Perpustakaan Digital ITB

Data deret waktu umumnya terkontaminasi derau yang mengaburkan pola dan tren, sedangkan metode pemulusan klasik seperti spline memiliki keterbatasan dalam menangani perubahan struktural. Penelitian ini menerapkan analisis wavelet sebagai metode pemulusan multi-skala untuk mereduksi derau dengan tetap mempertahankan struktur penting data. Implementasi menggunakan Discrete Wavelet Transform (DWT) dan Maximal Overlap Discrete Wavelet Transform (MODWT) dengan berbagai keluarga fungsi wavelet dan metode thresholding. Eksperimen pada empat data sintetis menghasilkan kerangka pemilihan parameter wavelet yang diterapkan sebagai prapengolahan pada data saham BBCA periode September 2024-September 2025 sebelum pemodelan ARIMA dan ARIMA-GARCH. Berdasarkan hasil simulasi, ditunjukkan bahwa kombinasi MODWT sym4 dengan universal-hard thresholding memberikan hasil pemulusan terbaik. Prapengolahan wavelet mereduksi heteroskedastisitas sehingga data hasil pemulusan dapat dimodelkan menggunakan ARIMA dengan MAPE sebesar 3,94%, sedangkan data aktual memerlukan ARIMA-GARCH dengan MAPE sebesar 3,36%. Kedua model menghasilkan tren prediksi yang konsisten dengan selisih harga akhir sebesar 0,85%.