Peramalan Volatilitas Asimetris pada Indeks Harga Saham Gabungan (IHSG) Menggunakan Random Forest dan XGBoost

Abstract

Pergerakan harga saham di pasar modal Indonesia menunjukkan karakteristik volatilitas yang tidak simetris, di mana penurunan harga cenderung menghasilkan risiko yang lebih besar dibandingkan kenaikan harga. Penelitian ini menganalisis karakteristik volatilitas asimetris serta membandingkan model linear (Ordinary Least Squares) dengan dua metode pembelajaran mesin, yaitu Random Forest dan XGBoost, untuk meramalkan realized downside variance Indeks Harga Saham Gabungan (IHSG) satu hari ke depan menggunakan data harian periode 1990–2025. Hasil penelitian menunjukkan bahwa IHSG memiliki karakteristik volatilitas asimetris yang nyata dan kedua metode pembelajaran mesin memberikan akurasi peramalan yang lebih baik dibandingkan model linear. Sementara itu, perbedaan kinerja antara Random Forest dan XGBoost tidak terbukti signifikan secara statistik. Temuan ini menunjukkan bahwa pendekatan pembelajaran mesin dapat menjadi alternatif yang lebih efektif dalam meramalkan risiko pada pasar saham Indonesia.

Kata kunci: IHSG, pembelajaran mesin, Random Forest, realized downside variance, volatilitas asimetris, XGBoost.

Stock price movements in the Indonesian capital market exhibit asymmetric volatility, where price declines tend to generate greater risk than price increases. This study analyzes the characteristics of asymmetric volatility and compares a conventional linear model (Ordinary Least Squares) with two machine learning methods, namely Random Forest and XGBoost, in forecasting one-day-ahead realized downside variance of the Indonesian Composite Stock Price Index (IDX Composite) using daily data from 1990–2025. The results indicate that the IDX Composite exhibits significant asymmetric volatility and that both machine learning methods provide better forecasting accuracy than the linear model. Meanwhile, the performance difference between Random Forest and XGBoost is not statistically significant. These findings suggest that machine learning approaches have the potential to serve as a more effective alternative for forecasting downside risk in the Indonesian stock market.

Keywords: asymmetric volatility, IDX Composite, machine learning, Random Forest, realized downside variance, XGBoost.