Penerapan Support Vector Regression untuk Prediksi Indeks Harga Saham Gabungan (IHSG) di Indonesia

Fanny Ahdasabilla (Prodi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung, Indonesia)
Fitri Amanah (Prodi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung, Indonesia)

Jurnal Riset Statistika
Volume 6, No. 1, Juli 2026, Jurnal Riset Statistika (JRS)

Abstract. The Composite Stock Price Index (IHSG) is the main indicator of capital market performance in Indonesia and is influenced by macroeconomic factors such as inflation, interest rates, and exchange rates. The high volatility of the IHSG highlights the need for accurate prediction methods. This study aims to model and predict the IHSG using Support Vector Regression (SVR) with three types of kernels: linear, polynomial, and Radial Basis Function (RBF). The data used consist of monthly observations from January 2016 to September 2025, which underwent outlier detection and treatment, min-max scaling normalization, training and testing data partitioning, and optimal parameter selection using grid search. Model performance was evaluated using Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and the coefficient of determination (R^2). The results indicate that the Radial Basis Function (RBF) kernel with optimal parameters C = 4, ε = 0,1, dan γ = 0,5 provides the best performance compared to the other kernels. The SVR model using the RBF kernel is able to produce accurate predictions and demonstrates good generalization ability on both training and testing data. These findings contribute to the advancement of machine learning-based forecasting methods in financial time series and provide valuable insights for investors and policymakers in making more informed decisions regarding investment strategies and capital market stability. Abstrak. Indeks Harga Saham Gabungan (IHSG) merupakan indikator utama kinerja pasar modal di Indonesia yang dipengaruhi oleh faktor makroekonomi, seperti inflasi, suku bunga, dan nilai tukar. Fluktuasi IHSG yang tinggi mendorong perlunya metode prediksi yang akurat. Penelitian ini bertujuan untuk memodelkan dan memprediksi IHSG menggunakan Support Vector Regression (SVR) dengan tiga jenis kernel, yaitu linear, polinomial, dan Radial Basis Function (RBF). Data yang digunakan adalah data bulanan periode Januari 2016 hingga September 2025, yang melalui tahapan deteksi dan penanganan outlier, normalisasi min-max scaling, pembagian data training dan testing, serta penentuan parameter optimal menggunakan grid search. Kinerja model dievaluasi menggunakan Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (). Hasil penelitian menunjukkan bahwa kernel Radial Basis Function (RBF) dengan parameter optimal C = 4, ε = 0,1, dan γ = 0,5 menghasilkan performa terbaik dibandingkan kernel lainnya. Model SVR dengan menggunakan kernel RBF mampu memberikan hasil prediksi yang akurat serta memiliki kemampuan generalisasi yang baik pada data training dan testing. Temuan ini memberikan kontribusi dalam pengembangan metode prediksi berbasis machine learning pada data keuangan serta dapat menjadi referensi bagi investor dan pembuat kebijakan dalam mengambil keputusan yang lebih tepat terkait investasi dan stabilitas pasar modal.