Perbandingan Algoritma Random Forest Dan Support Vector Regression Untuk Memprediksi Harga Penutupan Saham ( Studi kasus; Bank central asia tbk 2020-2024)

Harga saham yang fluktuatif menjadi tantangan utama bagi investor dalam mengambil keputusan investasi yang tepat. PT Bank Central Asia Tbk (BBCA) sebagai salah satu emiten terkemuka di Indonesia menjadi fokus dalam penelitian ini. Penelitian ini bertujuan untuk memprediksi harga penutupan saham BBCA menggunakan algoritma machine learning, yaitu Random Forest dan Support Vector Regression (SVR). Data yang digunakan merupakan data historis harga saham dari Januari 2020 hingga Desember 2024. Tahapan yang dilakukan meliputi preprocessing, rekayasa fitur teknikal (seperti moving average, lag, return, dan volatilitas), normalisasi dengan StandardScaler, serta pelatihan model dengan pencarian parameter optimal menggunakan GridSearchCV. Hasil evaluasi menunjukkan bahwa SVR menghasilkan performa terbaik dengan akurasi prediksi tinggi, ditandai dengan nilai MAE sebesar 0,0573 dan R² sebesar 0,8438 pada data uji. Sementara Random Forest mengalami overfitting dengan penurunan performa signifikan pada data pengujian. Model SVR dinilai lebih mampu melakukan generalisasi dan memberikan hasil prediksi yang lebih stabil. Sistem ini diharapkan dapat menjadi alat bantu dalam analisis teknikal harga saham, namun tetap perlu didukung dengan analisis fundamental dan kondisi pasar aktual untuk pengambilan keputusan investasi yang optimal.

Kata Kunci: Prediksi Saham, Random Forest, Support Vector Regression, Machine Learning, BBCA