melihat perbandingan antara target dengan output jaringan dapat dilihat pada Gambar 4.12. berikut ini:
Gambar 4.12. Perbandingan antara target dengan output jaringan untuk data pengujian
Pada Gambar 4.12. memperlihatkan bahwa output dan target o hampir mirip dalam penyebaran datanya, namun keduanya tidak terlalu
berdekatan. Hanya beberapa output dan target yang benar-benar berada pada posisi yang sama, sementara yang lainnya tidak. Meskipun demikian
peramalannya tetap bisa digunakan.
4.3 Perbandingan Hasil Peramalan Model Neuro-GARCH dengan Model
Backpropagation
Kriteria keakuratan hasil peramalan dengan menggunakan kedua model tersebut dalam penelitian ini adalah dengan menghitung nilai Mean Absolute Percentage
Error MAPE. Digunakan MAPE karena MAPE mengenal secara pasti
signifikansi hubungan diantara data hasil ramalan dengan data aktual melalui persentase dari data aktual dan indikator positif atau negatif pada error diabaikan.
MAPE juga memberikan petunjuk tentang besarnya kesalahan peramalan dibandingkan dengan nilai sebenarnya. MAPE dihitung dengan menggunakan
persamaan:
dengan nilai aktual pada waktu ke-
nilai ramalan pada waktu ke- jumlah ramalan
nilai absolute
Berdasarkan hasil peramalan Indeks Harga Saham Gabungan bulan Januari-Februari 2014 dengan model Neuro-GARCH dan model Backpropagation
diperoleh nilai MAPE masing-masing model yaitu 0,46615 dan 1,845 Lampiran 9 dan Lampiran 10. Nilai MAPE yang dihasilkan model Neuro-
GARCH lebih kecil dibandingkan MAPE model Backpropagation sehingga peramalan dengan menggunakan model Neuro-GARCH lebih baik dibandingkan
dengan menggunakan jaringan saraf tiruan model Backpropagation.
BAB 5 KESIMPULAN DAN SARAN
5.1 KESIMPULAN
Dari hasil penelitian, pembahasan, dan analisis data dengan bantuan software Matlab 7.0 dan Eviews 8 diperoleh kesimpulan sebagai berikut:
1. Model Neuro-GARCH dan model Backpropagation dapat digunakan untuk meramalkan data Indeks Harga Saham Gabungan yang mengalami
masalah heteroskedastisitas.
2. Data harian Indeks Harga Saham Gabungan periode Januari 2013-Februari 2014 terbukti mengalami heteroskedastisitas dilihat dari uji ARCH-LM
yang menunjukkan bahwa nilai sebesar 9,8249338
sebesar 5,991 dan probabilitasnya 0,0025 yang berada jauh di bawah derajat kepercayaan 0,05 sehingga model GARCH dapat digunakan dalam
peramalannya.
3. Model GARCH terbaik berdasarkan nilai AIC dan SIC terkecil adalah model GARCH 1,1 untuk ARIMA 0,1,1 yaitu:
dengan persamaan varians:
4. Dengan menjadikan hasil peramalan model GARCH sebagai input pada model Backpropagation diperoleh nilai MAPE sebesar 0,46615 yang
