METODE HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE DAN NEURAL NETWORK (ARIMA-NN) UNTUK PERAMALAN HARGA SAHAM LQ45

Agnes Fiorela Chrisnanda, Drs. Danardono, MPH., Ph.D.

2025 | Skripsi | STATISTIKA

Harga saham mengalami selalu perubahan dari waktu ke waktu, memberikan peluang keuntungan sekaligus risiko bagi investor. Untuk memitigasi risiko kerugian yang signifikan, diperlukan metode peramalan yang akurat. Penelitian ini menerapkan dan membandingkan tiga model — ARIMA, Neural Network (NN), dan hybrid ARIMA-NN — untuk meramalkan harga penutupan saham-saham yang tergabung dalam indeks LQ45 pada periode Januari 2022 hingga Desember 2024. Model ARIMA menunjukkan performa baik pada data yang stabil dengan volatilitas rendah karena kemampuannya menangkap pola linear. Sebaliknya, model NN unggul dalam menangani pola non linear dan fluktuasi harga yang lebih besar. Sementara itu, model hybrid ARIMA-NN yang menggabungkan kedua pendekatan mampu memberikan hasil terbaik pada data dengan volatilitas tinggi yang masih mengandung autokorelasi pada residual ARIMA. Hasil penelitian menunjukkan bahwa tidak ada satu model yang unggul secara universal, melainkan masing-masing memiliki keunggulan tergantung karakteristik data saham yang diprediksi.

Stock prices continuously change over time, presenting investors with both opportunities for profit and potential risks.. To mitigate the risk of significant losses, it is crucial to apply accurate forecasting methods. This study applies and compares three models — ARIMA, Neural Network (NN), and the hybrid ARIMA-NN — to forecast the closing prices of stocks listed in the LQ45 index over the period January 2022 to December 2024. The ARIMA model shows strong performance on stable, low-volatility data due to its strength in modeling linear patterns. In contrast, the NN model excels at handling nonlinear patterns and higher price fluctuations. The hybrid ARIMA-NN model combines the strengths of both approaches and performs best on highly volatile data where ARIMA residuals still show autocorrelation. The findings highlight that no single model is universally superior; rather, each model has distinct advantages depending on the characteristics of the stock data being forecasted.

Kata Kunci : Saham LQ45, Metode Peramalan, ARIMA, Neural Network, Hybrid ARIMA-NN, LQ45 Stocks, Forecasting Methods