Perbandingan Metode LightGBM dan XGBoost dalam Peramalan Harga Saham dengan Hyperparameter Optimization Optuna = Performance Comparison of LightGBM and XGBoost in Stock Price Forecasting with Hyperparameter Optimization Using Optuna

Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning berbasis gradient boosting, yaitu LightGBM dan XGBoost, dalam meramalkan harga saham McDonald’s Corporation. Data historis harga saham harian dari November 2019 hingga November 2024 digunakan sebagai studi kasus. Untuk meningkatkan akurasi model, dilakukan proses optimasi hyperparameter menggunakan metode Optuna yang didukung oleh Time Series Cross-Validation (TSCV) agar sesuai dengan sifat data runtun waktu. Langkah-langkah penelitian mencakup preprocessing data, pembentukan fitur menggunakan teknik lagging danindikator teknikal, serta pelatihan model menggunakan parameter awal dan hasil tuning. Evaluasi kinerja dilakukan menggunakan metrik MAPE, MSE, RMSE, dan R-squared. Hasil penelitian menunjukkan bahwa sebelum tuning, model XGBoost memiliki performa lebih baik dibanding LightGBM. Namun, setelah dilakukan hyperparameter tuning menggunakan Optuna, LightGBM menunjukkan peningkatankinerja yang lebih signifikan. Pada data uji, LightGBM menghasilkan akurasi prediksi yang lebih baik secara keseluruhan. Temuan ini menunjukkan bahwa optimasihyperparameter sangat penting dalam meningkatkan performa model prediksi, dan LightGBM memiliki potensi lebih besar dalam memodelkan data saham yang kompleks apabila parameter disesuaikan dengan baik.