📚 Eksplorasi & Komparasi Topik Dokumen

APLIKASI EKONOFISIKA PADA STRATEGI PERDAGANGAN MENGGUNAKAN MODEL GARCH DAN LSTM PADA SAHAM SEKTOR SAWIT

Saham sektor kelapa sawit di Bursa Efek Indonesia memiliki volatilitas yang tinggi sehingga prediksi harganya menjadi tantangan tersendiri. Penelitian ini membangun dan mengevaluasi model hibrida yang memadukan model volatilitas Generalized Autoregressive Conditional Heteroscedasticity (GARCH) dengan jaringan saraf Long Short-Term Memory (LSTM) untuk memprediksi harga penutupan harian tiga saham sektor sawit, yaitu AALI, LSIP, dan SGRO. Tujuan utamanya adalah menilai apakah penambahan fitur volatilitas kondisional GARCH(1,1) meningkatkan akurasi prediksi LSTM dan apakah strategi perdagangan berbasis prediksi mampu mengungguli strategi pasif buy-and-hold. Data harga harian periode 2 Januari 2019–31 Juli 2025 dibagi secara kronologis menjadi 70% data pelatihan, 10% validasi, dan 20% pengujian. Volatilitas kondisional diestimasi menggunakan GARCH(1,1) berdistribusi Student-t dengan pendekatan rolling window anti-kebocoran, lalu diintegrasikan sebagai fitur tambahan (Skenario A) dan dibandingkan dengan model LSTM tanpa GARCH (Skenario B). Arsitektur LSTM dua lapis ditentukan melalui Grid Search terhadap 135 kombinasi hyperparameter. Hasil menunjukkan kedua model memprediksi level harga dengan baik (MAPE 1,84%–3,75%), namun kontribusi fitur GARCH tidak universal: fitur tersebut hanya memperbaiki AALI secara tipis, sedangkan pada LSIP dan SGRO model LSTM tanpa GARCH justru lebih akurat. Baseline naïf (harga esok sama dengan harga hari ini) menghasilkan RMSE lebih kecil dan R² lebih tinggi daripada kedua model pada ketiga saham, dan Directional Accuracy berada di bawah 50% (40,1%–45,7%), menandakan model belum mengungguli asumsi random walk untuk prediksi arah harian. Pada simulasi backtesting peramalan 10 hari dengan Take Profit 5% dan trailing Stop Loss 3%, strategi aktif buy-and-hold dengan return portofolio +4,48% berbanding kerugian buy-and-hold pada dua dari tiga saham. Penelitian ini menegaskan pentingnya pelaporan keterbatasan model secara terbuka dan menunjukkan bahwa manfaat fitur volatilitas bergantung pada karakteristik tiap emiten.