Prediksi dengan model ARIMA-GARCH tanpa melakukan pembagian data menjadi

data pelatihan dan data pengujian mungkin memungkinkan dalam beberapa situasi,
terutama jika Anda ingin fokus pada memodelkan volatilitas historis atau melakukan
peramalan dalam konteks data historis tanpa kebutuhan untuk menguji kinerja
model di masa depan. Namun, ada beberapa hal yang perlu diperhatikan:

1. Fokus pada Data Historis: Jika Anda tidak membagi data, Anda akan fokus
pada data historis yang ada untuk mengestimasi parameter model ARIMA dan
GARCH serta membuat prediksi berdasarkan data tersebut.
2. Tidak Ada Pengujian Kinerja: Tanpa pembagian data, Anda tidak akan dapat
menguji kinerja model Anda pada data yang belum pernah dilihat
sebelumnya. Ini berarti Anda tidak dapat mengukur sejauh mana model Anda
dapat digeneralisasi ke masa depan atau memvalidasi hasil peramalan Anda.
3. Potensi Overfitting: Jika Anda tidak memiliki data pengujian yang terpisah,
ada risiko bahwa model Anda mungkin terlalu cocok dengan noise dalam data
historis, yang dapat mengarah pada overfitting dan hasil prediksi yang tidak
akurat di masa depan.
4. Keterbatasan Informasi: Anda mungkin kehilangan wawasan penting
tentang kinerja model Anda di dunia nyata jika Anda tidak membagi data
untuk pengujian. Ini dapat membuat sulit untuk mengukur kegunaan praktis
dari model Anda dalam pengambilan keputusan yang sebenarnya.

Penting untuk mempertimbangkan tujuan analisis Anda dan situasi spesifik Anda
saat memutuskan apakah akan membagi data menjadi data pelatihan dan data
pengujian atau tidak. Jika Anda menggunakan model ARIMA-GARCH untuk analisis
historis yang lebih informatif atau penelitian akademis tanpa kebutuhan untuk
membuat prediksi di masa depan, maka tidak melakukan pembagian data mungkin
dapat diterima. Namun, jika tujuan Anda adalah untuk peramalan atau evaluasi
praktis di masa depan, disarankan untuk melakukan pembagian data untuk menguji
kinerja model.
Model hybrid ARIMA-GARCH adalah pendekatan yang efektif dalam prediksi harga
penutupan saham. Ini menggabungkan dua model statistik yang berbeda, yaitu
ARIMA (AutoRegressive Integrated Moving Average) dan GARCH (Generalized
Autoregressive Conditional Heteroskedasticity), untuk mengatasi dua aspek penting
dalam analisis harga saham: tren dan volatilitas.

Berikut adalah langkah-langkah umum dalam menggunakan model hybrid ARIMA-

GARCH untuk prediksi harga penutupan saham:

1. Pengumpulan Data: Kumpulkan data historis harga penutupan saham yang

akan digunakan dalam analisis Anda. Data ini harus mencakup harga
penutupan saham selama periode waktu tertentu, seperti harian atau
mingguan.
2. Preprocessing Data: Periksa dan bersihkan data Anda. Ini mencakup
menangani missing data, mendeteksi outlier, dan memastikan bahwa data
Anda dalam format yang benar.
3. Identifikasi Orde ARIMA: Gunakan analisis ACF (Autocorrelation Function)
dan PACF (Partial Autocorrelation Function) untuk mengidentifikasi orde
ARIMA yang sesuai. Orde ini akan membantu Anda dalam memodelkan tren
dalam data harga saham.
4. Estimasi Model ARIMA: Estimasi model ARIMA menggunakan orde yang
telah diidentifikasi sebelumnya. Ini akan membantu Anda dalam menghasilkan
peramalan tren harga saham.
5. Analisis Volatilitas: Gunakan analisis statistik seperti ACF dari kuadrat
residual untuk mengidentifikasi volatilitas dalam data. Ini akan membantu
Anda dalam menentukan orde GARCH yang sesuai.
6. Estimasi Model GARCH: Estimasi model GARCH menggunakan orde yang
telah diidentifikasi untuk memodelkan volatilitas dalam harga saham.
7. Model Hybrid ARIMA-GARCH: Gabungkan model ARIMA dan GARCH
menjadi satu model. Model ARIMA digunakan untuk meramalkan tren harga
saham, sedangkan model GARCH digunakan untuk memperkirakan volatilitas.
8. Peramalan Harga Saham: Gunakan model hybrid ARIMA-GARCH untuk
membuat peramalan harga penutupan saham di masa depan. Model ini akan
memberikan peramalan yang memperhitungkan tren dan volatilitas yang
mungkin terjadi.
9. Evaluasi Model: Evaluasi kinerja model Anda menggunakan metrik evaluasi
seperti MAE (Mean Absolute Error), MSE (Mean Squared Error), MAPE (Mean
Absolute Percentage Error), dan lainnya. Pastikan untuk menguji model Anda
pada data pengujian yang tidak digunakan dalam pelatihan.
10. Tuning Model: Jika diperlukan, lakukan tuning pada model Anda untuk
meningkatkan kinerjanya. Anda dapat mencoba berbagai orde ARIMA dan
GARCH serta strategi lainnya untuk meningkatkan akurasi peramalan.
 11. Monitoring dan Pembaruan: Setelah model diimplementasikan, Anda dapat
terus memantau kinerjanya dan memperbarui model secara berkala sesuai
dengan data harga saham yang baru.

Model hybrid ARIMA-GARCH adalah alat yang kuat untuk analisis harga saham,
terutama ketika Anda perlu mempertimbangkan baik tren jangka panjang maupun
volatilitas jangka pendek. Namun, perlu diingat bahwa investasi dalam saham
memiliki risiko, dan model ini hanya sebagian dari analisis yang lebih luas dalam
pengambilan keputusan investasi. Selalu gunakan berbagai sumber informasi dan
strategi analisis yang berbeda dalam pengambilan keputusan investasi Anda.