<![CDATA[Pasar saham merupakan instrumen keuangan yang rentan terhadap fluktuasi harga, yang dipengaruhi oleh faktor ekonomi, kebijakan pemerintah, dan sentimen investor. Volatilitas harga saham menjadi indikator penting untuk menilai risiko dan dinamika pasar, sehingga prediksi volatilitas harian memiliki peran strategis bagi investor dan pengambil kebijakan. Penelitian ini bertujuan untuk membandingkan kinerja model GARCH(1,1) dan Long Short-Term Memory (LSTM) dalam memprediksi volatilitas harian Indeks Harga Saham Gabungan (IHSG) pada periode 2016–2025. Data harga penutupan diolah menjadi log return dan melalui preprocessing, termasuk pembersihan, normalisasi, dan pembentukan sequence untuk kebutuhan pemodelan LSTM. Hasil penelitian menunjukkan bahwa GARCH(1,1) mampu menangkap pola volatilitas IHSG secara memadai, namun memiliki keterbatasan dalam menangani perubahan volatilitas yang cepat. Sebaliknya, LSTM menunjukkan performa prediksi yang lebih unggul dengan kesalahan prediksi rendah dan kemampuan penjelasan tinggi yang menunjukkan keunggulan dalam menangkap dinamika non-linear dan ketergantungan jangka panjang pada data volatilitas. Kata Kunci: Volatilitas IHSG, GARCH (1,1), LSTM, Peramalan Deret Waktu, Deep Learning.]]>
Copyrights © 2026
