SISTEM PREDIKSI HARGA SAHAM PT INDOFOOD CBP SUKSES MAKMUR TBK MENGGUNAKAN SARIMA DAN GRU

Harga saham PT Indofood CBP Sukses Makmur Tbk (ICBP) mengalami fluktuasi yang dipengaruhi oleh faktor internal maupun eksternal sehingga menyulitkan investor dalam memprediksi pergerakan harga secara akurat.Penelitian ini bertujuan untuk mengembangkan sistem prediksi harga saham PT Indofood CBP Sukses Makmur Tbk (ICBP) dengan pendekatan dua metode time series, yaitu Seasonal Autoregressive Integrated Moving Average (SARIMA) dan Gated Recurrent Unit (GRU). Model SARIMA dipilih karena meiliki kelebihan menangkap pola musiman dan tren jangka panjang dalam data historis, sedangkan model GRU dipilih karena memiliki kelebihan dalam mengidentifikasi pola non-linier yang kompleks dalam data saham. Data yang digunakan dalam penelitian ini diperoleh dari Yahoo Finance (YFinance) berupa harga penutupan harian (closing price) saham PT Indofood CBP Sukses Makmur Tbk (ICBP) dengan periode data mulai 1 Januari 2019 hingga 9 Mei 2025. Dataset yang diunduh memiliki enam kolom, yaitu Date, Open, High, Low, Close, dan Volume. Dari keenam kolom tersebut, fitur yang digunakan untuk proses pemodelan adalah harga penutupan (Close), sedangkan fitur lainnya dimanfaatkan untuk pemeriksaan kelengkapan data dan analisis awal. Pemilihan harga penutupan sebagai variabel prediksi didasarkan pada fakta bahwa harga ini sering dijadikan acuan oleh investor dalam menentukan strategi investasi karena mencerminkan nilai akhir transaksi pada suatu hari perdagangan. Evaluasi dilakukan menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model GRU memiliki keakuratan prediksi yang lebih tinggi dibandingkan SARIMA, yaitu dengan nilai RMSE sebesar 301.23 dan MAPE sebesar 2.01% yang lebih rendah dari model SARIMA. Temuan ini menunjukkan bahwa GRU lebih efektif untuk diterapkan dalam kondisi pasar saham yang dinamis. Model ini diimplementasikan dalam sistem berbasis web menggunakan framework Streamlit guna memberikan visualisasi prediksi yang interaktif. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem pendukung keputusan investasi berbasis data time series.