Prediksi dan Klasifikasi Volatilitas IHSG Menggunakan Random Forest dengan Pendekatan Realized Volatility
Keywords:
IHSG, Random Forest, Machine Learning, SMOTE, Time Series ForecastingAbstract
Prediksi dan klasifikasi volatilitas Indeks Harga Saham Gabungan (IHSG) menjadi aspek penting dalam memahami dinamika risiko pasar keuangan. Dalam kajian ini, digunakan algoritma Random Forest dengan pendekatan realized volatility untuk memodelkan pergerakan volatilitas berdasarkan data historis IHSG yang telah diolah menjadi berbagai fitur teknikal dan statistik. Ketidakseimbangan data ditangani menggunakan metode SMOTE, sementara pembagian data dilakukan dengan pendekatan time series split ke dalam periode pelatihan, validasi, dan pengujian. Hasil evaluasi model regresi menunjukkan performa yang baik dengan nilai MAE sebesar 0.019306, RMSE sebesar 0.032344, dan R² sebesar 0.807307 pada data uji, yang mencerminkan kemampuan model dalam menangkap pola volatilitas secara akurat. Selain itu, model juga digunakan untuk mengklasifikasikan volatilitas ke dalam dua kategori dengan tingkat akurasi sebesar 88%. Nilai precision dan recall masing-masing mencapai 0.91 dan 0.92 untuk kelas mayoritas, serta 0.80 dan 0.78 untuk kelas minoritas, dengan F1-score sebesar 0.79 pada kelas minoritas. Confusion matrix menunjukkan bahwa sebagian besar data berhasil diklasifikasikan dengan benar, meskipun masih terdapat sejumlah kesalahan pada kondisi tertentu. Secara keseluruhan, pendekatan yang digunakan mampu memberikan hasil yang efektif dalam prediksi dan klasifikasi volatilitas IHSG, meskipun masih memiliki keterbatasan dalam menangani lonjakan volatilitas yang ekstrem.
Downloads
References
[1] R. Wulan, N. Nurpadilah, and R. Pebrian, “PENGARUH INFLASI, HARGA MINYAK DUNIA, DAN SUKU BUNGA (BI RATE) TERHADAP INDEKS HARGA SAHAM GABUNGAN (IHSG) (DATA PER BULAN PERIODE 2011-2020),” J. Pijar, vol. 1, no. 2 SE-, pp. 130–143, Feb. 2023, doi: 10.65096/pmb.v1i2.191.
[2] Y. Yulianto and N. Nurmalasari, “Pengaruh Inflasi, Suku Bunga, dan Nilai Tukar terhadap Indeks Harga Saham Gabungan (IHSG) di Indonesia,” Kompeten J. Ilm. Ekon. dan Bisnis, vol. 4, no. 4, pp. 1466–1474, Jan. 2026, doi: 10.57141/kompeten.v4i4.237.
[3] M. Hisam, “MENAVIGASI VOLATILITAS PASAR: WAWASAN TENTANG INSTRUMEN KEUANGAN DAN STRATEGI INVESTASI,” Curr. J. Ekon. Dan Perbank. Syariah, vol. 2, no. 2, pp. 315–328, Apr. 2024, doi: 10.32806/ccy.v2i2.248.
[4] Kamelia Taung and Atik Budi Pariyanti, “Analisis Statistik Investor Asing dan Volatilitas Pasar Modal Indonesia,” J. Cap. Mark. Bank., vol. 13, no. 3, pp. 21–31, Aug. 2025, doi: 10.63607/jcmb.v13i3.21.
[5] A. Jalil, S. Kasnelly, and I. Agustia, “Dampak Kebijakan Moneter Terhadap Stabilitas Ekonomi Di Tengah Krisis Global,” Al-Mizan J. Ekon. Syariah, vol. 7, no. 2, pp. 105–119, Dec. 2024, doi: 10.54459/almizan.v7iII.789.
[6] M. A. Pandu W, R. E. Saputro, P. Purwadi, and U. A. Rohmah, “Comparison of the Accuracy Levels of Naive Bayes, Random Forest, and Long Short-Term Memory (LSTM) Methods in Predicting Gold Jewelry Sales,” J. Tek. Inform., vol. 7, no. 1 SE-Articles, pp. 126–146, Feb. 2026, doi: 10.52436/1.jutif.2026.7.1.5139.
[7] J. J. Hidayat and S. Hasanudin, “Prediksi Volatilitas IHSG Dengan Hybrid Model GARCH–Random Forest Berbasis Machine Learning,” J. Manaj. Inform. Teknol., vol. 6, no. 1 SE-Articles, pp. 130–140, 2026, doi: 10.51903/mifortekh.v6i1.1134.
[8] A. Nugroho and D. Harini, “Teknik Random Forest untuk Meningkatan Akurasi Data Tidak Seimbang,” JSITIK J. Sist. Inf. dan Teknol. Inf. Komput., vol. 2, no. 2, pp. 128–140, Jun. 2024, doi: 10.53624/jsitik.v2i2.379.
[9] Z. Z. Hulaifah Al Abrori and E. R. Subhiyakto, “Analisis Komparatif Akurasi Prediksi Kanker Payudara Menggunakan Algoritma Random Forest dan Logistic Regression,” J. Algoritm., vol. 22, no. 1, pp. 300–311, May 2025, doi: 10.33364/algoritma/v.22-1.2164.
[10] E. Rafulta, F. Yanuar, D. Devianto, and Maiyastri, “Pemodelan dan Peramalan Volatilitas Memori Panjang pada Return Saham ANTM Studi Komparatif Model GARCH dan FIGARCH,” Lattice J. J. Math. Educ. Appl., vol. 5, no. 1 SE-Articles, pp. 75–89, Jun. 2025, doi: 10.30983/lattice.v5i1.9525.
[11] J. T. Santoso, “ILMU DATA (Data Science),” Penerbit Yayasan Prima Agus Tek., vol. 9, no. 1 SE-Judul Buku, pp. 1–265, 2023, [Online]. Available: https://penerbit.stekom.ac.id/index.php/yayasanpat/article/view/439
[12] B. Mudjiyanto, “TIPE PENELITIAN EKSPLORATIF KOMUNIKASI,” J. Stud. Komun. dan Media, vol. 22, no. 1, p. 65, Jun. 2018, doi: 10.31445/jskm.2018.220105.
[13] A. Wibowo, “Cara Mudah Menganalisis Big Data,” Penerbit Yayasan Prima Agus Tek., vol. 10, no. 1 SE-Judul Buku, pp. 1–159, 2024, [Online]. Available: https://penerbit.stekom.ac.id/index.php/yayasanpat/article/view/516
[14] A. Z. Kamalia, Choiriyatun Nisa Latansa, and Zaenur Rozikin, “Klasifikasi Kondisi Pasar Harga Emas ANTAM Indonesia Menggunakan Algoritma Decision Tree,” J. Komput. Teknol. Inf. Sist. Inf., vol. 4, no. 3, pp. 2087–2098, Jan. 2026, doi: 10.62712/juktisi.v4i3.800.
[15] N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” J. Artif. Intell. Res., vol. 16, pp. 321–357, Jun. 2002, doi: 10.1613/jair.953.
[16] A. P. Werdana, “Pemodelan Klasifikasi Efisiensi Kalori Berbasis Data Aktivitas dan Kondisi Fisiologis Menggunakan Random Forest dan SMOTE,” J. Teknol. Inf. Digit., vol. 2, no. 1, pp. 54–62, [Online]. Available: https://jurnal.ipdig.id/index.php/jtid/article/view/222
[17] P. Setiyadi, M. N. Prayogi, and A. Solichin, “Optimalisasi prediksi kehilangan karyawan menggunakan teknik rfe, smote, dan adaboost,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 4, pp. 2131–2145, 2024.
[18] B. T. Pramesti, F. T. Anggraeny, and W. S. J. Saputra, “Klasifikasi Data Tidak Seimbang Menggunakan SMOTE-ENN dengan Optimasi Bayesian,” JIIP - J. Ilm. Ilmu Pendidik., vol. 8, no. 10, pp. 12207–12210, Oct. 2025, doi: 10.54371/jiip.v8i10.9456.
[19] J. J. Hidayat, C. Setyowati, and A. P. Werdana, “Sentiment Analysis of Instagram User Comments related to the Inauguration of Mr. Prabowo Subianto as President of the Republic of Indonesia Using Natural Language Processing,” Int. J. Data Sci., vol. 6, no. 2, pp. 94–102, Dec. 2025, doi: 10.18517/ijods.6.2.94-102.2025.
[20] J. J. Hidayat, C. Setyowati, and A. P. Werdana, “Perancangan Sistem Prediksi Penyakit pada Tanaman Padi Berbasis Image Processing Menggunakan Algoritma VGG-16 Transfer Learning dan K-Means Segmentation,” J. Pract. Comput. Sci., vol. 5, no. 1, pp. 1–15, May 2025, doi: 10.37366/jpcs.v5i1.5759.
[21] J. J. Hidayat et al., “Prediksi Diabetes Menggunakan Deep Neural Network dengan Penyesuaian Hiperparameter Berbasis Bayesian Optimization,” J. Pract. Comput. Sci., vol. 5, no. 2, pp. 130–143, Jan. 2026, doi: 10.37366/jpcs.v5i2.6419.
[22] Y. A. Mustofa and I. S. K. Idris, “Ensemble Approach to Sentiment Analysis of Google Play Store App Reviews,” Jambura J. Electr. Electron. Eng., vol. 6, no. 2, pp. 181–188, Jul. 2024, doi: 10.37905/jjeee.v6i2.25184.
[23] A. Nugroho, Wiyanto, and D. Maulana, “COMPARATIVE ANALYSIS OF CLASSIFICATION ALGORITHMS IN HANDLING IMBALANCED DATA WITH SMOTE OVERSAMPLING APPROACH,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 11, no. 2, pp. 487–495, Nov. 2025, doi: 10.33480/jitk.v11i2.6956.
[24] A. Miftahusalam, A. F. Nuraini, A. A. Khoirunisa, and H. Pratiwi, “Perbandingan Algoritma Random Forest, Naïve Bayes, dan Support Vector Machine Pada Analisis Sentimen Twitter Mengenai Opini Masyarakat Terhadap Penghapusan Tenaga Honorer,” Semin. Nas. Off. Stat., vol. 2022, no. 1, pp. 563–572, Nov. 2022, doi: 10.34123/semnasoffstat.v2022i1.1410.
[25] M. D. I. Amin, J. J. Hidayat, C. Setyowati, E. K. Fitri, A. N. Anggraini, and A. P. Werdana, “Implementasi Model LSTM Untuk Peramalan Curah Hujan Di Bekasi Dengan Pemanfaatan Data Cuaca BMKG,” J. Teknol. Inf. Digit., vol. 1, no. 2, pp. 90–99, [Online]. Available: https://jurnal.ipdig.id/index.php/jtid/article/view/200
[26] M. A. Rahman Wahid, A. Nugroho, and A. Halim Anshor, “Prediksi Penyakit Kanker Paru-Paru Dengan Algoritma Regresi Linier,” Bull. Inf. Technol., vol. 4, no. 1, pp. 63–74, Mar. 2023, doi: 10.47065/bit.v4i1.501.
[27] A. M. Rifai, S. Raharjo, E. Utami, and D. Ariatmanto, “Analysis for diagnosis of pneumonia symptoms using chest X-ray based on MobileNetV2 models with image enhancement using white balance and contrast limited adaptive histogram equalization (CLAHE),” Biomed. Signal Process. Control, vol. 90, p. 105857, Apr. 2024, doi: 10.1016/j.bspc.2023.105857.
