Penerapan Algoritma XGBoost untuk Prediksi Harga Saham RTX Corporation dalam Konteks Analisis Pasar
DOI:
https://doi.org/10.47111/jointecoms.v6i3.28443Keywords:
Prediksi Harga Saham, XGBoost, Indikator Teknikal, Feature Selection, Dashboard, RTX CorporationAbstract
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 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 R² mencapai 0,9972. Penerapan feature selection membuktikan bahwa penggunaan 5 fitur teratas 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.
Downloads
References
[1] B. Jange, "Prediksi Harga Saham Bank BCA Menggunakan XGBoost," ARBITRASE: Journal of Economics and Accounting, vol. 3, no. 2, pp. 231–237, 2022.
[2] J. Monterio, "Raytheon Technologies Corporation: An Analysis of Leadership, Ethics, and Social Responsibility," The Journal of Global Awareness, vol. 3, no. 1, pp. 1–14, 2022.
[3] M. Zebua and E. Gea, "Pengaruh Faktor Eksternal Terhadap Harga Saham: Analisis Dengan Data Historis Dari Yahoo Finance," Identik: Jurnal Ilmu Ekonomi, Pendidikan Dan Teknik, vol. 02, no. 01, 2025.
[4] O. B. Sezer, M. U. Gudelek, and A. M. Ozbayoglu, "Financial time series forecasting with deep learning: A systematic literature review: 2005–2019," Applied Soft Computing Journal, vol. 90, 2020.
[5] S. Carta, A. Corriga, A. Ferreira, A. S. Podda, and D. R. Recupero, "A multi-layer and multi-ensemble stock trader using deep learning and deep reinforcement learning," Applied Intelligence, vol. 51, no. 2, pp. 889–905, 2021.
[6] Bijaksana Putra Negara, A. (2022). Penerapan Algoritma Model Regresi pada Angka New Active Cases Covid-19 di Indonesia. 01(1). https://doi.org/10.26418/juara.v1i1.59941
[7] Arifin, S., & Febryanto, B. A. (2025). Analisis Sentimen Pengguna Aplikasi Merdeka Mengajar Menggunakan Metode Vader Lexicon. SISFOTENIKA, 15(1), 1–11. https://doi.org/10.30700/sisfotenika.v15i1.513
[8] Fazlija, B., & Harder, P. (2022). Using Financial News Sentiment for Stock Price Direction Prediction. Mathematics, 10(13). https://doi.org/10.3390/math10132156
[9] Hakkal, S., & Lahcen, A. A. (2024). XGBoost To Enhance Learner Performance Prediction. Computers and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100254
[10] Ibrahem Ahmed Osman, A., Najah Ahmed, A., Chow, M. F., Feng Huang, Y., & El-Shafie, A. (2021). Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia. Ain Shams Engineering Journal, 12(2), 1545–1556. https://doi.org/10.1016/j.asej.2020.11.011
[11] Mohammed, R. H., & El-saieed, A. M. (2025). Chaotic billiards optimized hybrid transformer and XGBoost model for robust and sustainable time series forecasting. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-10641-7
[12] Nyoman, N., Pinata, P., Sukarsa, M., Kadek, N., & Rusjayanthi, D. (2020). Prediksi Kecelakaan Lalu Lintas di Bali dengan XGBoost pada Python. Jurnal Ilmiah Merpati, 8(3). https://doi.org/10.24843/JIM.2020.v08.i03.p04
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Journal of Information Technology and Computer Science

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.












