Integrasi Keuangan Modern dan Kecerdasan Buatan untuk Analisis Investasi dan Risiko Saham PT United Tractors tbk (UNTR)

Bungaria  Tampubolon; Nurfitri Humayro  Daulay; Febry Vista Kristen  Tarigan

doi:10.29303/griya.v5i4.976

Bungaria Tampubolon Mahasiswa Statistika, FMIPA, Universitas Negeri Medan
Nurfitri Humayro Daulay Mahasiswa Statistika, FMIPA, Universitas Negeri Medan
Febry Vista Kristen Tarigan Mahasiswa Statistika, FMIPA, Universitas Negeri Medan

DOI: https://doi.org/10.29303/griya.v5i4.976

Keywords: UNTR, XGBoost, Vector Autoregression, Maximum Drawdown, Analisis Saham

Abstract

Penelitian ini mengintegrasikan analisis keuangan modern dengan kecerdasan buatan untuk mengevaluasi profil investasi dan risiko saham PT United Tractors Tbk (UNTR) selama periode Januari 2015 hingga Desember 2024. Dengan menggunakan pendekatan kuantitatif terhadap 116 observasi bulanan, penelitian ini mengombinasikan algoritma machine learning (Logistic Regression dan XGBoost) dengan pemodelan ekonometrika (Vector Autoregression) untuk memprediksi arah return saham dan menganalisis hubungan dinamis antar variabel makroekonomi dan fundamental. Hasil penelitian menunjukkan bahwa kedua model machine learning mencapai akurasi sekitar 53%, dengan Debt to Equity Ratio (DER) sebagai prediktor paling berpengaruh dengan kontribusi 21,4%, yang mengindikasikan dominasi faktor fundamental dibandingkan variabel makroekonomi. Analisis VAR menunjukkan bahwa lebih dari 98% volatilitas UNTR dijelaskan oleh momentum internalnya sendiri, bukan faktor eksternal seperti harga batubara atau nilai tukar. Penilaian risiko melalui Value at Risk (VaR) pada tingkat kepercayaan 95% menunjukkan potensi kerugian maksimum sebesar 15,7%, sementara Maximum Drawdown (MDD) sebesar -59,64% mengindikasikan volatilitas historis yang substansial. Kerangka kerja hibrida ini berhasil memberikan wawasan komprehensif untuk pengambilan keputusan investasi dengan mengintegrasikan pemodelan prediktif dan alat pengukuran risiko formal.

References

Anam, K., Arif, M., & Susanti, R. (2021). Value-at-Risk analysis in risk measurement and formation of optimal portfolio in banking share. JBTI: Jurnal Bisnis Teori dan Implementasi, 12(2), 122–135.

Andrika, M. Y., & Rahardi, M. (2025). Comparative study of linear regression, SVR, and XGBoost for stock price prediction after a stock split. Journal of Applied Informatics and Computation (JAIC), 9(4), 1817–1824.

Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Stock return prediction using machine learning classifiers. In Atlantis Press Proceedings (pp. 239–243).

Chen, Y., & Wang, L. (2024). Stock forecasts based on the XGBoost model. In Proceedings of the ACM International Conference on Computing and Artificial Intelligence (pp. 1–8).

Hidayat, R., & Nugroho, A. (2024). The influence of reference coal price and inflation on the share price of PT Adaro Energy Indonesia Tbk. Indonesia Auditing Research Journal, 13(2), 107–113.

Kurniansyah, J., Gusti, S. K., Yanto, F., & Affandes, M. (2025). Implementasi model long short term memory (LSTM) dalam prediksi harga saham. Bulletin of Information Technology (BIT), 6(2), 79–86.

Mendes, B. V. M., & Leal, R. P. C. (2017). Implementing and testing the maximum drawdown at risk. Finance Research Letters, 22, 95–100.

Munthe, I. R., Simbolon, H., & Pratama, R. (2024). Implementation of stacking technique combining machine learning and deep learning algorithms using SMOTE to improve stock market prediction accuracy. Journal of Applied Data Sciences, 5(4), 1–15.

Novita, M., & Nachrowi, N. D. (2005). Penerapan Vector Auto Regression (VAR) pada variabel makro ekonomi dan pasar saham di Bursa Efek Indonesia. Jurnal Ilmu Manajemen, 2(1), 45–58.

Okonkwo, C. N., & Ezeife, C. I. (2025). A comparative analysis of the performance of machine learning models (RF, XGBoost, LSTM) for stock price prediction. Journal of Financial Risk Management, 14(2), 1–18.

Pramana, S., & Santoso, A. (2021). The stock exchange prediction using machine learning techniques: Evidence from Indonesia. Jurnal Ilmu Komputer dan Informasi (JIKI), 14(2), 89–98.

Pratama, R., & Wijaya, H. (2025). Enhancing stock price prediction using stacked long short-term memory. IT Journal Research and Development (ITJRD), 9(2), 156–167.

Putra, A. R., & Setiawan, D. (2025). Shifting the relationship between market sentiment, market volume, and stock volatility using VAR model. Eduvest – Journal of Universal Studies, 5(4), 3421–3435.

Rahman, A., Putri, D. N., & Sari, M. (2023). Effect of profitability, debt and market ratios on stock return of non-bank companies. In Seminar Nasional Fakultas Manajemen Indonesia Proceedings (pp. 245–258).

Rosadi, D., & Prastyo, D. D. (2018). Vector autoregressive (VAR) untuk peramalan harga saham PT Indofood Sukses Makmur. Media Statistika, 11(1), 27–38.

Santoso, B., & Hidayat, R. (2020). Pemodelan harga saham blue chip menggunakan Vector Autoregressive (VAR). Jurnal Ekonomi Bisnis STIE Wiraraja, 6(2), 112–124.

Setiawan, B., & Hadiyanto, D. (2022). Stock prediction for Indonesia Stock Exchange with long-short term memory. Procedia Computer Science, 197, 128–135.

Sharma, R., Kumar, A., & Singh, P. (2024). A comparative analysis of LSTM, ARIMA, XGBoost algorithms in predicting stock price direction. Engineering and Technology Journal, 9(8), 4978–4986.

Wijaya, S., & Kusuma, H. (2023). Value at risk analysis using historical method and Monte Carlo simulation on Indonesia Stock Exchange. International Journal of Accounting and Management Business (IJAMB), 2(1), 35–47.

Zabarankin, M., Pavlikov, K., & Uryasev, S. (2021). Mean-maximum drawdown optimization of buy-and-hold portfolios. SSRN Electronic Journal, 1–28.