Laporkan Masalah

Aplikasi Model Berbasis Interval Low-High dalam Peramalan Rentang Harga dan Dinamika Volatilitas Data Finansial dan Komoditas

Cintya Kusumawardhani, Drs. Danardono, MPH, Ph.D.

2026 | Skripsi | STATISTIKA

Peramalan harga pada data finansial dan komoditas umumnya masih menggunakan pendekatan berbasis titik yang hanya memanfaatkan satu nilai observasi pada setiap periode, sehingga informasi intraperiode pasar belum dimanfaatkan secara optimal untuk merepresentasikan dinamika volatilitas. Penelitian ini bertujuan mengevaluasi kemampuan representasi data interval Low-High dalam menggambarkan dinamika volatilitas serta membandingkan kinerja model peramalan berbasis titik dan interval pada data Jakarta Stock Exchange Composite Index (JKSE), West Texas Intermediate (WTI), dan Gold Futures. Model yang digunakan meliputi GARCH dan LSTM sebagai model point-based, serta ACI, iLSTM, VMD-ACI, VMD-iLSTM, dan VMD-ACI-iLSTM sebagai model interval-based. Evaluasi dilakukan menggunakan metrik ARVI, MSEI, MDEI, MAPEI, DA, OR, dan PICP. Hasil penelitian menunjukkan bahwa representasi data interval Low-High mampu menggambarkan dinamika volatilitas secara lebih komprehensif dibandingkan representasi berbasis titik karena secara simultan memuat informasi batas bawah, batas atas, dan rentang pergerakan harga, serta dapat digunakan untuk mengestimasi varians kondisional melalui transformasi Parkinson. Selain itu, model peramalan berbasis interval menunjukkan kinerja yang andal dan dalam beberapa kasus lebih unggul dibandingkan model berbasis titik, terutama ketika dipadukan dengan metode dekomposisi VMD. Model VMD-ACI memberikan performa terbaik pada data JKSE dan Gold Futures, sedangkan iLSTM Tuning memberikan performa terbaik pada data WTI. Meskipun demikian, VMD-ACI dan VMD-ACI-iLSTM merupakan model yang paling konsisten pada berbagai karakteristik pasar karena secara berkelanjutan berada pada kelompok model dengan performa terbaik.

Price forecasting for financial and commodity data generally still relies on point-based approaches that use only a single observation value per period, meaning that intraperiod market information has not been optimally utilized to represent volatility dynamics. This study aims to evaluate the ability of Low-High interval data to represent volatility dynamics and to compare the performance of point-based and interval-based forecasting models on data from the Jakarta Stock Exchange Composite Index (JKSE), West Texas Intermediate (WTI), and Gold Futures. The models used include GARCH and LSTM as point-based models, and ACI, iLSTM, VMD-ACI, VMD-iLSTM, and VMD-ACI-iLSTM as interval-based models. Evaluation was conducted using the ARVI, MSEI, MDEI, MAPEI, DA, OR, and PICP metrics. The results indicate that the Low-High interval data representation can describe volatility dynamics more comprehensively than point-based representations because it simultaneously incorporates information on the lower bound, upper bound, and price movement range, and can be used to estimate conditional variance via the Parkinson transformation. Furthermore, interval-based forecasting models demonstrate reliable performance and, in some cases, outperform point-based models, particularly when combined with the VMD decomposition method. The VMD-ACI model delivers the best performance on JKSE and Gold Futures data, while iLSTM Tuning yields the best results on WTI data. Despite this, VMD-ACI and VMD-ACI-iLSTM are the most consistent models across various market characteristics as they consistently rank among the top-performing models.

Kata Kunci : Data Interval, Low-High, Volatilitas, ACI, ECT-ACI, iLSTM, VMD, Peramalan Interval

  1. S1-2026-502898-abstract.pdf  
  2. S1-2026-502898-bibliography.pdf  
  3. S1-2026-502898-tableofcontent.pdf  
  4. S1-2026-502898-title.pdf