Indeks Harga Saham Gabungan (IHSG) merupakan indikator utama dalam
menilai kinerja pasar modal Indonesia. Fluktuasi harga saham yang bersifat dinamis
memerlukan metode prediksi yang akurat untuk membantu investor dalam
pengambilan keputusan. Penelitian ini bertujuan untuk membandingkan kinerja
empat algoritma prediksi, yaitu Support Vector Machine (SVM), K-Nearest
Neighbors (K-NN), Extreme Gradient Boosting (XGBoost), dan Autoregressive
Integrated Moving Average (ARIMA) dalam memprediksi harga penutupan IHSG.
Data yang digunakan adalah data historis harian IHSG periode 2019–2024
yang diperoleh dari Yahoo Finance. Proses penelitian meliputi tahapan pre
processing data, penerapan model prediksi, pelatihan dan pengujian model, serta
evaluasi kinerja menggunakan metrik Root Mean Square Error (RMSE) dan Mean
Absolute Error (MAE) pada skala normalisasi 0–1.
Hasil penelitian menunjukkan bahwa model ARIMA memberikan hasil
paling stabil dengan nilai RMSE sebesar 0,4038 dan MAE sebesar 0,3945, diikuti
oleh K-NN dan SVM. Meskipun SVM memiliki nilai MAE terendah, RMSE-nya
masih lebih tinggi dibanding ARIMA dan K-NN. SVM menunjukkan performa
terendah dalam eksperimen ini. Berdasarkan hasil evaluasi, ARIMA
direkomendasikan sebagai algoritma terbaik dalam prediksi harga penutupan IHSG
berbasis data historis.