Sistem Prediksi Risiko Volatilitas Saham Menggunakan Hybrid LSTM dan Random Forest
Abstract
Fluktuasi harga merupakan salah satu sumber risiko di pasar saham. Bagi investor yang belum berpengalaman, perubahan harga tersebut tidak selalu mudah diterjemahkan menjadi gambaran tingkat risiko. Penelitian ini mengembangkan sistem untuk memperkirakan volatilitas dan mengelompokkannya sebagai risiko rendah, sedang, atau tinggi pada saham BUMI.JK melalui gabungan Long Short-Term Memory (LSTM) dan Random Forest. Data Open, High, Low, Close, Adjusted Close, serta Volume diambil secara otomatis dari Yahoo Finance API. Setelah data dibersihkan, log return dihitung dan volatilitas diukur menggunakan standar deviasi log return untuk jendela 7 dan 30 hari. LSTM memodelkan pola berurutan pada data dan menghasilkan estimasi volatilitas; estimasi tersebut beserta fitur temporal yang relevan kemudian menjadi masukan Random Forest untuk menentukan kelas risiko. Ambang risiko ditetapkan sebagai kriteria operasional penelitian, yakni volatilitas di bawah 2% tergolong rendah, 2% sampai 5% sedang, dan di atas 5% tinggi. Aplikasi dikembangkan dengan Flask dan menyajikan angka volatilitas, kategori risiko, grafik pergerakan historis, serta tanggal data terakhir pada dashboard web. Pada evaluasi regresi, LSTM menghasilkan MAE 0,01240401 dan RMSE 0,01665610 dalam satuan log return. Untuk klasifikasi, model gabungan mencapai Accuracy 86,45%, Weighted Precision 86,19%, Weighted Recall 86,45%, dan Weighted F1-Score 86,27%. Perhitungan pada data terkini menghasilkan volatilitas 7,7418% untuk jendela 7 hari dan 5,8185% untuk jendela 30 hari; keduanya masuk kelas risiko tinggi menurut batas yang diterapkan. Sistem yang dihasilkan menyatukan estimasi dan pengelompokan risiko dalam bentuk informasi yang dapat dipakai sebagai analisis awal.
References
Abdi, M. F. & Yonhendri. (2025). Implementasi sistem prediksi saham real-time dengan integrasi Yahoo Finance API dan machine learning di Google Colab: Analisis dan evaluasi performa model. Teknomatika, 15(1), 25–31. https://doi.org/10.61423/teknomatika.v15i01.692
Ananda, M. R., & Sutopo, J. (2025). Komparasi model deep learning dalam prediksi harga saham pada sektor pertambangan Indonesia. JINTEKS: Jurnal Informat-ika Teknologi Dan Sains, 7(4), 2174–2183. https://doi.org/10.51401/jinteks.v7i4.6965
Budiharto, W. (2021). Data science approach to stock prices forecasting in Indonesia during Covid-19 using Long Short-Term Memory (LSTM). Journal of Big Da-ta, 8(1), 47. https://doi.org/10.1186/s40537-021-00430-0
Darnis, F., Rahman, A., & Ansori, Y. (2025). Akurasi model algoritma Recurrent Neu-ral Network untuk prediksi saham syariah. Teknomatika, 15(1), 17–24. https://doi.org/10.61423/teknomatika.v15i01.690
Gunawan, K. & Ikrimach. (2024). Implementation of Python-based TOPSIS method for best stock selection analysis using Yahoo Finance. Jurnal Teknologi Dan Open Source, 7(2), 125–137.
Irmayani, W., & Jayanti, W. E. (2025). Visualisasi prediksi harga saham menggunakan model Long Short-Term Memory (LSTM). JUSTIAN: Jurnal Sistem Informasi Akuntansi, 6(1), 1–8. https://doi.org/10.31294/justian.v6i1.8107
Jiang, W. (2021). Applications of deep learning in stock market prediction: Recent progress. Expert Systems with Applications, 184, 115537. https://doi.org/10.1016/j.eswa.2021.115537
Kusuma, N. P. N., Artani, K. T. B., & Dewi, D. P. N. (2024). Prediksi harga saham blue chip menggunakan algoritma Long Short-Term Memory (LSTM). Jurnal Riset Akuntansi Dan Keuangan, 20(1), 73–84. https://doi.org/10.21460/jrak.v20i1.6
Lei, B., Liu, Z., & Song, Y. (2021). On stock volatility forecasting based on text min-ing and deep learning under high‐frequency data. Journal of Forecasting, 40(8), 1596–1610. https://doi.org/10.1002/for.2794
Liu, G., Zhuang, Z., & Wang, M. (2024). Forecasting the high‐frequency volatility based on the LSTM‐HIT model. Journal of Forecasting, 43(5), 1356–1373. https://doi.org/10.1002/for.3078
Nabipour, M., Nayyeri, P., Jabani, H., Mosavi, A., Salwana, E., & S., S. (2020). Deep Learning for Stock Market Prediction. Entropy, 22(8), 840. https://doi.org/10.3390/e22080840
Olorunnimbe, K., & Viktor, H. (2023). Deep learning in the stock market—A systemat-ic survey of practice, backtesting, and applications. Artificial Intelligence Re-view, 56(3), 2057–2109. https://doi.org/10.1007/s10462-022-10226-0
Petrozziello, A., Troiano, L., Serra, A., Jordanov, I., Storti, G., Tagliaferri, R., & La Rocca, M. (2022). Deep learning for volatility forecasting in asset management. Soft Computing, 26(17), 8553–8574. https://doi.org/10.1007/s00500-022-07161-1
Pranoto, S., Sutiono, S., Sarifudin, & Nasution, D. (2024). Penerapan UML dalam perancangan sistem informasi pelaporan dan evaluasi pembangunan pada bagi-an administrasi pembangunan Sekretariat Daerah Kota Tebing Tinggi. Surplus: Jurnal Ekonomi Dan Bisnis, 2(2), 384–401.
Rasyid, A., Muharam, A. B., & Solichin, A. (2025). Prediksi harga saham syariah Indo-nesia berdasarkan analisis fundamental, teknikal dan bandarmology menggunakan metode Random Forest. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 10(2), 1663–1677. https://doi.org/10.29100/jipi.v10i2.7855
Rosyida, H., Firmansyah, A., & Wicaksono, S. B. (2020). Volatilitas harga saham: Leverage, ukuran perusahaan, pertumbuhan aset. JAS (Jurnal Akuntansi Syari-ah), 4(2), 196–208. https://doi.org/10.46367/jas.v4i2.256
Saberironaghi, M., Ren, J., & Saberironaghi, A. (2025). Stock Market Prediction Using Machine Learning and Deep Learning Techniques: A Review. AppliedMath, 5(3), 76. https://doi.org/10.3390/appliedmath5030076
Sahroni, M., Arif, M. F., & Misdram, M. (2024). Stock price prediction using the Long Short-Term Memory method. Jurnal Teknik Informatika (JUTIF), 5(6), 1769–1777. https://doi.org/10.52436/1.jutif.2024.5.6.2615
Thakkar, A., & Chaudhari, K. (2021). A comprehensive survey on deep neural net-works for stock market: The need, challenges, and future directions. Expert Sys-tems with Applications, 177, 114800. https://doi.org/10.1016/j.eswa.2021.114800
Vijh, M., Chandola, D., Tikkiwal, V. A., & Kumar, A. (2020). Stock Closing Price Pre-diction using Machine Learning Techniques. Procedia Computer Science, 167, 599–606. https://doi.org/10.1016/j.procs.2020.03.326
Yang, A., Ye, Q., & Zhai, J. (2024). Volatility forecasting with HYBRID‐LONG SHORT‐TERM MEMORY models: Evidence from the COVID ‐19 period. International Journal of Finance & Economics, 29(3), 2766–2786. https://doi.org/10.1002/ijfe.2805
Zeng, Q., Lu, X., Xu, J., & Lin, Y. (2024). Macro-Driven Stock Market Volatility Pre-diction: Insights from a New Hybrid Machine Learning Approach. International Review of Financial Analysis, 96, 103711. https://doi.org/10.1016/j.irfa.2024.103711
Copyright (c) 2026 INFORMASI (Jurnal Informatika dan Sistem Informasi)
This work is licensed under a Creative Commons Attribution 4.0 International License.
Tanggung jawab Penulis
- Penulis menyajikan artikel penelitian atau hasil pemikiran secara jelas, jujur, dan tanpa plagiarisme.
- Penulis harus menunjukkan rujukan dari pendapat dan karya orang lain yang dikutip.
- Penulis bertanggungjawab atas konfirmasi yang diajukan atas artikel yang telah ditulis.
- Penulis harus menulis artikel secara etis, jujur, dan bertanggungjawab, sesuai dengan peraturan penulisan ilmiah yang berlaku.
- Penulis tidak keberatan jika artikel mengalami penyuntingan tanpa mengubah substansi
