Implementasi Model BiLSTM-Attention untuk Prediksi Nilai IHSG Berdasarkan Data Historis OHLCV

Abstrak

Indeks Harga Saham Gabungan (IHSG) merupakan parameter utama yang merepresentasikan kinerja pasar modal Indonesia, namun pergerakannya yang fluktuatif dan dipengaruhi banyak faktor eksternal membuat prediksi IHSG menjadi tantangan tersendiri. Penelitian ini mengimplementasikan model Bidirectional Long Short-Term Memory (BiLSTM) dengan mekanisme Attention untuk memprediksi nilai IHSG berdasarkan data historis OHLCV (Open, High, Low, Close, Volume). Model BiLSTM dipilih karena kemampuannya dalam menangkap pola data sekuensial dua arah, sementara Attention Mechanism memperkuat fokus model terhadap data historis yang relevan dalam proses prediksi. Penelitian dilakukan secara kuantitatif menggunakan pendekatan deep learning. Hasil evaluasi menunjukkan bahwa arsitektur BiLSTM-Attention mampu menghasilkan prediksi IHSG dengan performa tinggi, yaitu R² sebesar 0,9485, RMSE sebesar 59,47, MAE sebesar 45,12, dan MAPE sebesar 0,63%. Temuan ini menunjukkan bahwa model efektif dalam menangkap dinamika pasar dan layak digunakan sebagai alat bantu dalam pengambilan keputusan investasi yang lebih akurat dan berbasis data.