JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Implementasi Regresi Linier untuk Prediksi Harga Saham Tesla Diterima:
20 Juni 2025 Revisi:
19 Juli 2019 Terbit:
25 Desember 2025 aAgastya Andresangsya, a Alief Cahyo Utomo, a Muhammad Fauzan Aditiya Mufid, bYudhi Darmawan Universitas Nusantara PGRI Kediri Politeknik Angkatan Darat AbstrakAiLatar Belakang: Prediksi harga saham merupakan bidang penting dalam analisis keuangan modern karena membantu investor dalam mengambil keputusan.
Meskipun telah banyak dikembangkan model kompleks berbasis kecerdasan buatan, regresi linier tetap menjadi metode statistik yang sederhana, cepat, dan cukup efektif untuk menangkap pola dasar pergerakan harga saham.
Tujuan: Penelitian ini bertujuan untuk memprediksi harga penutupan saham Tesla Inc.
(TSLA) dengan menggunakan metode regresi linier berdasarkan harga penutupan pada hari sebelumnya.
Metode: Penelitian ini menggunakan pendekatan kuantitatif dengan data historis harga saham TSLA dari Yahoo Finance .
eriode Juni 2010Ae Desember 2.
Proses analisis mencakup pra-pemrosesan data, pembuatan fitur baru, pemodelan dengan Scikit-Learn, dan evaluasi model menggunakan metrik RMSE.
RA, dan MAPE.
Hasil: Model regresi linier menghasilkan nilai RMSE sebesar 9,28.
RA sebesar 0,9741, dan MAPE sebesar 2,6%.
Hasil ini menunjukkan bahwa model mampu menangkap tren umum harga saham secara cukup akurat.
Kesimpulan:
Regresi linier terbukti menjadi baseline yang baik dalam prediksi harga saham meskipun memiliki keterbatasan dalam menangkap pola non-linier.
Penelitian selanjutnya dapat mengeksplorasi model yang lebih kompleks.
Kata KunciAi Regresi Linier.
Prediksi Harga Saham.
Data Historis.
Tesla AbstractAi Background: Stock price prediction is an important field in modern financial analysis because it helps investors in making decisions.
Although many complex artificial intelligence-based models have been developed, linear regression remains a simple, fast, and quite effective statistical method for capturing the basic patterns of stock price movements.
Objective: This study aims to predict the closing price of Tesla Inc.
(TSLA) shares using a linear regression method based on the closing price on the previous day.
Method:
This study uses a quantitative approach with historical TSLA stock price data from Yahoo Finance .
eriod June 2010AeDecember 2.
The analysis process includes data pre-processing, new feature creation, modeling with Scikit-Learn, and model evaluation using RMSE.
RA, and MAPE metrics.
Results: The linear regression model produces an RMSE value of 9.
28, an RA of 0.
9741, and a MAPE of 2.
These Results indicate that the model is able to capture the general trend of stock prices quite accurately.
Conclusion:
Linear regression has proven to be a good baseline in stock price prediction despite its limitations in capturing non-linear patterns.
Further research could explore more complex models.
KeywordsAiLinear Regression.
Stock Price Prediction.
Historical Data.
Tesla This is an open access article under the CC BY-SA License.
Penulis Korespondensi:
Agastya Andresangsya.
Sistem Informasi.
Universitas Nusantara PGRI Kediri.
Email : agastyaa00@gmail.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:40-48 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
PENDAHULUAN
Pasar saham merupakan komponen vital dalam sistem keuangan modern yang memengaruhi pergerakan ekonomi nasional maupun global.
Sebagai wadah transaksi instrumen keuangan seperti saham dan obligasi, pasar saham sangat dipengaruhi oleh berbagai faktor eksternal seperti kondisi makroekonomi, kebijakan pemerintah, hingga sentimen investor.
Akibatnya, harga saham bersifat sangat dinamis dan sering mengalami fluktuasi yang tajam dalam waktu singkat.
Hal ini menjadikan upaya untuk memprediksi harga saham sebagai tantangan sekaligus peluang besar, baik bagi pelaku pasar maupun akademisi.
Dalam dunia akademik dan industri keuangan, prediksi harga saham telah dikaji melalui berbagai pendekatan, mulai dari analisis teknikal, fundamental, hingga model statistik dan machine learning.
Salah satu pendekatan yang masih banyak digunakan karena kesederhanaannya adalah regresi linier.
Regresi linier merupakan metode statistik yang memodelkan hubungan linier antara variabel independen dan dependen dalam bentuk garis lurus.
Dalam konteks prediksi saham, regresi linier digunakan untuk memperkirakan harga penutupan berdasarkan harga sebelumnya, dengan asumsi adanya pola hubungan linier antar waktu.
Meskipun saat ini banyak penelitian beralih ke model non-linier seperti Long Short-Term Memory (LSTM).
Support Vector Machine (SVM), atau Random Forest, regresi linier tetap memiliki keunggulan tertentu.
Keunggulan utamanya adalah kemudahan interpretasi, efisiensi komputasi, dan kemampuannya sebagai baseline yang dapat dibandingkan dengan model prediktif lainnya (Saputra et al.
, 2024.
Judianto et al.
, 2.
Penelitian oleh Budiprasetyo et al.
menunjukkan bahwa regresi linier dapat digunakan secara efektif untuk memodelkan tren harga saham syariah, terutama dalam konteks data historis yang relatif stabil.
Lebih lanjut, studi oleh Triya et al.
membuktikan bahwa regresi linier mampu memberikan akurasi yang cukup tinggi pada prediksi harga saham Bank Mandiri jika data telah diproses dengan benar.
Penelitian lain oleh Wathani et al.
juga menyebutkan bahwa meskipun regresi linier memiliki keterbatasan dalam menangkap pola non-linier, metode ini tetap relevan terutama pada fase awal pengembangan sistem prediksi berbasis data.
Dengan mempertimbangkan keunggulan dan keterbatasan regresi linier, penelitian ini berfokus pada implementasi metode regresi linier untuk memprediksi harga penutupan saham Tesla Inc.
(TSLA) berdasarkan data historis.
Saham Tesla dipilih karena merupakan salah satu saham teknologi yang mengalami volatilitas tinggi, sehingga cocok untuk pengujian efektivitas model regresi.
Tujuan dari penelitian ini adalah untuk menganalisis seberapa efektif regresi linier dalam memprediksi harga penutupan saham Tesla berdasarkan harga penutupan sebelumnya, serta mengevaluasi performa model melalui metrik evaluasi seperti RMSE.
RA, dan MAPE.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:40-48 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Dengan hasil penelitian ini, diharapkan dapat memberikan gambaran awal .
yang kuat bagi pengembangan sistem prediksi harga saham yang lebih kompleks pada tahap selanjutnya.
II.
METODE
Penelitian ini menggunakan pendekatan kuantitatif dengan jenis penelitian eksperimen aplikatif, di mana peneliti berusaha menerapkan model regresi linier sederhana untuk memprediksi harga saham Tesla (TSLA) berdasarkan data historis harga penutupan.
Pendekatan kuantitatif dipilih karena fokus utama penelitian ini adalah pada pengolahan data numerik dan analisis statistik guna menghasilkan model prediksi yang objektif dan dapat diukur secara Objek Penelitian Objek dalam penelitian ini adalah harga penutupan saham perusahaan Tesla Inc.
ode: TSLA) yang terdaftar di bursa NASDAQ.
Penelitian hanya menggunakan satu atribut, yaitu harga penutupan (Clos.
, karena merupakan indikator yang umum digunakan dalam analisis teknikal dan prediksi harga saham.
Sumber dan teknik pengumpulan data Data historis saham Tesla (TSLA) pada tabel 1 diperoleh dari Yahoo Finance dengan menggunakan pustaka yfinance pada bahasa pemrograman Python.
Data yang diambil mencakup periode 29 Juni 2010 hingga 29 Desember 2023, dengan tujuan untuk memberikan cakupan data jangka panjang agar model dapat menangkap pola tren yang relevan.
Dataset mencakup berbagai atribut seperti tanggal, harga pembukaan (Ope.
, harga penutupan (Clos.
, harga tertinggi (Hig.
, harga terendah (Lo.
, volume perdagangan (Volum.
, dan harga penutupan yang disesuaikan (Adj Clos.
Namun, dalam penelitian ini, hanya atribut Close yang digunakan karena fokus prediksi adalah pada harga penutupan.
Tabel 1.
Data awal Date
Open
High
Low
High
2010-06-29
2010-06-30
2010-07-01
2023-12-29
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:40-48 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Kajian pustaka Regresi linear Regresi linier merupakan metode statistika yang digunakan untuk memodelkan hubungan antara satu atau lebih variabel independen .
terhadap satu variabel dependen .
Persamaan regresi linier sederhana dapat dituliskan sebagai berikut:
ycU = yca ycaycU yuA Di mana:
a ycU = variabel dependen .
arga penutupan saat in.
a ycU = variabel independen .
arga penutupan sebelumny.
a yca = konstanta/intersep a yca = koefisien regresi a yuA = error/residual Model regresi linier banyak digunakan dalam prediksi saham karena sederhana, mudah diinterpretasikan, dan dapat menjadi baseline model sebelum menggunakan metode machine learning yang lebih kompleks (Saputra et al.
, 2024.
Judianto et al.
, 2.
Prediksi saham Prediksi saham adalah upaya untuk memperkirakan nilai saham di masa depan dengan menggunakan data historis dan teknik analitik tertentu.
Dalam dunia keuangan, prediksi saham biasanya dilakukan melalui pendekatan teknikal, fundamental, atau statistik.
Regresi linier sebagai metode statistik dapat digunakan dalam pendekatan teknikal, terutama jika hanya menggunakan data harga sebagai dasar prediksi (Budiprasetyo et al.
, 2.
Tahapan penelitian Pra-pemrosesan data Langkah pra-pemrosesan dilakukan untuk menyiapkan data agar sesuai dengan format pada tabel 2 yang dibutuhkan oleh algoritma regresi linier.
Tahapan ini meliputi:
Pemilihan Kolom: Hanya kolom "Close" yang digunakan sebagai target prediksi.
Pembuatan Fitur AuPrev_CloseAy: Kolom baru ditambahkan yang berisi harga penutupan satu hari sebelumnya.
Ini dilakukan dengan melakukan shifting data sebanyak satu baris ke bawah.
Penanganan Nilai Kosong (NaN): Shifting menyebabkan munculnya nilai kosong (NaN) di baris pertama, sehingga baris tersebut dihapus untuk memastikan integritas data.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:40-48 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Tabel 2.
Data setelah pra-pemrosesan Date
Open
High
Low
Close
Prev_Close 2010-06-30
2010-07-01
2010-07-02
2023-12-29
Pemodelan Proses pemodelan dilakukan menggunakan pustaka scikit-learn.
Adapun tahapan detailnya adalah sebagai berikut:
Split Data: Dataset dibagi menjadi data latih .
%) dan data uji .
%) menggunakan fungsi train_test_split (Tabel .
Kemudian digunakan parameter shuffle=False digunakan agar urutan data tetap dipertahankan, sehingga data latih berisi data historis, sedangkan data uji mencerminkan data terbaru .
Tabel 3.
Jumlah data latih dan data uji Pelatihan Model:
Data Latih Data Uji Model (LinearRegression().
fit()), dengan fitur "Prev_Close" sebagai variabel independen dan "Close" sebagai variabel dependen.
Prediksi: Setelah model dilatih, proses prediksi dilakukan pada data uji untuk melihat performa model dalam memprediksi harga penutupan berdasarkan harga hari sebelumnya (Tabel .
Tabel 4.
Perbandingan nilai aktual dengan prediksi model
Date
Aktual
Prediksi Model
2021-04-20
2021-04-21
2021-04-22
2023-12-29
Evaluasi model Root Mean Squared Error (RMSE): Mengukur seberapa besar rata-rata kesalahan Semakin kecil nilai RMSE, semakin baik model.
Koefisien Determinasi (RA): Menunjukkan seberapa besar variasi data yang dapat dijelaskan oleh model.
Nilai RA mendekati 1 menunjukkan model yang sangat baik.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:40-48 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Mean Absolute Percentage Error (MAPE): Mengukur rata-rata kesalahan prediksi dalam bentuk persentase terhadap nilai aktual.
Visualisasi model Untuk mempermudah pemahaman terhadap hasil model yang dilakukan, maka penyajian visualisasi data dapat dilakukan dalam bentuk:
Plot Garis Harga Aktual vs Harga Prediksi: Visualisasi ini memperlihatkan seberapa dekat hasil prediksi model terhadap nilai aktual.
Scatter Plot .
: Menampilkan hubungan antara nilai aktual dan nilai prediksi, memberikan gambaran tentang distribusi error model.
HASIL DAN PEMBAHASAN
Hasil dari model regresi linier yang dibangun menunjukkan performa yang cukup baik dalam menangkap tren umum harga saham Tesla (TSLA).
Hasil evaluasi model dilakukan menggunakan dua metrik utama, yaitu Root Mean Square Error (RMSE) dan koefisien determinasi (RA).
RMSE
memberikan gambaran seberapa besar rata-rata kesalahan antara prediksi dan nilai aktual, sementara RA mengukur seberapa besar proporsi variabilitas harga saham yang dapat dijelaskan oleh model regresi.
Tabel 5.
Matriks evaluasi
Nilai RMSE
MAPE
Dari tabel 5 matriks evaluasi diatas didapati hasil pengujian memperoleh nilai RMSE sebesar 28 menunjukkan bahwa rata-rata selisih antara harga saham yang diprediksi dan nilai aktual masih dalam batas yang wajar untuk model linier sederhana.
Sedangkan nilai RA sebesar 0.
mengindikasikan bahwa sekitar 97.
41% variasi harga saham dapat dijelaskan oleh fitur harga sebelumnya, yaitu fitur "Prev_Close" yang digunakan dalam model ini.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:40-48 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Gambar 1.
Plot Garis Harga Aktual dan Harga Prediksi Visualisasi hasil prediksi pada gambar 1 terhadap data uji menunjukkan bahwa model mampu mengikuti arah tren pergerakan harga secara umum, terutama dalam periode stabil atau dengan volatilitas rendah.
Pola harga saham yang bersifat naik secara bertahap atau turun perlahan dapat direpresentasikan dengan cukup baik oleh garis regresi linier.
Namun demikian, terdapat beberapa kelemahan yang teridentifikasi dalam performa model, terutama ketika menghadapi data dengan fluktuasi ekstrem, seperti lonjakan harga mendadak .
atau penurunan tajam .
Hal ini disebabkan oleh keterbatasan regresi linier dalam menangkap hubungan non-linier dan variabel eksternal lain yang mempengaruhi harga saham, seperti berita, laporan keuangan, sentimen pasar, dan kebijakan pemerintah.
Oleh karena itu, regresi linier lebih cocok sebagai baseline model, bukan sebagai model final dalam prediksi pasar saham yang kompleks.
Model ini sangat cepat dalam proses pelatihan .
dan prediksi .
, sehingga cocok digunakan dalam sistem pemantauan harga saham secara real-time dengan kebutuhan komputasi yang rendah.
Ini menjadi nilai tambah dibandingkan model kompleks seperti LSTM atau SVM yang membutuhkan proses pelatihan berulang dan tuning parameter.
Adapun dari sisi keterbatasan studi ini, perlu dicatat bahwa:
Hanya satu fitur yang digunakan sebagai prediktor .
arga penutupan hari sebelumny.
Tidak mempertimbangkan faktor teknikal lain seperti volume, moving average, atau RSI.
Tidak memasukkan faktor fundamental atau sentimen yang mempengaruhi harga saham secara signifikan.
Untuk meningkatkan akurasi prediksi di masa mendatang, model regresi linier ini dapat dikembangkan menjadi regresi multipel dengan menambahkan fitur-fitur tambahan.
Selain itu, pendekatan berbasis machine learning modern seperti Random Forest.
XGBoost, atau Deep Learning seperti LSTM dapat diadopsi guna menangani karakteristik data yang lebih kompleks.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:40-48 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Dengan demikian, regresi linier yang digunakan dalam penelitian ini telah berhasil memberikan gambaran awal tren harga saham TSLA, namun tetap memiliki ruang yang luas untuk pengembangan dan pengayaan model pada penelitian selanjutnya.
IV.
KESIMPULAN
Berdasarkan hasil penelitian yang dilakukan, dapat disimpulkan bahwa metode regresi linier mampu memberikan prediksi yang cukup akurat terhadap harga penutupan saham Tesla (TSLA) dengan memanfaatkan harga penutupan pada hari sebelumnya sebagai variabel prediktor tunggal.
Model menghasilkan nilai evaluasi yang baik, yaitu RMSE sebesar 9,28.
RA sebesar 0,9741, dan MAPE sebesar 2,6%, yang menunjukkan bahwa sekitar 97% variasi harga dapat dijelaskan oleh Hal ini mengindikasikan bahwa regresi linier efektif digunakan sebagai model baseline dalam sistem prediksi saham berbasis data historis.
Meskipun demikian, regresi linier memiliki keterbatasan dalam mengenali pola non-linier atau fluktuasi ekstrem yang umum terjadi di pasar saham.
Oleh karena itu, untuk meningkatkan akurasi dan ketahanan model terhadap volatilitas pasar, penelitian lanjutan disarankan untuk menggabungkan regresi linier dengan fitur teknikal lainnya seperti moving average, volume, dan indikator RSI, atau mengembangkan pendekatan lanjutan menggunakan algoritma machine learning yang lebih kompleks seperti Random Forest.
Support Vector Machine (SVM), maupun Long Short-Term Memory (LSTM).
DAFTAR PUSTAKA