PERBANDINGAN RANDOM FOREST DAN LONG SHORT-TERM MEMORY DALAM PREDIKSI PERGERAKAN SAHAM SEKTOR ENERGI BARU TERBARUKAN

Volatilitas ekstrem pada saham sektor Energi Baru Terbarukan (EBT) memicu ketidakseimbangan kelas (class imbalance) dan fluktuasi acak (noise), menjadikan prediksi arah harga sangat kompleks. Random Forest dipilih karena tangguh menangani data nonlinier dan noise, sedangkan Long Short-Term Memory (LSTM) unggul mempelajari pola temporal deret waktu. Namun, belum terdapat kesimpulan konsisten mengenai model paling efektif untuk saham EBT yang volatil. Penelitian ini mengomparasikan kinerja Random Forest dan LSTM dalam memprediksi arah saham PT Maharaksa Biru Energi Tbk (OASA) dan PT TBS Energi Utama Tbk (TOBA) menggunakan indikator teknikal (SMA, EMA, MACD, RSI, dan Volume). Hasil pengujian menunjukkan Random Forest lebih tangguh dengan akurasi stabil pada kisaran 56,74% hingga 57,67% dan waktu komputasi sangat efisien di bawah 0,5 detik. Sebaliknya, meskipun mekanisme dynamic class weighting pada LSTM mampu mendongkrak sensitivitas (Recall), model ini terbukti rentan mengalami overfitting akibat noise historis dan memakan waktu komputasi masif hingga 141,67 detik. Hal ini mengindikasikan bahwa arsitektur ansambel berbasis pohon jauh lebih rasional dan superior dibandingkan deep learning dalam menangani ketidakpastian deret waktu finansial.