Optimasi Aplikasi Bayesian Structural Time Series (BSTS) Dalam Peramalan Harga Saham BBCA, BBRI, Dan BMRI

Joris, Ruth Jasmine (2025) Optimasi Aplikasi Bayesian Structural Time Series (BSTS) Dalam Peramalan Harga Saham BBCA, BBRI, Dan BMRI. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006211077-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Dalam perdagangan saham, prediksi harga menjadi salah satu topik yang tidak pernah habis untuk dibahas. Keberadaannya dianggap cukup penting karena dapat membantu para investor untuk meminimalisir kerugian yang mungkin timbul. Sejatinya, prediksi harga saham merupakan hal yang sulit dilakukan, namun metodemetode peramalan yang telah ditemukan setidaknya. Salah satu model yang dapat digunakan untuk peramalan saat ini adalah model Bayesian Structural Time Series (BSTS). Model BSTS merupakan model yang lebih modern dan dapat mengatasi ketidakpastian data secara lebih baik. Dalam model BSTS, digunakan algoritma pengambilan sampel Markov Chain Monte Carlo (MCMC) untuk mensimulasikan distribusi posterior, yang menghaluskan hasil peramalan atas sejumlah besar model yang potensial menggunakan rata-rata model Bayesian. Tujuan penelitian ini adalah mengkaji model BSTS pada data saham BBCA, BBRI dan BMRI di Indonesia periode 1 Januari 2022 sampai 1 Januari 2025 dengan menggunakan komponen tren dan musiman memperoleh model BSTS terbaik untuk peramalan saat ini berdasarkan nilai RMSE dan MAPE . Hasil yang diperoleh yaitu model BSTS terbaik untuk ketiga saham adalah model BSTS yang terdiri atas komponen state Semi-local linear trend dan musiman mingguan (S=5) .
==================================================================================================================================
In stock trading, price prediction is one of the topics that never runs out of discussion. Its existence is considered quite important because it can help investors minimize possible losses. In fact, stock price prediction is difficult to do, but at least forecasting methods have been found. One of the models that can be used for current forecasting is the Bayesian Structural Time Series (BSTS) model. The BSTS model is a more modern model and can better handle data uncertainty. In the BSTS model, the Markov Chain Monte Carlo (MCMC) sampling algorithm is used to simulate the posterior distribution, which smoothes the forecast results over a large number of potential models using the Bayesian model average. The purpose of this study is to examine the BSTS model on BBCA, BBRI and BMRI stock data in Indonesia for the period January 1, 2022 to January 1, 2025 using trend and seasonal components to obtain the best BSTS model for current forecasting based on RMSE and MAPE values. The results obtained are that the best BSTS model for the three stocks is the BSTS model consisting of the Semi-local linear trend state component and weekly seasonality (S=5).

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Bayesian Structural Time Series, MAPE, RMSE, SRI KEHATI, stock price forecasting
Subjects:	Q Science > Q Science (General) > Q180.55.M38 Mathematical models
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Ruth Jasmine Joris
Date Deposited:	29 Jul 2025 03:44
Last Modified:	29 Jul 2025 03:44
URI:	http://repository.its.ac.id/id/eprint/122575

Actions (login required)

View Item