Prediksi Saham Bank Central Asia Menggunakan Temporal Convolutional Network
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
References
Aisya, Sarjan, S., Setiawanti, N. A., & Marjohan, M. (2025). Capital Market in Indonesia. Indonesian Development of Economics and Administration Journal, 3(3), 226–230.
Akaçık, Ö. (t.t.). ModernTCN Revisited: A Critical Look at the Experimental Setup in General Time Series Analysis Mark Hoogendoorn. https://github.com/onderakacik/RE-ModernTCN
Alamsyahbana, M., Saputra, N., Fauzi, F., Antania, L., & Setiawan, E. (2023, Juni 22). Good to Great Effect – At Bank Sectors in Indonesian Capital Market. https://doi.org/10.4108/eai.17-12-2022.2333268
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
Barua, M., Kumar, T., Raj, K., & Roy, A. M. (2024). Comparative Analysis of Deep Learning Models for Stock Price Prediction in the Indian Market. FinTech, 3(4), 551–568. https://doi.org/10.3390/fintech3040029
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.
Gibbs, I., & Candès, E. (2021). Adaptive Conformal Inference Under Distribution Shift. http://arxiv.org/abs/2106.00170
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).
Hodson, T. O. (2022). Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not. Dalam Geoscientific Model Development (Vol. 15, Nomor 14, hlm. 5481–5487). Copernicus GmbH. https://doi.org/10.5194/gmd-15-5481-2022
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
Jange, B. (2022). Prediksi Harga Saham Bank BCA Menggunakan XGBoost. ARBITRASE: Journal of Economics and Accounting, 3(2), 231–237. https://doi.org/10.47065/arbitrase.v3i2.495
Jange, B. (2023). Prediksi Volatilitas Indeks Harga Saham Gabungan Menggunakan GARCH. ARBITRASE: Journal of Economics and Accounting, 4(1), 1–6. https://doi.org/10.47065/arbitrase.v4i1.1122
Janssen, P. (2022). Attention based Temporal Convolutional Network for stock price prediction. https://github.com/PaoloJ36/ATCN/.
Lara-Benítez, P., Carranza-García, M., Luna-Romera, J. M., & Riquelme, J. C. (2020). Temporal convolutional networks applied to energy-related time series forecasting. Applied Sciences (Switzerland), 10(7). https://doi.org/10.3390/app10072322
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.
Rohman Tiovandi, M., & Susyanti, J. (2024). Anailisis Dengan Indikator Bollinger Band dan Stochastic Oscillator Pada Saham Serta Fundamental Perusahaan LQ 45 Sub Sektor Perbankan. Jurnal Ilmiah Multidisiplin, 1(6), 249–257. https://doi.org/10.62017/merdeka
Romano, Y., Patterson, E., & Candès, E. J. (2019). Conformalized Quantile Regression. http://arxiv.org/abs/1905.03222
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
Setiawan, B., Purnamasari, E., & Ulum, M. B. (2020). Macroeconomic Indicators and Stock Market Development on Economic Growth: Empirical Evidence from ASEAN Countries. SRIWIJAYA INTERNATIONAL JOURNAL OF DYNAMIC ECONOMICS AND BUSINESS, 271–282. https://doi.org/10.29259/sijdeb.v3i4.271-282
Shobri, M. Q., Baihaqi, M. A., Kubro, P. B. Al, Andiyani, R. A., Istikhomah, F., Handayani, P. T., Isa, M., & Nuryana, I. (2023). Model Analisis Harga Saham Sektor Finansial PT. Bank Central Asia Tbk. (BBCA). Jurnal Keilmuan dan Keislaman, 260–269. https://doi.org/10.23917/jkk.v2i4.170
Sun, G., & Deng, S. (2025). Financial Time Series Forecasting: A Comparison Between Traditional Methods and AI-Driven Techniques. Journal of Computer, Signal, and System Research, 2(2), 86–93. https://doi.org/10.71222/339b9812
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
Wathani, M. N., Kusrini, K., & Kusnawi, K. (2023). Prediksi Tren Pergerakan Harga Saham PT Bank Central Asia Tbk, Dengan Menggunakan Algoritma Long Shot Term Memory (LSTM). Infotek: Jurnal Informatika dan Teknologi, 6(2), 502–512. https://doi.org/10.29408/jit.v6i2.19824
Zaffran, M., Dieuleveut, A., Féron, O., Goude, Y., & Josse, J. (2022). Adaptive Conformal Predictions for Time Series. http://arxiv.org/abs/2202.07282
Copyright (c) 2026 Nanda Darma Wirawan, Eddy Muntina Dharma, Made Adi Paramartha Putra
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
