ANALISA DERET WAKTU DENGAN MENGGUNAKAN METODE ARIMA DAN VAR PADA APLIKASI ORANGE
DOI:
https://doi.org/10.31004/jrpp.v7i1.23785Keywords:
ARIMA, VAR, Data Science, Prediksi, Deret WaktuAbstract
Kita tahu bahwa teknologi sedang berkembang pesat saat ini. Banyak manfaat yang dapat diperoleh khususnya mengenai data science dimana sangat membantu perusahaan dalam mengatasi masalah mereka. Salah satu permasalahan yang sering ditemui yaitu sulit memprediksi masa depan dimana data science dengan menggunakan analisa deret waktu akan membantu perusahaan dalam memprediksi masa depan. Penelitian ini akan melakukan analisa deret waktu dengan menggunakan metode ARIMA dan VAR yang dimana akan dibandingkan untuk mendapatkan metode yang paling tepat dalam menganalisa data saham yang akan dianalisa. Diketahui bahwa metode VAR merupakan metode terbaik yang dimana memiliki nilai RMSE, MAE, MAPE, POCID, R2, AIC, dan BIC yaitu sebesar 76.3, 32.7, 0.006, 42.9, 0.608, 15.2, 15.2 secara berurutan. Selain itu, VAR memprediksi bahwa nilai saham di 5 periode kedepan akan bernilai 8935.56, 8938.88, 8938.65, 8936.68, dan 8933.86.References
Clements, M. P. (1991). Empirical analysis of macroeconomic time series VAR and structural models. European Economic Review, 887-932.
Idrees, S. M., Alam, M. A., & Agarwal, P. (2019). A Prediction Approach for Stock Market Volatility Based on Time Series Data. IEEE Access, 17287-17298.
Khan, S., & Alghulaiakh, H. (2020). ARIMA model for accurate time series stocks forecasting. International Journal of Advanced Computer Science and Applications.
Lutkepohl, H. (1991). Introduction to Multiple Time Series Analysis.
Mondal, P., Shit, L., & Goswami, S. (2014). Study of effectiveness of time series modeling (ARIMA) in forecasting stock prices. International Journal of Computer Science Engineering and Applications, 13.
Rahayu, W. S., Juwono, P. T., & Soetopo, W. (2019). Analisis Prediksi Debit Sungai Amprong Dengan Model Arima (Autoregressive Integrated Moving Average) Sebagai Dasar Penyusunan Pola Tata Tanam. Jurnal Teknik Pengairan: Journal of Water Resources Engineering, 110-119.
Shahvaroughi Farahani, M., & Razavi Hajiagha, S. (2021). Forecasting stock price using integrated artificial neural network and metaheuristic algorithms compared to time series models. Soft Comput 25, 8483–8513.
Shumway, R., & Stoffer, D. (2017). ARIMA Models. In: Time Series Analysis and Its Applications. Springer Texts in Statistics.
Tufte, E. (1983). The Visual Display of Quantitative Information. Cheshire: Graphics Press.
Wang, Y., & Guo, Y. (2020). Forecasting method of stock market volatility in time series data based on mixed model of ARIMA and XGBoost. China Communications, 205-221.
Yadav, A., Jha, C. K., & Sharan, A. (2020). Optimizing LSTM for time series prediction in Indian stock market. Procedia Computer Science, 2091-2100.
Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 159-175.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Mieldha Hamzah Fadilah, Hendri Novendra, Benedict Ariel Kurnianto, Tota Pirdo Kasih
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
