Neuro-ARCH kombinasi antara model ARCH dengan jaringan saraf tiruan Backpropagation untuk meramalkan data saham beberapa perusahaan dan
membandingkannya dengan jaringan saraf tiruan Backpropagation. Dengan membandingkan nilai MSE dan MAD diperoleh bahwa peramalan data saham
menggunakan model Neuro-ARCH lebih baik daripada jaringan saraf tiruan Backpropagation karena model Neuro-ARCH memiliki nilai MSE dan MAD yang
lebih kecil daripada jaringan saraf tiruan Backpropagation. Dalam penelitian lain Theta R. Ramadhani 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
kombinasi Neuro-GARCH menghasilkan peramalan yang lebih baik daripada model Backpropagation karena memiliki MSE dan MAD yang lebih kecil.
Dari penelitian-penelitian tersebut penulis tertarik untuk menerapkan teknik gabungan antara jaringan saraf tiruan dengan model GARCH yang
selanjutnya disebut dengan Neuro-GARCH dalam meramalkan nilai Indeks Harga Saham Gabungan IHSG kemudian membandingkannya dengan peramalan
dengan menggunakan jaringan saraf tiruan model Backpropagation.
Berdasarkan uraian tersebut, penulis mengambil judul penelitian “Analisis Model
Neuro-GARCH dan Model Backpropagation untuk Peramalan Indeks Harga Saham Gabungan”
.
1.2 Perumusan Masalah
Berdasarkan pendahuluan dirumuskan masalah apakah dengan membuat model GARCH
pada data kemudian hasilnya dijadikan input pada model
Backpropagation akan menghasilkan peramalan yang lebih baik daripada
langsung menjadikan data aktual sebagai input pada model Backpropagation dilihat dari MAPE pada masing-masing model.
1.3 Pembatasan Masalah
Masalah yang diteliti dibatasi pada penghitungan nilai MAPE pada hasil peramalan dengan model Neuro-GARCH dan model Backpropagation. Dalam
penelitian ini peramalan hanya dilakukan pada Indeks Harga Saham Gabungan untuk dua bulan kedepan Januari dan Februari 2014 tanpa menghitung besarnya
resiko yang terkandung pada saham sehingga tidak dilakukan peramalan terhadap model volatilitasnya. Data yang digunakan diperoleh dari Web resmi Bursa Efek
Indonesia www.idx.co.id yaitu data harian saham pada IHSG periode Januari 2013-Februari 2014
Dalam hal ini data hanya sebagai bahan untuk perhitungannya dan tidak memperhatikan bagaimana pengaruh dan fenomena
yang terjadi pada data yang digunakan.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah mengkaji model Neuro-GARCH sebagai model kombinasi antara model GARCH dan model Backpropagation dalam meramalkan
data Indeks Harga Saham Gabungan.
1.5 Manfaat Penelitian
Penelitian ini diharapkan dapat bermanfaat sebagai informasi bahwa dapat diperoleh model baru untuk melakukan peramalan dengan menggabungkan
jaringan saraf tiruan Backpropagation dengan metode peramalan deret berkala dan menjadi bahan acuan untuk penelitian di masa yang akan datang.
1.6 Metodologi Penelitian
Metodologi penelitian yang digunakan untuk menyelesaikan permasalahan dalam tugas akhir ini adalah sebagai berikut:
1. Studi literatur Tahap ini dilakukan dengan mengidentifikasi permasalahan, mengkaji dan
menganalisis model peramalan data volatilitas General Autoregressive Conditonal
Heteroscedasticity, jaringan
saraf tiruan
model Backpropagation, dan kombinasi kedua model tersebut yakni model
Neuro-GARCH. Penelusuran referensi ini bersumber dari buku, jurnal maupun penelitian yang telah ada sebelumnya mengenai hal-hal yang
berhubungan dengan Neuro-GARCH dan model Backpropagation dalam penggunaannya untuk peramalan.
2. Pengumpulan data Pada tahap ini dilakukan pengambilan data Indeks Harga Saham
Gabungan IHSG. Data yang digunakan diperoleh dari Web resmi Bursa Efek Indonesia www.idx.co.id yaitu data harian saham pada IHSG
periode Januari 2013-Februari 2014. 3. Membuat landasan teori
Setelah mendapatkan data yang dimaksud, selanjutnya dilakukan pembahasan secara teoritis mengenai metode yang digunakan dalam
penelitian berdasarkan hasil studi literatur. Hal ini dilakukan untuk mengetahui bagaimana metode yang digunakan dalam kajian teorinya
sebelum digunakan dalam penelitian. Pembahasan ini di tuangkan dalam tinjauan pustaka.
4. Peramalan data IHSG dengan Neuro-GARCH dan model Backpropagation Pada tahap ini dilakukan peramalan data IHSG dengan model Neuro-
GARCH dan model Backpropagation kemudian dihitung MAPE Mean Absolute Percentage Error dari masing-masing model.
5. Membandingkan hasil peramalan Pada tahap ini dilakukan peramalan dengan Neuro-GARCH kemudian
hasil peramalan yang diperoleh dibandingkan dengan hasil peramalan dengan model Backpropagation dilihat dari MAPE. Keakuratan peramalan
dapat dilihat berdasarkan MAPE yang diperoleh dari masing-masing metode. Jika MAPE lebih kecil berarti metode tersebut lebih akurat.
6. Membuat kesimpulan Pada tahap ini dibuat kesimpulan hasil analisis data sekaligus memberikan
saran yang berkaitan dengan pengembangan penelitian sebelumnya.
BAB 2
TINJAUAN PUSTAKA
2.1 Stasioneritas