Analisis Perbandingan Peramalan Indeks Harga Saham Hang Seng Menggunakan Metode Naive, Holt’s Exponential Smoothing dan Neural Network Autoregressive (NNAR)

Authors

  • Christy Sheldy Sucipto Statistika, FMIPA, Universitas Sebelas Maret
  • Winita Sulandari Statistika, FMIPA, Universitas Sebelas Maret
  • Yuliana Susanti Statistika, FMIPA, Universitas Sebelas Maret

Keywords:

Holt's Exponential Smoothing, Indeks Harga Saham Hang Seng, Naive, NNAR, Peramalan

Abstract

Indeks Harga Saham mengindikasikan performa saham sebuah negara yang dapat memberikan gambaran mengenai kondisi perekonomian negara. Penelitian ini bertujuan untuk mengetahui model peramalan yang paling tepat untuk Indeks Harga Saham Hang Seng (IHSHS) guna memberikan informasi penting bagi investor, pelaku pasar, dan pengambil keputusan kebijakan tentang prospek pertumbuhan ekonomi di masa depan dan potensi penciptaan lapangan kerja. Metode peramalan yang dibandingkan yakni Naive, Holt’s Exponential Smoothing dan Neural Network Autoregressive (NNAR). Tahapan yang dilakukan meliputi uji kelayakan model, penentuan estimasi parameter serta peramalan data training dan testing. Penentuan model paling tepat dilihat melalui perbandingan kesalahan peramalan menggunakan parameter Mean Absolute Percentage Error (MAPE) yang terkecil diantara ketiga metode. Evaluasi error MAPE yang diperoleh untuk data training dan testing secara berturut-turut pada metode Naive yaitu sebesar 0,940% dan 1,748%. Pada metode  Holt’s Exponential Smoothing  sebesar 0,408% dan 0,75%. Sedangkan pada metode NNAR(6,3) sebesar 0,834% dan 5,196%. Berdasarkan hasil tersebut, diketahui bahwa Holt’s Exponential Smoothing  memiliki nilai MAPE terkecil, baik untuk data training maupun testing. Dengan demikian, Holt’s Exponential Smoothing  ditetapkan sebagai model yang paling tepat dan dapat menjadi pertimbangan untuk digunakan dalam peramalan serta monitoring IHSHS

References

Aji, R. D. P., & Abundanti, N. (2022). The Effect of Asia Regional Stock Price Index on the Indonesia Composite Index (ICI) on the Indonesia Stock Exchange. European Journal of Business and Management Research, 7(2), 100–106. https://doi.org/10.24018/ejbmr.2022.7.2.1337

As’ad, M., & Farida, E. (2019). Implementasi Jaringan Syaraf Tiruan untuk Memprediksi Inflasi Bulanan di Kota Malang. Jurnal Ilmiah KOMPUTASI, 18(2), 101–106.

As’ad, M., Sujito, S., & Setyowibowo, S. (2020). Neural Network Autoregressive For Predicting Daily Gold Price. Jurnal INFORM, 5(2), 69. https://doi.org/10.25139/inform.v0i1.2715

Hang Seng Indexes. (2022). www.hsi.com.hk/eng/indexes/all-indexes/hsi

Hanke, J. E., & Wichern, D. W. (2013). Business Forecasting: Pearson New International Edition.

Hartono, Y. K. (2022). COMPARING NEURAL NETWORK AUTOREGRESSIVE METHOD FOR IMPORT DUTY REVENUE FORECASTING. Jurnal Perspektif Bea Dan Cukai, 6(1), 2022.

Hyndman, R. J., & Athanasopoulus, G. (2018). Forecasting: Principles and Practice (2nd ed). https://otexts.com/fpp2/

Khair, U., Fahmi, H., Hakim, S. Al, & Rahim, R. (2017). Forecasting Error Calculation with Mean Absolute Deviation and Mean Absolute Percentage Error. Journal of Physics: Conference Series, 930(1). https://doi.org/10.1088/1742-6596/930/1/012002

Sena, D., & Nagwani, N. K. (2016). A NEURAL NETWORK AUTOREGRESSION MODEL TO FORECAST PER CAPITA DISPOSABLE INCOME. 11(22). www.arpnjournals.com

Thoplan, R. (2014). Simple v/s Sophisticated Methods of Forecasting for Mauritius Monthly Tourist Arrival Data. International Journal of Statistics and Applications, 4(5), 217–223. https://doi.org/10.5923/j.statistics.20140405.01

Downloads

Published

2023-04-15