BAB PENDAHULUAN
1.1 Latar Belakang Peramalan
merupakan suatu kegiatan memperkirakan apa yang terjadi pada masa mendatang berdasarkan nilai masa
lalu (Makridakis, 1999). Kegiatan
peramalan ini sedang
banyak dibicarakan. Hal
ini disebabkan semakin
meningkatnya kesadaran untuk
mempersiapkan dan mengantisipasi segala
kejadian di masa mendatang.
Peramalan dibutuhkan di berbagai bidang seperti bidang ekonomi dan sosial politik.
Dalam melakukan peramalan tidak
selalu berjalan dengan lancar. Terdapat banyak kendala
yang dihadapi sehingga
hasil peramalan yang
diperoleh tidak akurat. Salah satu kendala yang sering
dihadapi dalam kegiatan peramalan adalah data yang memiliki ragam yang cukup besar atau
varians datanya tidak konstan.
Dalam statistik,
kejadian ini disebut
dengan heteroskedastisitas. Masalah heteroskedastisitas biasanya terjadi pada data
ekonomi.
Salah satu
model peramalan yang
dapat digunakan untuk
data yang bersifat
heteroskedastik adalah
Autoregressive Conditional
Heteroskedasticity (ARCH). Model
ARCHpertama kali diperkenalkan
oleh Robert F.
Engle (Juli, 1982). Model
ini dikembangkan terutama
untuk menjawab persoalan tentang adanya volatilitas (varians
tak konstan) pada data ekonomi dan bisnis, khususnya dalam bidang keuangan. Menurut Engle, varians
residual yang berubah-ubah ini terjadi karena varians residual tidak hanya
fungsi dari variabel independen tetapi tergantung seberapa
besar residual di
masa lalu sehingga varians residual yang terjadi saat
ini akan sangat
bergantung pada residual
periode sebelumnya. Oleh karena
itu, dalam model ini sebelum meramalkan variabel bebas dalam persamaan regresinya
dilakukan pula peramalan
pada varians residualnya sehingga
varians residual data akan berubah setiap waktu.
Model ini
kemudian dikembangkan oleh
Bollerslev pada tahun menjadi General Autoregressive Conditional Heteroskedasticity(GARCH) yaitu varians residual tidak hanya
bergantung dari residual
periode lalu tetapi
juga bergantung varians residual
periode lalu.
Selain model
tersebut, model yang
sering digunakan dalam
peramalan adalah jaringan
saraf tiruan model
Backpropagation. Model ini
dikenal sebagai model yang sangat baik dalam peramalan karena
hasil peramalan yang diperoleh akurat dan
memiliki kesalahan yang relatif
kecil. Model dengan
jaringan saraf tiruan ini dilatih
dengan seperangkat data
untuk bisa mengenal
dan mengidentifikasi pola
data. Proses pelatihan
ini disebut tahap
belajar (learning process). Tahap belajar
adalah bagaimana sebuah
konfigurasi jaringan dapat dilatih untuk
mempelajari data historis
yang ada. Dengan
pelatihan ini, pengetahuan
yang terdapat pada
data dapat diserap
dan direpresentasikan oleh nilai-nilai bobot
koneksinya. Backpropagation
adalah salah satu
metode dari jaringan
saraf tiruan yang dapat diaplikasikan dengan
baik dalam bidang peramalan
(forecasting). Backpropagationmelatih
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 peramalan, hal terpenting
yang akan dicapai adalah hasil peramalan dengan nilai erroryang minimum. Semakin kecil
nilai errormaka semakin akurat hasil peramalan
yang diperoleh. Dalam sebuah penelitian Hakim
(2012) menggunakan model ARIMA sebagai input
pada jaringan saraf model Backpropagation
(Neuro-ARIMA). Hasilnya menunjukkan bahwa
model NeuroARIMAmampu
menghasilkan error yang
lebih kecil daripada
model Jaringan SarafTiruan. Dalam jurnalnya Wahyu
Purnamashidi (2013) menggunakan model 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 nilaiMSEdan
MADdiperoleh bahwa peramalan
data saham menggunakan model Neuro-ARCHlebih baik
daripada jaringan saraf tiruan Backpropagation karena model
Neuro-ARCHmemiliki nilai MSEdan MADyang lebih
kecil daripada jaringan saraftiruan Backpropagation.
Dalam penelitian lain Theta R.
Ramadhani meramalkan return saham tiga perusahaan go
public dengan
mengkombinasikan model GARCH sebagai pengembangan model ARCHdengan model Backpropagationatau disebut
juga model Neuro-GARCH. Dengan
menggunakan algoritma pelatihan Quasi Newton pada pelatihan
jaringannya penelitian ini
memberi kesimpulan bahwa
model kombinasi
Neuro-GARCHmenghasilkan peramalan yang
lebih baik daripada model Backpropagationkarena memilikiMSEdan
MADyang lebih kecil.
Dari penelitian-penelitian tersebut penulis tertarik
untuk menerapkan teknik
gabungan antara jaringan
saraf tiruan dengan
model GARCHyang selanjutnya
disebut dengan Neuro-GARCHdalam 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-GARCHdan Model
Backpropagationuntuk 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 MAPEpada masing-masing model.
1.3 Pembatasan Masalah Masalah yang diteliti dibatasi
pada penghitungan nilai MAPEpada hasil peramalan dengan model Neuro-GARCHdan 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 Webresmi 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-GARCHsebagai model kombinasiantara model GARCHdan model
Backpropagationdalam 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 Backpropagationdengan
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-Skripsi Matematika:Analisis Model Neuro-GARCH dan Model Backpropagation untuk Peramalan Indeks Harga Saham Gabungan
Download lengkap Versi PDF
 | ||
| ||
| ||
| ||
|