Peramalan Return Saham Subsektor Batu Bara Bervolatilitas Tinggi Dan Rendah Dengan Pendekatan Artificial Neural Network Berbasis Fitur ARIMA–GARCH

Saputra, Dimas Ajisaka (2026) Peramalan Return Saham Subsektor Batu Bara Bervolatilitas Tinggi Dan Rendah Dengan Pendekatan Artificial Neural Network Berbasis Fitur ARIMA–GARCH. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003221159-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Peramalan return saham merupakan aspek penting dalam pasar modal karena berpengaruh langsung terhadap pengambilan keputusan investasi. Pergerakan return saham bersifat fluktuatif dengan tingkat volatilitas yang bervariasi antar aset dan cenderung menunjukkan perilaku nonlinier. Volatilitas yang berubah secara dinamis dari waktu ke waktu menciptakan pola hubungan yang tidak stabil dan sulit diprediksi, sehingga menyulitkan proses peramalan dengan pendekatan linier sederhana. Penelitian ini bertujuan untuk melakukan peramalan return saham dengan karakteristik volatilitas tinggi (CUAN) dan volatilitas rendah (ITMG) menggunakan Pendekatan Artificial Neural Network (ANN) berbasis fitur Autoregressive Integrated Moving Average-Generalized Autoregressive Conditional Heteroskedasticity (ARIMA-GARCH). Data yang digunakan merupakan data harga penutupan harian saham CUAN dan ITMG periode 8 Maret 2023 hingga 31 Desember 2025 yang kemudian dikonversi menjadi return. Model yang terbentuk menggunakan model ARMA(1,2)-ARCH(1) untuk saham CUAN dan model AR([6,8])-GARCH(1,1) untuk saham ITMG sebagai komponen statistik. Hasil fitted ARIMA dan varians bersyarat dari GARCH dimanfaatkan sebagai fitur tambahan bersama return historis dalam model ANN untuk membantu meningkatkan akurasi peramalan return saham. Berdasarkan evaluasi menggunakan Root Mean Square Error (RMSE), model ANN berbasis fitur ARIMA-GARCH menghasilkan akurasi yang lebih baik dibandingkan model ARIMA-GARCH. Pada saham CUAN, nilai RMSE menurun dari 0,03119 menjadi 0,03039, sedangkan pada saham ITMG menurun dari 0,007502 menjadi 0,006547. Hasil peramalan selama 20 hari perdagangan ke depan menunjukkan bahwa model ANN mampu mengikuti kecenderungan pergerakan return saham CUAN dan ITMG. Model memberikan hasil yang lebih baik pada saham ITMG, sedangkan pada saham CUAN prediksi cenderung lebih halus sehingga belum mampu mengikuti fluktuasi ekstrem.
=====================================================================================================================================
Stock return forecasting is an important aspect of the capital market as it directly influences investment decision-making. Stock returns exhibit fluctuating movements with varying levels of volatility across assets and tend to demonstrate nonlinear behavior. The dynamic nature of volatility creates unstable relationships that are difficult to predict, making forecasting challenging when using simple linear approaches. This study aims to forecast stock returns with high-volatility (CUAN) and low-volatility (ITMG) characteristics using an Artificial Neural Network (ANN) approach based on Autoregressive Integrated Moving Average–Generalized Autoregressive Conditional Heteroskedasticity (ARIMA–GARCH) features. The data used consist of daily closing stock prices of CUAN and ITMG from March 8 2023 to December 31 2025, which were subsequently converted into stock returns. The resulting hybrid model employs an ARMA(1,2)-ARCH(1) model for CUAN and an AR([6,8])-GARCH(1,1) model for ITMG as the statistical components. The fitted values from the ARIMA model and the conditional variance generated by the GARCH model are utilized as additional input features, together with historical stock returns, in the ANN model to improve forecasting accuracy. Based on the Root Mean Square Error (RMSE), the hybrid ANN model outperformed the ARIMA–GARCH model. For CUAN, the RMSE decreased from 0,03119 to 0,03039, while for ITMG, it decreased from 0,007502 to 0,006547. The 20-day-ahead forecasting results indicate that the ANN model is able to capture the general movement of stock returns for CUAN and ITMG. The model performs better for ITMG, whereas for CUAN the predicted returns tend to be smoother and are therefore less capable of capturing extreme fluctuations.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	ARIMA, Artificial Neural Network , GARCH, Peramalan Return, Volatilitas
Subjects:	H Social Sciences > HA Statistics > HA30.3 Time-series analysis Q Science > QA Mathematics > QA280 Box-Jenkins forecasting Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Dimas Ajisaka Saputra
Date Deposited:	05 Aug 2026 04:11
Last Modified:	05 Aug 2026 04:11
URI:	http://repository.its.ac.id/id/eprint/143930

Actions (login required)

View Item