sharma, S., Singh, S., Aich, S., & Kim, H. C. (2021). Stock market prediction using machine learning techniques: A decade survey on methodologies, recent developments, and future directions. Dalam Electronics (Switzerland) (Vol. 10, Nomor 21). MDPI. https://doi.org/10.3390/electronics10212717

Valiant, K., Lukito, Y., & Santosa, R. G. (2019). Sistem Prediksi Harga Saham LQ45 Dengan Random Forest Classifier. 2. https://doi.org/10.21460/jutei.2019.32.187