| dc.description.abstract | Data deret waktu adalah urutan pengamatan yang diambil secara berurutan dalam rentang waktu tertentu. Data deret waktu banyak ditemui di berbagai bidang dan memiliki karakteristik ketergantungan antar pengamatan. Analisis deret waktu digunakan dalam peramalan data periode berikutnya, yang merupakan alat bantu dalam perencanaan efektif dan efisien. Penelitian terkait data deret waktu keuangan masih terfokus pada data frekuensi rendah. Namun, dengan ketersediaan data keuangan berfrekuensi tinggi, muncul kebutuhan untuk mengembangkan metode peramalan yang dapat bekerja pada data tersebut. Data frekuensi tinggi memiliki karakteristik unik, seperti jarak antar waktu yang tidak teratur, variasi yang signifikan antar waktu, bersifat non-linier, volatilitas stokastik yang besar serta perubahan yang cepat dan responsif terhadap peristiwa atau aktivitas yang terjadi dalam waktu singkat.
Metode peramalan yang umum digunakan seperti ARIMA sulit mengatasi deret waktu yang bersifat non-linier. Data keuangan berfrekuensi tinggi memiliki sifat non-linier dan variasi antar waktu yang tidak teratur. Hal ini menimbulkan kesulitan dalam peramalan jika hanya menggunakan model ARIMA. Dalam mengatasi keterbatasan ARIMA, dikembangkan metode jaringan saraf tiruan (JST) seperti RNN. Namun, RNN memiliki masalah vanishing gradient yang dapat mengurangi akurasi peramalan. Dalam perkembangannya untuk mengatasi hal ini, dikembangkan metode seperti LSTM dan GRU. Penggabungan model ARIMA dan JST dalam bentuk model Hybrid telah dilakukan dalam beberapa penelitian dan terbukti meningkatkan akurasi peramalan. Beberapa penelitian menunjukkan bahwa GRU dapat bekerja lebih baik daripada LSTM dalam beberapa kasus.
Penelitian ini bertujuan untuk membandingkan model ARIMA, GRU, dan model Hybrid ARIMA-GRU dalam melakukan peramalan data deret waktu keuangan berfrekuensi tinggi. Selain itu, penelitian ini juga bertujuan untuk menentukan model terbaik dalam melakukan peramalan data deret waktu tersebut menggunakan kriteria nilai MAPE. Penelitian ini diharapkan dapat memberikan wawasan tentang penggunaan model Hybrid ARIMA-GRU dalam peramalan data deret waktu keuangan berfrekuensi tinggi. Data yang digunakan pada penelitian ini adalah data empiris berupa harga penutupan saham bank anggota HIMBARA, rentang waktu yang digunakan adalah data saham per menit selama tahun 2022.
Hasil dari penelitian ini menunjukan bahwa model Hybrid ARIMA-GRU mampu memberikan akurasi yang lebih baik dibandingkan model individu ARIMA dan GRU. Harga saham penutupan BMRI, BBRI, BBNI dan BBTN yang dimodelkan menggunakan model Hybrid masing-masing memberikan nilai MAPE sebesar 0.75%, 0.3%, 0.57%, dan 0.54%. Semua nilai MAPE empat bank tersebut dibawah 10%, menunjukkan bahwa model Hybrid sangat akurat dalam melakukan prediksi dan memiliki tingkat kesalahan yang sangat kecil. | id |
