ANALISIS MODEL GARCH DAN NEURO-GARCH UNTUK PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG).

(1)

ANALISIS MODEL GARCH DAN NEURO GARCH UNTUK PERAMALAN INDEKS HARGA

SAHAM GABUNGAN (IHSG)

Oleh :

Widya Cucu Utami NIM 4101230012 Program Studi Matematika

SKRIPSI

Diajukan Untuk Memenuhi Syarat Memperoleh Gelar Sarjana Sain

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI MEDAN

MEDAN 2015

(2)

iii

ANALISIS MODEL GARCH DAN NEURO-GARCH UNTUK PERAMALAN INDEKS HARGA

SAHAM GABUNGAN (IHSG) Widya Cucu Utami(NIM 4101230012)

Abstrak

Indeks saham begitu sangat berpengaruh terhadap kegiatan ekonomi. Dalam pasar modal, jika indeks harga saham naik, maka secara teoritis kekayaan investor bertambah dan sebaliknya. Indeks Harga Saham Gabungan (IHSG) merupakan salah satu data time series. Model yang dapat meramalkan data time series yaitu model GARCH dan Neuro GARCH. Penelitian ini bertujuan untuk meramalkan Indeks Harga Saham Gabungan (IHSG) dengan menggunakan model GARCH dan Neuro GARCH kemudian membandingannya. Model yang paling baik adalah model yang memiliki nilai MAPE(Mean Absolute Percentage Error) terkecil. Pendekatan model GARCH terdiri dari empat tahap utama, yaitu tahap uji heteroskedastisitas, tahap identifikasi model, tahap uji model, dan terakhir adalah tahap peramalan. Data yang digunakan adalah data Indeks Harga Saham Gabungan (IHSG) mingguan periode Januari 2013-Januari 2015 yang diperoleh dari situs www.finance.yahoo.com. Hasil yang diperoleh model GARCH (1,1) dengan persamaan:

= 8.270535 + −1 0. 9667 −1+ dengan persamaan varians

= 5463.052 + 0.559698 −1+ 0.037827 −1

Dan untuk analisis dengan model Neuro GARCH dengan jumlah layar tersembunyi 11 neuron, jumlah iterasi 5000, error 0.05 diperoleh persamaan garis untuk kecocokan terbaik:

= (0.9946) + (0.04)

Hasil perbandingan model GARCH dan model Neuro GARCH diperoleh nilai MAPE masing-masing model yaitu . 76726%dan .744947%. Nilai MAPE yang dihasilkan model GARCH lebih kecil dibandingkan MAPE model Neuro GARCH sehngga peramalan dengan menggunakan model GARCH lebih baik dibandingkan dengan menggunakan Neuro GARCH.

(3)

DAFTAR ISI

Halaman

Lembar Pengesahan i

Riwayat Hidup ii

Abstrak iii

Kata Pengantar iv

Daftar Isi vi

Daftar Gambar ix

Daftar Tabel x

Daftar Lampiran xi

BAB I PENDAHULUAN

1.1 Latar Belakang 1

1.2 Rumusan Masalah 4

1.3 Batasan Masalah 4

1.4 Tujuan Penelitian 5

1.5 Manfaat Penelitian 5

BAB II LANDASAN TEORI

2.1 Indeks Harga Saham Gabungan 6

2.2 Stationeritas 7

2.2.1 Uji Kestationeritas Data 9

2.3 Heteroskedastisitas 11

2.3.1 Uji Heteroskedastisitas 12

2.4 Model Umum Deret Waktu 13

2.4.1 Model Autoregressive (AR) 13

2.4.2 Model Moving Average (MA) 14

2.4.3 Model Autoregressive Moving Average (ARMA) 15 2.4.4 Model Autoregressive Integrated Moving Average (ARIMA) 15

(4)

vii

2.5.1 Uji Akaike Information Criterion (AIC) 16 2.5.2 Uji Schwarz Information Criterion (SIC) 17

2.5.3 Uji Kelayakan Model 17

2.6 General Autoregressive Conditional Heteroscedasticity (GARCH) 18 2.6 Analisis GARCH Menggunakan Eviews 20

2.8 Jaringan Syaraf Tiruan 24

2.8.1 Arsitektur Jaringan 25

2.8.2 Fungsi Aktivasi 27

2.8.3 Algoritma Belajar dan Pelatihan 28

2.8.4 Backpropagation 28

2.8.5 Momentum 31

2.8.6 Aplikasi Backpropagation dalam Peramalan 32

2.9 Neuro-GARCH 34

2.10 Uji Keakuratan Hasil Peramalan 34

BAB III METODE PENELITIAN

3.1 Tempat dan Waktu Penelitian 36

3.2 Jenis Penelitian 36

3.3 Instrumen Pengumpulan Data 36

3.4 Prosedur Penelitian 36

BAB IV PEMBAHASAN

4.1 Pengumpulan Data 40

4.2 Analisis Data dengan Menggunakan Model GARCH 40 4.2.1 Identifikasi Kestasioneran Data 40

4.2.2 Pembentukan Model Awal 45

4.2.3 Pengujian Heteroskedastisitas 46 4.2.4 Estimasi Parameter Model GARCH 46

4.2.5 Uji Kelayakan Model 47

4.2.6 Peramalan dengan Model GARCH 47 4.3 Analisis Data dengan Menggunakan Model Neuro GARCH 48

(5)

viii

4.3.1 Perancangan Model Peramalan 48

4.3.2 Pemilihan Arsitektur Jaringan Optimum 49 4.3.3 Peramalan dengan Menggunakan Model Neuro GARCH 50 4.4 Perbandingan Hasil Peramalan Model GARCH dengan Neuro

GARCH 55

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan 57

5.2 Saran 57

(6)

DAFTAR GAMBAR

Halaman Gambar 2.1 Contoh penyiapan data di Excel 20 Gambar 2.2 Penyiapan data di EVIEWS 20 Gambar 2.3 Tampilan workfile range 21 Gambar 2.4 Tampilan untitled workfile 21 Gambar 2.5 Import dat a dari Excel 22 Gambar 2.6 Kotak dialog import data 22

Gambar 2.7 Estimasi parameter 23

Gambar 2.8 Hasil estimasi parameter 23 Gambar 2.9 Sebuah sel syaraf tiruan 25

Gambar 2.10 Jaringan layar tunggal 26

Gambar 2.11 Jaringan layar jamak 26

Gambar 4.1 Korelogram data IHSG 42

Gambar 4.2 Korelogram IHSG setelah pembedaan 44

Gambar 4.3 Program Matlab R2008a 49

Gambar 4.4 Hubungan antara target dengan output jaringan

untuk data pelatihan 51

Gambar 4.5 Perbandingan antara target dengan output jaringan

untuk data pelatihan 51

Gambar 4.6 Perbandingan antara target dengan output jaringan

(7)

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Berbicara tentang kegiatan pasar modal saat ini tidak terlepas dari apa yang disebut sebagai indeks harga saham. Untuk mengetahui bagaimana kegiatan ekonomi bergerak, naik atau turun, banyak orang akan melihatnya dari sisi indeks yang dicapai pada saat itu. Di surat-surat kabar yang memuat berita paling aktual, tidak ketinggalan juga dicantumkan bagaimana pergerakan indeks saham, khususnya Indeks Harga Saham Gabungan (IHSG) pada hari perdagangan terakhir. Saham dipakai sebagai ukuran karena saham merupakan instrument pasar paling banyak diminati oleh investor. Bahkan saat ini, kegiatan politik pun juga dihubungkan dengan pergerakan harga saham yang terjadi dan terlihat dari indeks harga saham. Banyak analisis menghubungkan suhu politik yang terjadi ternyata juga bepengaruh terhadap kegiatan investasi di pasar modal. Ukuran yang dipakai juga indeks harga saham (Anoraga, 2008: 100).

Indeks saham begitu sangat berpengaruh terhadap kegiatan ekonomi. Dalam pasar modal terutama terhadap investor. Jika indeks harga saham naik, maka secara teoritis dan secara umum kekayaan investor akan bertambah. Begitu sebaliknya, jika indeks harga saham turun, maka kekayaan investor juga berkurang. (Thonthowi, 2012),

Angka indeks bukan saja untuk melihat perkembangan atau tren suatu saham, tetapi digunakan juga sebagai acuan perdagangan. Jika diperkirakan indeks akan naik, misalkan 3 bulan yang akan datang, jika hari ini investor membeli dengan harga tertentu maka pada saat indeks jatuh tempo investor akan memperoleh keuntungan. Sebaliknya jika diperkirakan indeks akan turun, sebaiknya investor tidak membeli tetapi menjual dengan harga saat ini sehingga ketika jatuh tempo dan indeks benar-benar turun, investor memperoleh keuntungan. Dengan mengetahui angka indeks di masa yang akan datang, investor dapat mempersiapkan langkah yang akan diambil apabila suatu saat indeks saham

(8)

mengalami penurunan ataupun peningkatan. Hal ini bertujuan agar investor tidak mengalami kerugian. Oleh karena itu, perlu dilakukan pemodelan terhadap indeks saham pada masa yang akan datang guna menentukan langkah-langkah yang harus diambil investor dalam menghadapi naik atau turunnya indeks harga saham ke depan (http://bisnisbermoral.blogspot.com/2008/03/manfaat-indeks-saham/).

Indeks harga saham dibedakan menjadi dua, yaitu Indeks Harga Saham Individu dan Indeks Harga Saham Gabungan. Indeks Harga Saham Individu hanya menunjukan perubahan dari suatu harga dari suatu saham di suatu perusahaan. Indeks ini tidak dapat mengukur harga dari suatu saham perusahaan tertentu apakah mengalami perubahan, kenaikan, atau penurunan. Indeks individual saham dapat dikatakan merupakan suatu nilai yang mempunyai fungsi untuk mengukur kinerja kerja suatu saham tertentu terhadap harga dasarnya. Sedangkan Indeks Harga Saham Gabungan (IHSG) menunjukkan pergerakan harga saham secara umum yang tercatat dibursa efek. Indeks inilah yang paling banyak digunakan dan dipakai sebagai acuan tentang perkembangan kegiatan di pasar modal. IHSG ini dapat digunakan untuk menilai situasi pasar secara umum atau mengukur apakah harga saham mengalami kenaikan atau penurunan. Indeks harga ini melibatkan seluruh harga saham yang tercatat di bursa (Anoraga, 2008).

Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan secara sistematis. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien (Makridakis, 1999).

Indeks Harga Saham merupakan salah satu contoh dari data time series. Beberapa model peramalan yang dapat digunakan untuk data times series yaitu ARCH, GARCH, dan ARIMA. Model ARCH pertama kali diperkenalkan oleh Robert F. Engle (1982). Model ini kemudian disempurnakan Bollerslev (1986) terutama untuk menjawab persoalan tentang adanya volatilitas (varians tak konstan). Varians residual yang berubah-ubah ini terjadi karena varians residual tidak hanya fungsi dari variabel independen tetapi tergantung seberapa besar

residual di masa lalu. Bollerslev menyempurnakan model ARCH dengan

(9)

lalu. Model Bollerslev ini kemudian disebut General Autoregressive Conditional Heteroskedasticity (GARCH) model (Santoso, 2011).

Di dalam sebuah penetilian, Minarti (2014) menggunakan model GARCH untuk meramalankan tingkat inflasi. Penelitian tersebut menghasilkan inflasi tertinggi terjadi pada bulan Januari sebesar 0,49 dan inflasi terendah terjadi pada bulan Desember sebesar 0,0002 serta nilai residual untuk bulan Februari dan Maret tahun 2014, nilainya termasuk kecil dan mendekati nilai aktual, sehingga dalam hal ini peramalan cukup akurat. Model GARCH juga digunakan pada penelitian Santoso (2011) terhadap data inflasi makanan Indonesia. Di dalam penelitian ini peneliti juga membandingkannya dengan model ARMA. Penelitian tersebut memberiakan kesimpulan bahwa model GARCH lebih baik daripada model ARMA.

Pada dasarnya, setiap metode peramalan bertujuan untuk menghasilkan error yang kecil dan data yang akurat. Oleh karena itu, beberapa penelitian tentang peramalan mengkombinasikan dua metode salah satunya yaitu model Backpropagation. Backpropagation adalah salah satu metode dari jaringan saraf tiruan yang dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting). Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama pelatihan (Siang, 2005).

Dalam sebuah penelitian Hakim (2012) menggunakan model ARIMA

sebagai input pada jaringan saraf model Backpropagation (Neuro-ARIMA). Hasilnya menunjukkan bahwa model Neuro ARIMA mampu menghasilkan error yang lebih kecil daripada model Jaringan Saraf Tiruan. Dalam penelitian lain Ramadhani (2013) meramalkan return saham tiga perusahaan go public dengan

mengkombinasikan model GARCH sebagai pengembangan model ARCH dengan

model Backpropagation atau disebut juga model Neuro-GARCH. Dengan

menggunakan algoritma pelatihan Quasi Newton pada pelatihan jaringannya penelitian ini memberi kesimpulan bahwa model Neuro-GARCH menghasilkan

(10)

peramalan yang lebih baik daripada model Backpropagation karena memiliki MSE dan MAD yang lebih kecil.

Berdasarkan latar belakang tersebut penulis tertarik untuk menerapkan

model GARCH dan Neuro-GARCH dalam meramalkan nilai Indeks Harga Saham

Gabungan serta membandingkannya. Sehingga, penulis akan melakukan penelitian dengan judul “Analisis Model GARCH_danNeuro-GARCH_untuk

Peramalan Indeks Harga Saham Gabungan (IHSG)”

1.2 Rumusan Masalah

Berdasarkan latar berlakang di atas, permasalahan yang akan dibahas dalam penelitian ini sebagai berikut.

1. Model manakah yang menghasilkan peramalan yang lebih baik dengan

melihat nilai MAPE terkecil?

2. Bagaimanakah hasil peramalan IHSG dengan menggunakan model yang

memiliki nilai MAPE terkecil?

1.3 Batasan Masalah

Dalam penelitian ini penulis membatasi masalah sebagai berikut.

1. Peramalan IHSG dilakukan untuk sepuluh bulan kedepan yaitu Februari 2015 – Desember 2015.

2. Dalam penelitian ini peramalan hanya dilakukan pada Indeks Harga Saham Gabungan untuk enam bulan kedepan tanpa menghitung besarnya resiko yang terkandung pada saham sehingga tidak dilakukan peramalan terhadap model volatilitasnya.

3. Data yang digunakan diperoleh dari Yahoo Finance (Finance.yahoo.com) yaitu data mingguan saham pada IHSG periode Januari 2013 - Januari 2015. Dalam hal ini data hanya sebagai bahan untuk perhitungannya dan tidak memperhatikan bagaimana pengaruh dan fenomena yang terjadi pada data yang digunakan.

(11)

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut.

1. Membandingkan model GARCH dan Neuro GARCH dengan melihat nilai

MAPE masing-masing model.

2. Meramalkan IHSG dengan menggunakan model terbaik yang memiliki

nilai MAPE terkecil.

1.5 Manfaat Penelitian

Dari penelitian ini penulis berharap agar pembahasan ini bermanfaat bagi berbagai kalangan, antara lain:

a. Manfaat bagi peneliti dan mahasiswa

1. Sebagai tambahan wawasan dan informasi untuk kajian lebih lanjut mengenai model peramalan.

2. Untuk memberikan pengetahuan tentang teori model GARCH dan

Neuro-GARCH.

3. Untuk memberi pengetahuan tentang penerapan model GARCH dan

Neuro-GARCH dalam bidang ekonomi dan keuangan.

b. Manfaat bagi Perusahaan

Hasil dari penelitian ini diharapkan mampu memberi kontribusi dan kemudahan bagi investor untuk mengetahui indeks harga saham di waktu yang akan datang.

c. Manfaat bagi Instansi

Dapat digunakan sebagai sarana dan informasi bagi lembaga pendidikan serta sebagai kontribusi keilmuan bagi lembaga terkait.

(12)

58 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan, maka dapat disimpulkan bahwa:

lebih kecil dibandingkan model Neuro GARCH, sehingga peramalan dengan menggunakan model GARCH lebih baik dibanding dengan model Neuro GARCH.

2. Model yang digunakan untuk meramalkan IHSG sepuluh bulan kedepan yaitu model

GARCH (1,1) dengan persamaan

��= . + ��−1− . ��−1+ ��

Hasil peramalan IHSG yang diperoleh mengalami peningkatan terus menerus.

5.2 Saran

Dengan melihat hasil perhitungan serta kesimpulan di atas, penulis menyarankan:

1. Penelitian ini hanya meramalkan IHSG tanpa menghitung Value at Risk atau nilai resikonya. Oleh karena itu peneliti selanjutnya dapat menghitung nilai resikonya dan menggunakan model modifikasi GARCH seperti EGARCH, TARCH ataupun menggabungan model GARCH dengan model jaringan syaraf yang lain.

2. Penelitian ini mengabaikan faktor-faktor yang mempengaruhi IHSG, selanjutnya dapat

(13)

DAFTAR PUSTAKA

Alwi, I Z. 2003. Pasar Modal, Teori dan Aplikasi. Jakarta: Yayasan Pancur Siwali. http://jurnal-sdm.blogspot.com/2009/10/faktor- faktor-yang-mempengaruhi/.

Anoraga, Pandji dan Piji Pakarti. 2003. Pengantar Pasar Modal. Jakarta: Rineka Cipta.

Aprilia, Ade Irma. 2014. Analisis Model Neuro-GARCH dan Model Backpropagation Untuk Peramalan Indeks Harga Saham Gabungan. Skripsi, FMIPA Medan, Indonesia: Universitas Sumatera Utara.

Elvitra, Cindy Wahyu, dkk. 2013. Metode Peramalan Menggunakan Model Volatilitas Asymmetric Power Autoregressive Conditional Heteroscedasticity pada Return Nilai Tukar Rupiah Terhadap Dollar. ISBN: 978-602-14387-01. Jurnal Statistika : UNDIP.

Enders, Walter. 2004. Applied Econometric Time Series Second Edition. John Willey and Sons, Inc. India.

Fathurahman, M. 2009. Pemilihan Model Regresi Terbaik Menggunakan Metode Information Criterion dan Schwarz Information Criterion. Vol. 4 No. 3, 3 September 2009. Jurnal Matematika : Mulawarman.

Gujarati, Damodar N. 2006. Dasar-Dasar Ekonometrika. Jakarta: Erlangga.

Hakim, N. L. 2012. Model Jaringan Syaraf Tiruan dengan Peubah Input Berdasarkan Model ARIMA Terbaik, Skripsi, Malang: Universitas Brawijaya.

Hendrawan, Bambang. 2012. Penerapan Model ARIMA dalam Memprediksi IHSG. Vol. 4 No. 2, Oktober 2012, ISSN : 2085-3858. Jurnal Integrasi: Politeknik Negeri Batam.

Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATlAB dan Excel Link. Yogyakarta: Graha Ilmu.

Makridakis, Spyros, Wheelwright S.C., dan McGee V. E. 1999. Metode dan Aplikasi Peramalan Jilid 1. Jakarta: Erlangga.

(14)

Maruddani, Di Asih I, dkk. 2008. Uji Stasioneritas Data Inflasi Dengan Phillips-Peron Test. Vol. 1. No. 1, Juni 2008. Jurnal Statistika: UNDIP.

Minarti, Sri. 2014. Penerapan Model GARCH pada Inflasi. Skripsi, FMIPA Medan, Indonesia: Universitas Negeri Medan.

Pikasilvianti. 2013. Analisis ARCH dan GARCH Menggunakan Eviews. http://pikasilvianti.staff.ipb.ac.id/files/2013/05/Analisis-ARCH-dan-GARCH- menggunakan-EViews-WM.pdf.

Ramadhani, Theta Rizky. 2013. Penerapan Model Neuro-GARCH untuk Peramalan Data Saham. Vol.1 No.1. Hal 1-4. Jurnal Matematika: Universitas Brawijaya

Setiawan dan Dwi Endah. 2010. Ekonometrika. Yogyakarta: Penerbit ANDI Santoso, Teguh. 2011. Aplikasi Model GARCH pada Data Inflasi Bahan Makanan

Indonesia. Vol. 13. No.1, Maret 2011, ISSN: 1693-928X. Jurnal Magister Sain Ilmu Ekonomi: Univertas Gajah Maja.

Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemogramannta Menggunakan MATLAB. Yogyakarta: Penerbit ANDI.

Suyanto. 2007. Artificial Intelligence Searching, Reasonig, Planing dan Learning. Bandung: Informatika.

Thonthowi, Ahmad D. 2012. Manfaat Indeks Harga Saham. http://www.jurnas.com/halaman/11/2012-05-29/210409. Di akses tanggal 9 November 2014.

http://id.wikipedia.org/wiki/Indeks_Harga_Saham_Gabungan, di akses pada tanggal 12 November 2014.

http://en.wikipedia.org/wiki/Stationary_process, di akses pada tanggal 12 November 2014

http://bisnisbermoral.blogspot.com/2008/03/manfaat- indeks-saham, di akses pada tanggal 26 Januari 2015

(1)

lalu. Model Bollerslev ini kemudian disebut General Autoregressive Conditional Heteroskedasticity (GARCH) model (Santoso, 2011).

Di dalam sebuah penetilian, Minarti (2014) menggunakan model GARCH untuk meramalankan tingkat inflasi. Penelitian tersebut menghasilkan inflasi tertinggi terjadi pada bulan Januari sebesar 0,49 dan inflasi terendah terjadi pada bulan Desember sebesar 0,0002 serta nilai residual untuk bulan Februari dan Maret tahun 2014, nilainya termasuk kecil dan mendekati nilai aktual, sehingga dalam hal ini peramalan cukup akurat. Model GARCH juga digunakan pada penelitian Santoso (2011) terhadap data inflasi makanan Indonesia. Di dalam penelitian ini peneliti juga membandingkannya dengan model ARMA. Penelitian tersebut memberiakan kesimpulan bahwa model GARCH lebih baik daripada model ARMA.

Pada dasarnya, setiap metode peramalan bertujuan untuk menghasilkan error yang kecil dan data yang akurat. Oleh karena itu, beberapa penelitian tentang peramalan mengkombinasikan dua metode salah satunya yaitu model Backpropagation. Backpropagation adalah salah satu metode dari jaringan saraf tiruan yang dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting). Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama pelatihan (Siang, 2005).

Dalam sebuah penelitian Hakim (2012) menggunakan model ARIMA sebagai input pada jaringan saraf model Backpropagation (Neuro-ARIMA). Hasilnya menunjukkan bahwa model Neuro ARIMA mampu menghasilkan error yang lebih kecil daripada model Jaringan Saraf Tiruan. Dalam penelitian lain Ramadhani (2013) meramalkan return saham tiga perusahaan go public dengan mengkombinasikan model GARCH sebagai pengembangan model ARCH dengan model Backpropagation atau disebut juga model Neuro-GARCH. Dengan menggunakan algoritma pelatihan Quasi Newton pada pelatihan jaringannya penelitian ini memberi kesimpulan bahwa model Neuro-GARCH menghasilkan

(2)

peramalan yang lebih baik daripada model Backpropagation karena memiliki MSE dan MAD yang lebih kecil.

Berdasarkan latar belakang tersebut penulis tertarik untuk menerapkan model GARCH dan Neuro-GARCH dalam meramalkan nilai Indeks Harga Saham Gabungan serta membandingkannya. Sehingga, penulis akan melakukan penelitian dengan judul “Analisis Model GARCH_danNeuro-GARCH_untuk Peramalan Indeks Harga Saham Gabungan (IHSG)”

1.2 Rumusan Masalah

Berdasarkan latar berlakang di atas, permasalahan yang akan dibahas dalam penelitian ini sebagai berikut.

1. Model manakah yang menghasilkan peramalan yang lebih baik dengan melihat nilai MAPE terkecil?

2. Bagaimanakah hasil peramalan IHSG dengan menggunakan model yang memiliki nilai MAPE terkecil?

1.3 Batasan Masalah

Dalam penelitian ini penulis membatasi masalah sebagai berikut.

1. Peramalan IHSG dilakukan untuk sepuluh bulan kedepan yaitu Februari 2015 – Desember 2015.

(3)

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut.

1. Membandingkan model GARCH dan Neuro GARCH dengan melihat nilai MAPE masing-masing model.

2. Meramalkan IHSG dengan menggunakan model terbaik yang memiliki nilai MAPE terkecil.

1.5 Manfaat Penelitian

Dari penelitian ini penulis berharap agar pembahasan ini bermanfaat bagi berbagai kalangan, antara lain:

a. Manfaat bagi peneliti dan mahasiswa

1. Sebagai tambahan wawasan dan informasi untuk kajian lebih lanjut mengenai model peramalan.

2. Untuk memberikan pengetahuan tentang teori model GARCH dan Neuro-GARCH.

3. Untuk memberi pengetahuan tentang penerapan model GARCH dan Neuro-GARCH dalam bidang ekonomi dan keuangan.

b. Manfaat bagi Perusahaan

Hasil dari penelitian ini diharapkan mampu memberi kontribusi dan kemudahan bagi investor untuk mengetahui indeks harga saham di waktu yang akan datang.

c. Manfaat bagi Instansi

Dapat digunakan sebagai sarana dan informasi bagi lembaga pendidikan serta sebagai kontribusi keilmuan bagi lembaga terkait.

(4)

Berdasarkan hasil penelitian yang telah dilakukan, maka dapat disimpulkan bahwa:

1. Peramalan yang dilakukan terhadap IHSG untuk Agustus 2014 sampai Januari 2015 dengan menggunakan model GARCH menghasilkan nilai MAPE sebesar . % ,sedangkan peramalan dengan menggunakan model Neuro GARCH menghasilkan nilai MAPE . %. Nilai MAPE model GARCH lebih kecil dibandingkan model Neuro GARCH, sehingga peramalan dengan menggunakan model GARCH lebih baik dibanding dengan model Neuro GARCH.

2. Model yang digunakan untuk meramalkan IHSG sepuluh bulan kedepan yaitu model GARCH (1,1) dengan persamaan