Analisis dan Prediksi Harga Saham Sektor Energi Terbarukan

Laporan ini menyajikan analisis komprehensif dan pemodelan prediktif untuk harga saham dari tiga perusahaan terkemuka di sektor Energi Baru dan Terbarukan (EBT) Indonesia: PT Barito Renewables Energy Tbk (BREN.JK), PT Pertamina Geothermal Energy Tbk (PGEO.JK), dan PT Kencana Energi Lestari Tbk (KEEN.JK).

EBT: Energi Baru dan Terbarukan. Sektor industri yang berfokus pada sumber energi berkelanjutan.

RNN (Recurrent Neural Network): Keluarga arsitektur jaringan saraf yang dirancang untuk data sekuensial atau deret waktu, memiliki "ingatan" dari langkah sebelumnya.

LSTM (Long Short-Term Memory): Jenis arsitektur RNN yang mampu mempelajari dependensi jangka panjang, efektif untuk data deret waktu.

GRU (Gated Recurrent Unit): Varian dari LSTM yang lebih sederhana dengan performa yang seringkali setara, namun lebih efisien secara komputasi.

CNN (Convolutional Neural Network): Jaringan saraf yang efektif untuk mengekstraksi fitur hirarkis dari data, biasanya digunakan untuk gambar namun bisa juga untuk sekuens.

CNN-GRU: Model hybrid yang menggabungkan CNN dan GRU. CNN pertama-tama mengekstrak pola lokal jangka pendek dari data, lalu GRU menganalisis urutan pola-pola tersebut untuk prediksi.

Deep Learning: Sub-bidang dari machine learning yang menggunakan jaringan saraf dengan banyak lapisan (lapisan dalam/"deep") untuk mempelajari pola kompleks dari data.

EDA (Analisis Data Eksploratif): Proses investigasi awal pada data untuk menemukan pola, anomali, dan wawasan utama melalui statistik dan visualisasi.

Pra-pemrosesan (Pre-processing): Tahap persiapan data mentah (seperti normalisasi dan pembuatan sekuens) agar sesuai untuk model machine learning.

SMA (Simple Moving Average): Indikator teknikal yang menghaluskan data harga untuk membentuk garis tren dengan menghitung rata-rata harga selama periode tertentu.

RMSE (Root Mean Squared Error): Metrik evaluasi yang mengukur rata-rata besarnya kesalahan prediksi, memberikan bobot lebih pada kesalahan yang besar.

MAPE (Mean Absolute Percentage Error): Metrik evaluasi yang mengukur kesalahan prediksi sebagai persentase, berguna untuk memahami skala kesalahan relatif.

Sequence Length (Lookback): Jumlah langkah waktu (misal: 60 hari) yang digunakan model sebagai input untuk memprediksi langkah waktu berikutnya.

Harga Penutupan (Closing Price): Harga terakhir di mana saham diperdagangkan selama satu hari perdagangan. Sering digunakan sebagai fitur utama untuk prediksi.

Epoch: Satu siklus lengkap di mana model machine learning telah memproses seluruh data pelatihan satu kali.

Overfitting: Kondisi di mana model terlalu 'hafal' data pelatihan sehingga performanya buruk pada data baru yang belum pernah dilihat.

Validation Loss: Metrik kesalahan model yang dihitung pada set data validasi (data yang tidak digunakan untuk pelatihan) selama proses training. Digunakan untuk memonitor overfitting.

EarlyStopping: Teknik regularisasi untuk menghentikan pelatihan model secara otomatis ketika performa pada data validasi tidak lagi meningkat.

Lapisan Dense: Lapisan dasar dalam jaringan saraf di mana setiap neuron terhubung ke semua neuron di lapisan sebelumnya (fully connected).

Dropout: Teknik regularisasi di mana sebagian neuron diabaikan secara acak selama pelatihan untuk mencegah model terlalu bergantung pada neuron tertentu (mencegah overfitting).

Ringkasan Eksekutif

Tujuan utama dari analisis ini adalah untuk mengembangkan dan mengevaluasi model deep learning yang mampu memprediksi pergerakan harga saham di masa depan, guna menyediakan alat bantu pengambilan keputusan yang berbasis data bagi investor dan analis.

Metodologi yang Diterapkan:

Data historis untuk setiap saham diunduh menggunakan pustaka yfinance dari Python, yang mengakses data dari portal Yahoo Finance. Data yang diambil mencakup harga Pembukaan (Open), Tertinggi (High), Terendah (Low), Penutupan (Close), dan Volume Perdagangan (Volume) untuk periode yang telah ditentukan.

EDA dilakukan untuk mendapatkan wawasan awal dari data. Ini mencakup:

Visualisasi Harga Historis: Mengamati tren jangka panjang dan volatilitas.
Visualisasi Volume Perdagangan: Mengidentifikasi periode aktivitas perdagangan yang tinggi atau rendah.
Analisis Moving Average (MA): Menggunakan SMA 20 dan 50 hari untuk membantu mengidentifikasi sinyal tren.

Data mentah disiapkan untuk model deep learning melalui beberapa tahap:

Normalisasi: Harga penutupan dinormalisasi ke rentang [0, 1] menggunakan MinMaxScaler.
Pembuatan Sekuens: Data diubah menjadi format sekuens (60 hari data untuk memprediksi hari ke-61).
Pembagian Data: Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian.

Dua arsitektur RNN utama (LSTM & GRU) dibangun dengan struktur bertumpuk:

Lapisan RNN Pertama: 50 unit, mengembalikan sekuens.
Lapisan RNN Kedua: 50 unit, hanya mengembalikan output terakhir.
Lapisan Dense & Dropout: 25 unit dengan regularisasi Dropout (0.2).
Lapisan Output: 1 unit untuk prediksi nilai.

Model dikompilasi menggunakan optimizer adam dan loss mean_squared_error.

Kinerja model diukur pada data uji menggunakan metrik berikut:

RMSE (Root Mean Squared Error): Memberi bobot lebih pada kesalahan besar.
MAPE (Mean Absolute Percentage Error): Mudah diinterpretasikan sebagai persentase kesalahan.

Model dilatih dengan EarlyStopping untuk mencegah overfitting.

Temuan Kunci:

💡

Model GRU standar menunjukkan performa paling unggul dan konsisten di antara semua model yang diuji, terutama untuk saham dengan volatilitas tinggi seperti BREN dan PGEO.

⚠️

Eksperimen dengan model hybrid CNN-GRU tidak menunjukkan peningkatan kinerja yang signifikan dibandingkan model GRU standar.

🚀

Berdasarkan model GRU terbaik untuk saham BREN.JK, proyeksi untuk 30 hari ke depan mengindikasikan potensi tren kenaikan yang berkelanjutan.

Pilih Emiten

Analisis Data Eksploratif: BREN.JK

Grafik Harga Penutupan

Harga & Moving Averages

Volume Perdagangan

Kinerja Model: BREN.JK

Perbandingan Prediksi vs Aktual

Metrik Evaluasi Model

Kurva Loss Model

Proyeksi 30 Hari ke Depan: BREN.JK

Kesimpulan & Rekomendasi

Kesimpulan

Model deep learning, khususnya arsitektur GRU, terbukti menjadi alat yang efektif untuk memprediksi tren harga saham di sektor EBT Indonesia, dengan tingkat kesalahan (MAPE) yang relatif rendah.
Meskipun saham di sektor ini menunjukkan volatilitas yang beragam, model GRU menunjukkan kinerja yang paling robust dan konsisten di antara arsitektur yang diuji.
Eksperimen dengan arsitektur hybrid CNN-GRU tidak memberikan keunggulan performa yang jelas dibandingkan dengan model GRU standar.
Prediksi yang dihasilkan oleh model ini dapat menjadi referensi berharga untuk memahami potensi arah tren pasar dalam jangka pendek.

Rekomendasi

Bagi Investor:

🤝

Model ini sebaiknya digunakan sebagai alat bantu konfirmasi tren dan bukan satu-satunya dasar pengambilan keputusan. Hasil prediksi harus selalu dikombinasikan dengan analisis fundamental, berita pasar, dan kondisi makroekonomi.

Untuk Pengembangan Lanjutan:

🧩

Rekayasa Fitur (Feature Engineering)

Menambahkan fitur-fitur lain seperti indikator teknikal (RSI, MACD), data sentimen berita, atau data ekonomi.

🎛️

Hyperparameter Tuning

Melakukan optimisasi sistematis terhadap parameter model menggunakan teknik seperti Grid Search atau Bayesian Optimization.

🤖

Eksplorasi Arsitektur Lain

Menguji arsitektur yang lebih modern seperti Transformers, yang telah menunjukkan keberhasilan dalam tugas-tugas sekuensial lainnya.