PENERAPAN ALGORITMA XGBOOST UNTUK PREDIKSI HARGA SAHAM RTX Corporation (RTX) DALAM KONTEKS ANALISIS PASAR

Fluktuasi harga saham yang sangat dinamis di pasar modal menjadikan prediksi pergerakan harga sebagai tantangan kompleks bagi investor dan analis keuangan. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi kinerja algoritma Extreme Gradient Boosting (XGBoost) dalam memprediksi harga saham harian RTX Corporation, sebuah perusahaan kedirgantaraan dan pertahanan multinasional, menggunakan pendekatan analisis teknikal.
Penelitian ini menggunakan dataset historis dari Yahoo Finance periode 1962 hingga 2026 yang dibagi dengan rasio 85% untuk data latih dan 15% untuk data uji menggunakan time-series split. Model utama (baseline) dibangun dengan mengekstraksi 43 fitur indikator teknikal. Selain itu, penelitian ini menguji skenario penyederhanaan model melalui feature selection, mengembangkan model hybrid yang menggabungkan fitur teknikal dengan analisis sentimen berita berbasis algoritma VADER sebagai Proof of Concept (PoC), serta mendesain dashboard antarmuka interaktif menggunakan Streamlit.
Hasil penelitian menunjukkan bahwa XGBoost mampu memprediksi harga saham dengan tingkat akurasi yang luar biasa. Model baseline menghasilkan Mean Absolute Percentage Error (MAPE) sebesar 1,2350%, Root Mean Square Error (RMSE) sebesar $1,50, dan skor R^2 mencapai 0,9972. Penerapan feature selection membuktikan bahwa penggunaan 5 fitur teratas (didominasi oleh fitur momentum dan tren seperti EMA dan Bollinger Bands) mampu mengoptimalkan performa hingga menurunkan MAPE menjadi 1,19%. Pada eksperimen model hybrid, penambahan variabel sentimen berita terbukti meningkatkan Directional Accuracy secara drastis hingga 83,3%, meskipun secara statistik masih dibatasi oleh fenomena small sample size akibat limitasi akses data berita. Seluruh hasil analisis teknikal dan prediksi ini telah diintegrasikan dengan baik ke dalam sebuah dashboard berbasis web untuk mendukung pemantauan pasar secara real-time.