Integrasi BiLSTM-GRU dan Retrieval-Augmented Generation untuk Prediksi Harga Saham Perbankan

Abstract

Model prediksi harga saham berbasis deep learning umumnya menghasilkan keluaran numerik mentah yang sulit diinterpretasikan oleh investor non-teknis, serta jarang mempertimbangkan informasi kontekstual eksternal yang memengaruhi pergerakan harga. Penelitian ini bertujuan membangun dan mengevaluasi sebuah sistem terintegrasi yang memadukan model prediksi Hybrid BiLSTM-GRU, Retrieval-Augmented Generation (RAG), dan Large Language Model (LLM) untuk menghasilkan prediksi harga saham PT Bank Central Asia Tbk (BBCA) yang interpretable. Komponen deep learning yang terdiri dari empat arsitektur (LSTM, BiLSTM, GRU, dan Hybrid BiLSTM-GRU) dibandingkan pada skenario data univariat dan multivariat serta tiga horizon prediksi. Komponen RAG mengindeks 121 dokumen kontekstual ke dalam basis data vektor, sementara tiga LLM (DeepSeek-LLM 7B, GPT, dan Grok) menghasilkan narasi analitis. Evaluasi menggunakan RMSE, MAE, MAPE, dan Directional Accuracy untuk prediksi, serta RAGAS dan BERTScore untuk kualitas narasi. Hasil penelitian menunjukkan model Hybrid BiLSTM-GRU univariat pada horizon t+1 mencapai performa terbaik dengan RMSE 280,17 IDR dan MAPE 2,77%. Komponen RAG mencapai Context Precision 0,967, dan sistem terintegrasi berhasil mentransformasi prediksi numerik menjadi narasi kontekstual. Penelitian menyimpulkan bahwa integrasi deep learning, RAG, dan LLM merupakan pendekatan yang layak untuk meningkatkan interpretabilitas prediksi harga saham, meskipun LLM yang dijalankan secara lokal masih memiliki keterbatasan kualitas dibandingkan model komersial.

GS Cited Analysis