Analisis Komparatif GridSearchCV pada SVM, Logistic Regression, dan Random Forest untuk Klasifikasi Saham TINS

Abstract

Penelitian ini bertujuan untuk mengevaluasi serta membandingkan kinerja algoritma Support Vector Machine (SVM), Logistic Regression, dan Random Forest dalam klasifikasi arah pergerakan saham PT Timah Tbk (TINS) tahun 2025 dengan optimasi hyperparameter berbasis GridSearchCV. Penelitian menggunakan pendekatan kuantitatif eksperimental dengan rancangan komparatif terhadap 227 data harian saham TINS periode Januari–Desember 2025 yang setelah proses feature engineering menghasilkan 218 data siap pemodelan. Tahapan penelitian meliputi data preparation, exploratory data analysis, feature engineering berbasis return, moving average, volatilitas, momentum, dan volume, normalisasi menggunakan standardization, pelatihan model baseline, optimasi hyperparameter menggunakan GridSearchCV, serta menilai model menggunakan metrik accuracy, precision, recall, F1-score, ROC-AUC, confusion matrix, dan cross-validation accuracy. Hasil penelitian mengindikasikan bahwa Logistic Regression merupakan model terbaik dengan nilai accuracy sebesar 0,5714, precision 0,5714, F1-score 0,4706, dan ROC-AUC tertinggi sebesar 0,6136. Sementara itu, SVM menghasilkan recall tertinggi sebesar 0,6500, sedangkan Random Forest memperoleh performa yang relatif stabil dengan ROC-AUC sebesar 0,5227. Temuan penelitian menunjukkan bahwa fitur berbasis volatilitas dan range harga memiliki pengaruh paling signifikan terhadap klasifikasi arah pergerakan saham TINS. Novelty penelitian ini terletak pada analisis komparatif tiga algoritma machine learning dengan Optimasi GridSearchCV pada data saham TINS menggunakan fitur teknikal yang dirancang untuk menangkap pola harga nonlinier dan volatilitas pasar secara lebih representatif.

Kata Kunci: Hyperparameter, Machine Learning, Feature Engineering, Klasifikasi, GridSearchCV

GS Cited Analysis