Peramalan Penutupan Indeks Harga Saham Gabungan (IHSG) menggunakan Metode ARIMA dan Artificial Neural Network (ANN)

Abstract

IHSG merupakan suatu pedoman dalam melakukan kegiatan investasi dan analisis pasar. Harga saham yang rumit akan mengalami penurunan dan peningkatan yang dapat terjadi karena adanya beberapa faktor. Penawaran dan permintaan yang berubah disebabkan oleh adanya kondisi dari seorang investor. Harga saham sukar diprediksi tingkat keberhasilannya akibat dari adanya kondisi dan tingkah laku seorang investor. Kemajuan teknologi yang semakin canggih mengakibatkan setiap orang dapat melakukan investasi tidak terbatas pada masa datang dengan adanya suatu model peramalan. Model peramalan merupakan suatu model gabungan dari statistika, matematika dan data pada masa sebelumnya. Peramalan data runtun waktu (time series) memiliki beberapa metode salah satunya metode ARIMA. Peramalan indeks harga saham juga dapat dilakukan menggunakan metode machine learning. Penelitian ini dilakukan dengan tujuan untuk memprediksi hasil peramalan penutupan harga indeks saham menggunakan metode ARIMA dan ANN, melakukan analisis tingkat akurasi dari penggunaan kedua metode peramalan tersebut dan menentukan tingkat akurasi dari metode ARIMA dan metode ANN agar para investor memiliki bahan petimbangan dalam melakukan kegiatan investasi dengan mencari model terbaik dari kedua metode. Penelitian dilakukan peramalan data indeks harga saham gabungan pada bulan Maret 2017 sampai dengan bulan Februari 2021 dengan rentang waktu bulanan sebanyak 48 data. Pada metode ANN terdapat variabel devisa cadangan, BI-7 days repo rate, inflasi, lag 1 IHSG, lag 2 IHSG dan moving average 2 bulan IHSG sebagai variabel input atau variabel yang memengaruhi IHSG sedangkan metode ARIMA terdapat variabel IHSG. Pada metode ARIMA memiliki 3 tahapan yaitu, identifikasi model, penaksiran model dan verifikasi model. Data IHSG pada metode ARIMA dibagi menjadi dua yaitu data in sample sebanyak 38 data dan data out sample sebanyak 10 data. Hasil model pengujian data in sampel akan digunakan pada data out sampel. Pada data in sample model yang memenuhi 3 tahapan metode ARIMA adalah model ARIMA (1, 0, 2). Model ARIMA (1, 0, 2) akan digunakan pada data out sample namun data yang dihasilkan tidak signifikan sehingga data yang digunakan pada metode ARIMA adalah data in sample dengan nilai MAPE 2,89%. Pada metode ANN data akan dibagi menjadi data training sebanyak 38 data dan testing sebanyak 10 data. Metode ANN menghasilkan model terbaik dengan dengan BI-7 days repo rate, cadangan devisa, dan IHSG bulan Januari 2017 sampai dengan Desember 2020 sebagai input dan IHSG bulan Maret 2017 sampai dengan Februari 2021 sebagai output menghasilkan nilai error MAPE sebesar 0,15% . Hasil MAPE dari kedua metode tersebut membuktikan bahwa metode ANN lebih baik untuk dijadikan sebagai bahan pertimbangan daripada metode ARIMA.