Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Pengembangan Model Hybrid Arima-Machine Learning untuk Prediksi Harga Saham BCA

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 12 No. 6 (2025) · hlm. 1425–1432

DOI
10.25126/jtiik.2025126
ISSN
2528-6579, 2355-7699
Terbit
2025-12-17
Penerbit
Fakultas Ilmu Komputer, Universitas Brawijaya
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0

Abstrak

Inggris

Penelitian ini bertujuan untuk menganalisis kinerja metode hybrid antara algoritma machine learning dan model ARIMA dalam memprediksi harga saham Bank BCA selama lima tahun terakhir. Data yang digunakan berasal dari saham Bank BCA periode 13 November 2019 hingga 12 November 2024, diperoleh melalui Yahoo Finance. Dataset ini terdiri dari 1210 record dengan tujuh variabel: Date, Open, Close, High, Low, Volume, dan Adj Close. Pengujian dilakukan memodelkan data linier menggunakan ARIMA, kemudian memprediksi residual menggunakan algoritma machine learning yaitu KNN, Naïve Bayes, Logistic Regression, SVM, Random Forest, dan Gradient Boost. Selanjutnya Prediksi Akhir didapatkan dari penjumlahan Prediksi ARIMA dengan Prediksi Residual oleh Machine Learning. Hasil evaluasi menunjukkan bahwa model hybrid ARIMA–SVM memberikan performa terbaik dengan nilai MSE sebesar 13.341,72, MAE sebesar 89,69, dan MAPE sebesar 0,9078%. Model ini juga memiliki nilai korelasi (R) tertinggi sebesar 0,9785. Sementara itu, model ARIMA–Gradient Boosting juga menunjukkan performa yang kompetitif dengan MSE sebesar 14.126,60 dan MAPE sebesar 0,9434%. Temuan ini menunjukkan bahwa pendekatan hybrid efektif dalam meningkatkan akurasi dan kestabilan prediksi saham, serta dapat dijadikan alternatif yang unggul dalam analisis pasar keuangan berbasis data historis. Abstract This study aims to analyze the performance of a hybrid method combining machine learning algorithms and the ARIMA model in predicting the stock prices of Bank BCA over the past five years. The data used were obtained from Yahoo Finance, covering the period from November 13, 2019, to November 12, 2024. The dataset consists of 1,210 records and includes seven variables: Date, Open, Close, High, Low, Volume, and Adjusted Close. The testing procedure involved modeling the linear component of the data using ARIMA, followed by predicting the residuals with machine learning algorithms, namely K-Nearest Neighbors (KNN), Naïve Bayes, Logistic Regression, Support Vector Machine (SVM), Random Forest, and Gradient Boosting. The final prediction was obtained by summing the ARIMA forecast with the residual predictions from the machine learning models. Evaluation results show that the hybrid ARIMA–SVM model delivered the best performance with an MSE of 13,341.72, MAE of 89.69, and MAPE of 0.9078%, along with the highest correlation (R) value of 0.9785. The ARIMA–Gradient Boosting model also demonstrated competitive performance with an MSE of 14,126.60 and a MAPE of 0.9434%. These findings indicate that the hybrid approach is effective in enhancing the accuracy and stability of stock price predictions and can serve as a promising alternative in historical data-based financial market analysis.

Bahasa Indonesia

Penelitian ini bertujuan untuk menganalisis kinerja metode hybrid antara algoritma machine learning dan model ARIMA dalam memprediksi harga saham Bank BCA selama lima tahun terakhir. Data yang digunakan berasal dari saham Bank BCA periode 13 November 2019 hingga 12 November 2024, diperoleh melalui Yahoo Finance. Dataset ini terdiri dari 1210 record dengan tujuh variabel: Date, Open, Close, High, Low, Volume, dan Adj Close. Pengujian dilakukan memodelkan data linier menggunakan ARIMA, kemudian memprediksi residual menggunakan algoritma machine learning yaitu KNN, Naïve Bayes, Logistic Regression, SVM, Random Forest, dan Gradient Boost. Selanjutnya Prediksi Akhir didapatkan dari penjumlahan Prediksi ARIMA dengan Prediksi Residual oleh Machine Learning. Hasil evaluasi menunjukkan bahwa model hybrid ARIMA–SVM memberikan performa terbaik dengan nilai MSE sebesar 13.341,72, MAE sebesar 89,69, dan MAPE sebesar 0,9078%. Model ini juga memiliki nilai korelasi (R) tertinggi sebesar 0,9785. Sementara itu, model ARIMA–Gradient Boosting juga menunjukkan performa yang kompetitif dengan MSE sebesar 14.126,60 dan MAPE sebesar 0,9434%. Temuan ini menunjukkan bahwa pendekatan hybrid efektif dalam meningkatkan akurasi dan kestabilan prediksi saham, serta dapat dijadikan alternatif yang unggul dalam analisis pasar keuangan berbasis data historis. Abstract This study aims to analyze the performance of a hybrid method combining machine learning algorithms and the ARIMA model in predicting the stock prices of Bank BCA over the past five years. The data used were obtained from Yahoo Finance, covering the period from November 13, 2019, to November 12, 2024. The dataset consists of 1,210 records and includes seven variables: Date, Open, Close, High, Low, Volume, and Adjusted Close. The testing procedure involved modeling the linear component of the data using ARIMA, followed by predicting the residuals with machine learning algorithms, namely K-Nearest Neighbors (KNN), Naïve Bayes, Logistic Regression, Support Vector Machine (SVM), Random Forest, and Gradient Boosting. The final prediction was obtained by summing the ARIMA forecast with the residual predictions from the machine learning models. Evaluation results show that the hybrid ARIMA–SVM model delivered the best performance with an MSE of 13,341.72, MAE of 89.69, and MAPE of 0.9078%, along with the highest correlation (R) value of 0.9785. The ARIMA–Gradient Boosting model also demonstrated competitive performance with an MSE of 14,126.60 and a MAPE of 0.9434%. These findings indicate that the hybrid approach is effective in enhancing the accuracy and stability of stock price predictions and can serve as a promising alternative in historical data-based financial market analysis.

Kata kunci

Jaringan kolaborasi para penulis

21 penulis · 43 tautan kepenulisan bersama · 22 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Yogyakarta State University
  • Universitas Suryadarma
  • Musamus Merauke University
  • National Central University
  • National Taiwan University of Science and Technology
  • Siliwangi University
  • National Research and Innovation Agency
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Rustam AsnawiYogyakarta State University2
Nurwijayanti KusumaUniversitas Suryadarma2
Tri Yuli PahtoniYogyakarta State University1
Herman Dwi SurjonoYogyakarta State University1
Agustan LatifYogyakarta State University1
Mani YusufMusamus Merauke University1
Yuniar IndrihapsariYogyakarta State University1
Pradana SetialanaYogyakarta State University1
Danang WijayaNational Central University1
Satya Adhiyaksa ArdyNational Taiwan University of Science and Technology1
Dhista Dwi Nur ArdiansyahYogyakarta State University1
Linda FaridahSiliwangi University1
Effendi Dodi ArisandiNational Research and Innovation Agency1
Linda FaridahYogyakarta State University1
Nur Alif IlyasaAfiliasi tidak diketahui1
Dhanapal Durai DominicAfiliasi tidak diketahui1
Sarah BibiAfiliasi tidak diketahui1
Ahmad Faiq AbrorYogyakarta State University1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, pertama di-harvest 27 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Pengembangan Model Hybrid Arima-Machine Learning untuk Prediksi Harga Saham BCA</dc:title>
	<dc:title xml:lang="en">Pengembangan Model Hybrid Arima-Machine Learning untuk Prediksi Harga Saham BCA</dc:title>
	<dc:creator xml:lang="en">Dwi Kurniawan, Prabowo</dc:creator>
	<dc:creator xml:lang="en">Dwi Surjono, Herman</dc:creator>
	<dc:creator xml:lang="en">Jati, Handaru </dc:creator>
	<dc:creator xml:lang="id">Dwi Kurniawan, Prabowo</dc:creator>
	<dc:creator xml:lang="id">Dwi Surjono, Herman</dc:creator>
	<dc:creator xml:lang="id">Jati, Handaru </dc:creator>
	<dc:subject xml:lang="en">Hybrid</dc:subject>
	<dc:subject xml:lang="en">ARIMA</dc:subject>
	<dc:subject xml:lang="en">Machine Learning</dc:subject>
	<dc:subject xml:lang="en">Saham</dc:subject>
	<dc:subject xml:lang="en">BBCA</dc:subject>
	<dc:description xml:lang="en">Penelitian ini bertujuan untuk menganalisis kinerja metode hybrid antara algoritma machine learning dan model ARIMA dalam memprediksi harga saham Bank BCA selama lima tahun terakhir. Data yang digunakan berasal dari saham Bank BCA periode 13 November 2019 hingga 12 November 2024, diperoleh melalui Yahoo Finance. Dataset ini terdiri dari 1210 record dengan tujuh variabel: Date, Open, Close, High, Low, Volume, dan Adj Close. Pengujian dilakukan memodelkan data linier menggunakan ARIMA, kemudian memprediksi residual menggunakan algoritma machine learning yaitu KNN, Naïve Bayes, Logistic Regression, SVM, Random Forest, dan Gradient Boost. Selanjutnya Prediksi Akhir didapatkan dari penjumlahan Prediksi ARIMA dengan Prediksi Residual oleh Machine Learning. Hasil evaluasi menunjukkan bahwa model hybrid ARIMA–SVM memberikan performa terbaik dengan nilai MSE sebesar 13.341,72, MAE sebesar 89,69, dan MAPE sebesar 0,9078%. Model ini juga memiliki nilai korelasi (R) tertinggi sebesar 0,9785. Sementara itu, model ARIMA–Gradient Boosting juga menunjukkan performa yang kompetitif dengan MSE sebesar 14.126,60 dan MAPE sebesar 0,9434%. Temuan ini menunjukkan bahwa pendekatan hybrid efektif dalam meningkatkan akurasi dan kestabilan prediksi saham, serta dapat dijadikan alternatif yang unggul dalam analisis pasar keuangan berbasis data historis.
 
Abstract
This study aims to analyze the performance of a hybrid method combining machine learning algorithms and the ARIMA model in predicting the stock prices of Bank BCA over the past five years. The data used were obtained from Yahoo Finance, covering the period from November 13, 2019, to November 12, 2024. The dataset consists of 1,210 records and includes seven variables: Date, Open, Close, High, Low, Volume, and Adjusted Close. The testing procedure involved modeling the linear component of the data using ARIMA, followed by predicting the residuals with machine learning algorithms, namely K-Nearest Neighbors (KNN), Naïve Bayes, Logistic Regression, Support Vector Machine (SVM), Random Forest, and Gradient Boosting. The final prediction was obtained by summing the ARIMA forecast with the residual predictions from the machine learning models. Evaluation results show that the hybrid ARIMA–SVM model delivered the best performance with an MSE of 13,341.72, MAE of 89.69, and MAPE of 0.9078%, along with the highest correlation (R) value of 0.9785. The ARIMA–Gradient Boosting model also demonstrated competitive performance with an MSE of 14,126.60 and a MAPE of 0.9434%. These findings indicate that the hybrid approach is effective in enhancing the accuracy and stability of stock price predictions and can serve as a promising alternative in historical data-based financial market analysis.</dc:description>
	<dc:description xml:lang="id">Penelitian ini bertujuan untuk menganalisis kinerja metode hybrid antara algoritma machine learning dan model ARIMA dalam memprediksi harga saham Bank BCA selama lima tahun terakhir. Data yang digunakan berasal dari saham Bank BCA periode 13 November 2019 hingga 12 November 2024, diperoleh melalui Yahoo Finance. Dataset ini terdiri dari 1210 record dengan tujuh variabel: Date, Open, Close, High, Low, Volume, dan Adj Close. Pengujian dilakukan memodelkan data linier menggunakan ARIMA, kemudian memprediksi residual menggunakan algoritma machine learning yaitu KNN, Naïve Bayes, Logistic Regression, SVM, Random Forest, dan Gradient Boost. Selanjutnya Prediksi Akhir didapatkan dari penjumlahan Prediksi ARIMA dengan Prediksi Residual oleh Machine Learning. Hasil evaluasi menunjukkan bahwa model hybrid ARIMA–SVM memberikan performa terbaik dengan nilai MSE sebesar 13.341,72, MAE sebesar 89,69, dan MAPE sebesar 0,9078%. Model ini juga memiliki nilai korelasi (R) tertinggi sebesar 0,9785. Sementara itu, model ARIMA–Gradient Boosting juga menunjukkan performa yang kompetitif dengan MSE sebesar 14.126,60 dan MAPE sebesar 0,9434%. Temuan ini menunjukkan bahwa pendekatan hybrid efektif dalam meningkatkan akurasi dan kestabilan prediksi saham, serta dapat dijadikan alternatif yang unggul dalam analisis pasar keuangan berbasis data historis.
 
Abstract
This study aims to analyze the performance of a hybrid method combining machine learning algorithms and the ARIMA model in predicting the stock prices of Bank BCA over the past five years. The data used were obtained from Yahoo Finance, covering the period from November 13, 2019, to November 12, 2024. The dataset consists of 1,210 records and includes seven variables: Date, Open, Close, High, Low, Volume, and Adjusted Close. The testing procedure involved modeling the linear component of the data using ARIMA, followed by predicting the residuals with machine learning algorithms, namely K-Nearest Neighbors (KNN), Naïve Bayes, Logistic Regression, Support Vector Machine (SVM), Random Forest, and Gradient Boosting. The final prediction was obtained by summing the ARIMA forecast with the residual predictions from the machine learning models. Evaluation results show that the hybrid ARIMA–SVM model delivered the best performance with an MSE of 13,341.72, MAE of 89.69, and MAPE of 0.9078%, along with the highest correlation (R) value of 0.9785. The ARIMA–Gradient Boosting model also demonstrated competitive performance with an MSE of 14,126.60 and a MAPE of 0.9434%. These findings indicate that the hybrid approach is effective in enhancing the accuracy and stability of stock price predictions and can serve as a promising alternative in historical data-based financial market analysis.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2025-12-17</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9938</dc:identifier>
	<dc:identifier>10.25126/jtiik.2025126</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 12 No 6: Desember 2025; 1425-1432</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 12 No. 6: Desember 2025; 1425-1432</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2025126</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9938/1522</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2025 Prabowo Dwi Kurniawan, Herman Dwi Surjono, Handaru  Jati</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>