ANALISIS PERBANDINGAN TREE-BASED MACHINE LEARNING DAN DEEP LEARNING DALAM PREDIKSI HARGA SAHAM BERBASIS MULTIVARIATE TIME SERIES

Penelitian ini bertujuan untuk membandingkan kinerja model Tree-Based Machine Learning (XGBoost) dan Deep Learning (PatchTST) dalam memprediksi harga saham PT Medco Energi Internasional Tbk (MEDC) menggunakan pendekatan multivariate time series. Data yang digunakan meliputi harga historis saham MEDC, Indeks Harga Saham Gabungan (IHSG), harga minyak mentah West Texas Intermediate (WTI), indikator teknikal, dan sentimen berita. Feature selection dilakukan menggunakan Mutual Information untuk memperoleh beberapa konfigurasi fitur berdasarkan peringkat informasi terhadap target. Evaluasi dilakukan menggunakan walk-forward validation dengan metode rolling window pada delapan fold dengan membandingkan konfigurasi seluruh fitur dan feature selection dengan jumlah fitur 8, 22, dan 30. Performa model dievaluasi menggunakan RMSE, MAE, MAPE, R², dan CV serta didukung oleh analisis feature importance, SHAP (SHapley Additive exPlanations), dan Wilcoxon SignedRank Test dengan koreksi Bonferroni.
Hasil penelitian menunjukkan bahwa PatchTST secara umum memberikan performa dan stabilitas yang lebih baik dibandingkan XGBoost pada walk-forward validation, tetapi hasil Wilcoxon Signed-Rank Test menunjukkan bahwa seluruh perbedaan performa antar-model dan konfigurasi tidak signifikan secara statistik setelah dilakukan koreksi Bonferroni. PatchTST FS8 menjadi konfigurasi terbaik dengan RMSE sebesar 53,56, MAE 41,20, MAPE 5,19%, dan R2 0,8710, sedangkan XGBoost FS8 menghasilkan RMSE 90,89, MAE 67,69, MAPE 6,82%, dan R2 0,6184. Hasil feature selection menggunakan Mutual Information serta analisis feature importance dan SHAP menunjukkan bahwa urutan kepentingan fitur tidak sepenuhnya sama, meskipun Terakhir_MEDC_Lag_1 secara konsisten menjadi salah satu fitur paling dominan. XGBoost menunjukkan ketergantungan yang lebih kuat terhadap fitur historis MEDC, sedangkan PatchTST memanfaatkan informasi multivariat, termasuk IHSG dan harga minyak, secara lebih merata. Sementara itu, kontribusi sentimen berita relatif rendah pada kedua model. Sehingga hasil penelitian menunjukkan bahwa pemilihan fitur dan model perlu mempertimbangkan karakteristik data serta periode pengamatan.