Prediksi Harga Saham Bank Rakyat Indonesia (BRI) Menggunakan Algoritma Regresi Linear
DOI:
https://doi.org/10.53624/frmam497Keywords:
Regresi Linear, Prediksi Saham, Bank Rakyat Indonesia, Machine Learning, Time Series, Fitur KelambananAbstract
Latar Belakang: Fluktuasi harga saham Bank Rakyat Indonesia (BRI) yang dinamis menyulitkan analisis manual, sehingga memerlukan pendekatan pembelajaran mesin yang otomatis dan akurat. Tujuan: Penelitian ini bertujuan untuk mengimplementasikan serta mengevaluasi performa algoritma Regresi Linear Berganda dalam memprediksi harga penutupan saham BRI berdasarkan data historis. Metode: Riset kuantitatif eksperimental ini memanfaatkan data harian saham pada periode 2020–2025. Data diolah menjadi 10 fitur kelambanan (lagging features) dari 2 hari sebelumnya (harga dan volume), lalu diuji dalam 5 skenario rasio pembagian data. Hasil: Skenario pembagian data 50:50 merupakan komposisi paling optimal berdasarkan kriteria keputusan utama dengan nilai galat relatif terendah (MAPE 1,6820%) dan kemampuan memetakan variasi tren tertinggi (R² 0,9792), serta didukung oleh nilai MAE sebesar 77,0202 dan RMSE sebesar 102,6369. Model terpilih berhasil diintegrasikan ke dalam antarmuka aplikasi web interaktif. Kesimpulan: Hasil penelitian menyimpulkan bahwa algoritma Regresi Linear Berganda terbukti andal dalam memetakan dinamika pergerakan harga saham BRI dengan tingkat akurasi peramalan yang sangat tinggi (< 10%) dan konsistensi tren yang kuat pada pengujian jangka panjang, sehingga layak digunakan sebagai sistem pendukung keputusan investasi.
Downloads
References
Amansyah, I., Indra, J., Nurlaelasari, E., & Juwita, A. R. (2024). Prediksi penjualan kendaraan menggunakan regresi linear: Studi kasus pada industri otomotif di indonesia. Innovative: Journal Of Social Science Research, 4(4), 1199–1216. https://doi.org/https://doi.org/10.31004/innovative.v4i4.12735
Edi, M., Utami, E., & Yaqin, A. (2023). Prediksi Harga pada Trading Forex Pair USDCHF Menggunakan Regresi Linear. Jurnal Manajemen Informatika (JAMIKA), 13(2), 109–119. https://doi.org/10.34010/jamika.v13i2.9826
Huang, Y., Capretz, L. F., & Ho, D. (2021). Machine Learning for Stock Prediction Based on Fundamental Analysis. 2021 IEEE Symposium Series on Computational Intelligence, SSCI 2021 - Proceedings. https://doi.org/10.1109/SSCI50451.2021.9660134
Jaya, D. P., Sobri, K. M., Putra, R., & Najib, A. (2023). Implementasi Kebijakan Restrukturisasi Kredit Perbankan kepada Usaha Mikro, Kecil Dan Menengah di Era Pandemi Covid-19 pada PT. Bank Rakyat Indonesia (Persero). PERSPEKTIF, 12(4), 1361–1373. https://doi.org/10.31289/perspektif.v12i4.10053
Kuswanto, J., & Hakim, L. (2025). Penerapan Algoritma Random Forest untuk memprediksi Performa Akademik Mahasiswa. Decode: Jurnal Pendidikan Teknologi Informasi, 5(1), 262–270. https://doi.org/https://doi.org/10.51454/decode.v5i1.1103
Li, Y., Xue, H., Wei, S., Wang, R., & Liu, F. (2024). A machine learning approach for investigating the determinants of stock price crash risk: Exploiting firm and CEO characteristics. Systems, 12(5), 143. https://doi.org/https://doi.org/10.3390/systems12050143
Lumbantoruan, S., Duha, A., Astuti, T. P., Wahidin, A. J., Rahmatullah, B., & Kurniawati, I. (2026). Prediksi Harga Saham PT Telkom Indonesia Tbk (TLKM) Menggunakan Linear Regression, Random Forest, dan XGBoost. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(4), 3429–3438. https://doi.org/https://doi.org/10.31004/riggs.v4i4.4158
Ouf, S., Hawary, M. El, Aboutabl, A., & Adel, S. (2024). A Deep Learning-Based LSTM for Stock Price Prediction Using Twitter Sentiment Analysis. Dalam IJACSA) International Journal of Advanced Computer Science and Applications (Vol. 15, Nomor 12). https://doi.org/https://doi.org/10.14569/IJACSA.2024.0151223
Priyatno, A. M., Tanjung, L. S., Ramadhan, W. F., Cholidhazia, P., Jati, P. Z., & Firmananda, F. I. (2023). Comparison random forest regression and linear regression for forecasting BBCA stock price. Jurnal Teknik Industri Terintegrasi (JUTIN), 6(3), 718–732. https://doi.org/https://doi.org/10.31004/jutin.v6i3.16933
Rohyati, R., Rokhmah, F. P. N., Syazeedah, H. N. U., Fitriyaningrum, R. I., Ramadhan, G., & Syahwildan, M. (2024). Tantangan dan peluang pasar modal Indonesia dalam meningkatkan minat investasi di era digital. Kompeten: Jurnal Ilmiah Ekonomi Dan Bisnis, 3(1), 909–918. https://doi.org/https://doi.org/10.57141/kompeten.v3i1.133
Saifudin, I., & Widiyaningtyas, T. (2024). Systematic Literature Review on Recommender System: Approach, Problem, Evaluation Techniques, Datasets. IEEE Access, 12, 19827–19847. https://doi.org/10.1109/ACCESS.2024.3359274
Supriyanto, Y., Ilhamsyah, M., & Enri, U. (2022). Prediksi Harga Minyak Kelapa Sawit Menggunakan Linear Regression Dan Random Forest. Jurnal Ilmiah Wahana Pendidikan, 8(7), 178–185. https://doi.org/https://doi.org/10.5281/zenodo.6559603
Windyani, W. I., Todingbua, M. A., & Mongan, C. J. (2026). Analisis Fundamental Pengambilan Keputusan Investasi pada Saham PT Bank BRI Tbk. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(4), 7839–7847. https://doi.org/https://doi.org/10.31004/riggs.v4i4.4594
Zapar, R., Pratama, D., Kaslani, K., Rohmat, C. L., & Faturrohman, F. (2024). Penerapan Model Regresi Linier Untuk Prediksi Harga Saham Bank BCA Pada Bursa Efek Indonesia. JATI (Jurnal Mahasiswa Teknik Informatika), 8(1), 196–202. https://doi.org/https://doi.org/10.36040/jati.v8i1.8215
Zou, J., Zhao, Q., Jiao, Y., Cao, H., Liu, Y., Yan, Q., Abbasnejad, E., Liu, L., & Shi, J. Q. (2023). Stock Market Prediction via Deep Learning Techniques: A Survey. https://doi.org/https://doi.org/10.48550/arXiv.2212.12717
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Reynaldi Syachputra Dewanata, Ilham Saifudin, Lutfi Ali Muharom
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
1. Hak cipta atas artikel apa pun dipegang oleh penulisnya.
2. Penulis memberikan jurnal, hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk membagikan karya dengan pengakuan atas kepenulisan dan publikasi awal karya tersebut dalam jurnal ini.
3. Penulis dapat membuat pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan dari publikasi awalnya di jurnal ini.
4. Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena hal itu dapat mengarah pada pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan.
5. Artikel dan materi terkait yang diterbitkan didistribusikan di bawah Lisensi Internasional Creative Commons Attribution-ShareAlike 4.0
How to Cite
.png)
