Peramalan arah pergerakan harga saham merupakan tantangan fundamental dalam disiplin ilmu Data Science akibat karakteristik volatilitas pasar yang tinggi dan sifat data yang heavy-tailed. Penelitian ini bertujuan untuk membangun model prediksi arah tren saham PT Bank Central Asia Tbk (BBCA) dengan mengatasi keterbatasan metrik nominal dan risiko data leakage yang sering dijumpai pada riset terdahulu. Metodologi yang diusulkan mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD) dengan mengimplementasikan algoritma CatBoost Regressor yang secara empiris terbukti tangguh menangani data tabular finansial.
Inovasi utama dalam penelitian ini mencakup penggunaan pendekatan Target Differencing untuk mengatasi limitasi ekstrapolasi model berbasis pohon, serta penerapan teknik Strict Lagging selama 20 hari bursa pada indikator makroekonomi (Inflasi, BI Rate, dan Kurs USD/IDR) guna menjaga integritas informasi dan meminimalisasi potensi bias masa depan (look-ahead bias). Dataset penelitian mencakup periode pengamatan dari Januari 2020 hingga Maret 2026 yang diekstraksi melalui API Yahoo Finance, Federal Reserve Economic Data (FRED), serta rekam historis kebijakan resmi Bank Indonesia.
Kinerja model dievaluasi melalui dua skenario komparatif (Ablation Study) dengan fokus utama pada metrik Directional Accuracy (DA) dan Confusion Matrix. Penelitian ini diharapkan memberikan validasi empiris mengenai efektivitas integrasi variabel makroekonomi ber-lag terhadap peningkatan akurasi arah prediksi. Hasil akhir sistem diproyeksikan sebagai basis Sistem Pendukung Keputusan (Decision Support System) yang dapat memberikan pertimbangan tambahan bagi pelaku pasar modal dalam mengantisipasi kecenderungan arah pergerakan aset.

Forecasting stock price direction remains a fundamental challenge in the field of Data Science due to the high volatility and heavy-tailed nature of market data. This research aims to build a predictive model for the price trend direction of PT Bank Central Asia Tbk (BBCA) stock by addressing the limitations of nominal metrics and the risk of data leakage commonly found in prior studies. The proposed methodology adopts the Knowledge Discovery in Databases (KDD) framework by implementing the CatBoost Regressor algorithm, which has been empirically proven robust in handling tabular financial data.
The main innovations in this research include the use of a Target Differencing approach to overcome the extrapolation limitations of tree-based models, as well as the application of a Strict Lagging technique of 20 trading days on macroeconomic indicators (Inflation, BI Rate, and USD/IDR Exchange Rate) to preserve information integrity and minimize potential look-ahead bias. The research dataset covers the observation period from January 2020 to March 2026, extracted through the Yahoo Finance API, Federal Reserve Economic Data (FRED), and official Bank Indonesia policy records.