PENGGUNAAN WAVELET TRANSFORM PADA MODEL LONG SHORT-TERM MEMORY (LSTM) DALAM PREDIKSI HARGA SAHAM BLUECHIP=USE OF WAVELET TRANSFORM IN LONG SHORT-TERM MEMORY (LSTM) MODELS FOR BLUECHIP STOCK PRICE PREDICTION

Latar Belakang. Model statistik konvensional menghadapi tantangan dalam menghasilkan prediksi yang akurat akibat sifat non-stasioner, non-linier, dan tingkat kebisingan yang tinggi dalam pergerakan harga saham. Pendekatan pemodelan yang mampu menangkap pola jangka panjang sambil meminimalkan gangguan sinyal diperlukan untuk menjelaskan fluktuasi harga yang dinamis pada saham unggulan di Bursa Efek Indonesia (BEI). Tujuan. Penelitian ini bertujuan menerapkan dan mengevaluasi akurasi model Hybrid Wavelet Transform–Long Short-Term Memory (LSTM) dalam memprediksi harga penutupan saham bluechip BBRI, ASII, TLKM, INDF, dan ANTM. Metode. Penelitian ini menggunakan metodologi kuantitatif, memanfaatkan data sekunder harga penutupan saham harian dari 26 Oktober 2016 hingga 31 Januari 2025 dari Yahoo Finance. Data diproses menggunakan Discrete Wavelet Transform (DWT) Daubechies 4 pada level 4 untuk memisahkan komponen tren dan noise. Metode Min–Max Scaling digunakan menormalisasi data yang direkonstruksi, kemudian dimodelkan menggunakan arsitektur LSTM bertumpuk. Kinerja model dievaluasi menggunakan RMSE dan MAPE. Hasil. Hasil menunjukkan model Hybrid Wavelet Transform–LSTM mampu mencapai akurasi prediksi yang sangat tinggi. Nilai MAPE masing-masing saham adalah: 1,38% (BBRI), 0,36% (ASII), 0,57% (TLKM), 0,65% (INDF), dan 2,18% (ANTM). Saham TLKM menunjukkan nilai RMSE terendah (21,2540), sementara BBRI memiliki nilai tertinggi (76,9258), yang dipengaruhi oleh perbedaan skala harga nominal dan volatilitas saham. Kesimpulan. Model Hybrid Wavelet Transform–LSTM terbukti efektif meningkatkan akurasi prediksi harga saham bluechip dengan mereduksi noise dan menangkap pola dependensi jangka panjang data deret waktu. Model ini berpotensi menjadi alat pendukung keputusan investasi saham di pasar modal Indonesia.