View/Open

Author
AGNES, MONIKA SIMALANGO

Advisor
Muklas Rivai, S.Stat., M.Si.,
Fuji Lestari, M.Si.,

Koleksi
Aktuaria

Publisher

Indeks Harga Saham Gabungan (IHSG) merupakan indeks saham utama yang merepresentasikan kondisi perekonomian Indonesia berdasarkan kinerja pasar saham secara keseluruhan. Penelitian ini bertujuan membandingkan kinerja metode regresi Random Forest dan Extreme Gradient Boosting (XGBoost) dalam memprediksi nilai penutupan indeks IHSG, berdasarkan komponen data historis yang meliputi nilai indeks pembukaan, nilai indeks terendah, nilai indeks tertinggi serta nilai volume perdagangan IHSG. Evaluasi dari kedua metode akan diukur berdasarkan nilai RMSE dan MAPE, serta analisis risiko akan dinilai menggunakan Value at Risk (VaR) simulasi historis. Hasil penelitian menunjukkan bahwa metode Random Forest menjadi metode terbaik dengan memberikan nilai RMSE dan MAPE yakni 117,49 dan 0,90% dibandingkan metode Extreme Gradient Boosting dengan nilai RMSE dan MAPE sebesar 133,49 dan 1,04%. Nilai tertinggi indeks IHSG menjadi komponen data historis yang paling dominan memberikan kontribusi terhadap prediksi. Berdasarkan hasil prediksi Random Forest, diperoleh nilai VaR sebesar Rp 684.947,53 (90%), Rp 812.276,3 (95%) dan Rp 1.468.511,61 (99%). Penelitian ini menunjukkan bahwa metode Random Forest terbukti efektif dalam melakukan prediksi IHSG yang akan mendukung keputusan investasi dan manajemen risiko di pasar saham Indonesia.

URI
https://repo.itera.ac.id/depan/submission/SB2510130006

Keyword
IHSG Prediksi Random Forest Extreme Gradient Boosting Variable Importance