Implementasi metode long short term memory dan arch garch dalam memprediksi dan menganalisis tingkat volatilitas indeks harga saham gabungan

Andreas Cornel Simarmata, (NIM.1072111045) (2025) Implementasi metode long short term memory dan arch garch dalam memprediksi dan menganalisis tingkat volatilitas indeks harga saham gabungan. Other thesis, Universitas Bangka Belitung.

	Text HALAMAN DEPAN.pdf Restricted to Registered users only Download (1MB)
	Text BAB I.pdf Restricted to Registered users only Download (521kB)
	Text BAB II.pdf Restricted to Registered users only Download (928kB)
	Text BAB III.pdf Restricted to Registered users only Download (656kB)
	Text BAB IV.pdf Restricted to Registered users only Download (839kB)
	Text BAB V.pdf Restricted to Registered users only Download (507kB)
	Text DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (503kB)
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (978kB)

Abstract

Long Short Term Memory (LSTM) merupakan salah satu algoritma deep learning yang banyak digunakan dalam prediksi data deret waktu karena memiliki kemampuan menyimpan informasi jangka panjang melalui mekanisme gerbang memori. Berbagai penelitian sebelumnya menunjukkan bahwa LSTM mampu memberikan tingkat akurasi yang tinggi dalam memprediksi pergerakan data keuangan. Di sisi lain, Autoregressive Conditional Heteroscedasticity – Generalized Autoregressive Conditional Heteroskedasticity (ARCH–GARCH) merupakan model statistik yang digunakan untuk menganalisis tingkat volatilitas pada data keuangan yang bersifat fluktuatif serta memiliki karakteristik heteroskedastisitas. Penelitian ini bertujuan untuk mengimplementasikan metode LSTM dalam melakukan prediksi Indeks Harga Saham Gabungan (IHSG) serta menerapkan model ARCH GARCH untuk menganalisis tingkat volatilitasnya. Evaluasi kinerja model dilakukan dengan menggunakan Root Mean Square Error (RMSE) sebagai indikator akurasi. IHSG dipilih sebagai objek penelitian karena berperan sebagai salah satu indikator utama di Bursa Efek Indonesia (BEI) yang mencerminkan kinerja pasar modal dan sering dijadikan acuan oleh investor. Hasil penelitian menunjukkan bahwa pemodelan metode LSTM yang digunakan adalah model LSTM dengan spesifikasi timestep 6, epoch 120 dan batch size 6. Hasil prediksi menunjukkan bahwa data IHSG tahun 2025 bergerak di sekitar rata-rata. Sementara itu, analisis tingkat volatilitas menggunakan model GARCH (1,0) pada penelitian ini menghasilkan nilai 0,0133. Hal ini menunjukkan bahwa data IHSG bulanan tahun 2015-2024 mengalami volatilitas yang rendah.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	long short term memory, ARCH GARCH, IHSG
Subjects:	Q Sains > QA Mathematics
Divisions:	FAKULTAS SAINS DAN TEKNIK > MATEMATIKA > SKRIPSI
Depositing User:	Merty Merty
Date Deposited:	28 Jan 2026 01:37
Last Modified:	29 Jan 2026 08:58
URI:	https://repository.ubb.ac.id/id/eprint/13097

Actions (login required)

View Item