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