Penerapan Long Short-Term Memory dalam Peramalan Return Indeks Harga Saham Gabungan untuk Pendeteksian Krisis Pasar Modal di Indonesia

Abstract

Pemodelan data deret waktu multivariate telah banyak dikembangkan dengan menggunakan algoritma deep learning. Salah satu metode deep learning yang dapat digunakan untuk pemodelan data sekuensial adalah Long Short-Term Memory (LSTM). LSTM dapat mempelajari dependensi jangka panjang karena memiliki cell state dan gate untuk mengatur informasi yang akan dipertahankan atau dihapus sehingga banyak diterapkan untuk menganalisis data perdagangan pasar modal. Salah satu produk yang diperdagangkan di pasar modal adalah saham. Pasar saham Indonesia merupakan emerging market yang cenderung rentan terhadap fluktuasi pasar internasional. Dalam sejarah Indeks Harga Saham Gabungan (IHSG) selama 20 tahun terakhir, telah terjadi beberapa kejadian market crash yang perlu diantisipasi dengan baik agar kerugian dapat diminimalkan. Penelitian ini bertujuan untuk membangun model untuk memprediksi return IHSG yang berguna dalam deteksi dini kejadian krisis pasar modal di Indonesia. Metode yang digunakan adalah LSTM dengan strategi Multiple Input-Multiple Output (MIMO). Data yang digunakan adalah data return harian tahun 2002-2023 yang mencakup peubah IHSG, indeks saham pasar global, emas, minyak mentah, indeks VIX, serta nilai tukar rupiah. Model terbaik dihasilkan menggunakan input 3 periode; output 1 periode; serta hyperparameter berikut: optimizer Adam, learning rate 0,0001, neurons 16, batch size 32, dropout 0,1, serta epoch 150. Model tersebut menghasilkan nilai RMSE 0,0108 dan MAE 0,0078.

Multivariate time series modeling has been widely developed using deep learning algorithms. One of the deep learning methods that is useful for sequential data modeling is Long Short-Term Memory (LSTM). LSTM has cell states and gates that regulate the information to be retained or removed to learn long-term dependencies. LSTM can be used for forecasting long-term periods, such as capital market data (stocks). Indonesia's stock market is an emerging market that tends to be vulnerable to international market fluctuations. In the history of the IDX Composite over the past 20 years, there have been several market crashes. This study aims to build a model to predict IDX Composite returns that are useful in early detection of capital market crisis events in Indonesia. The method used is LSTM with Multiple Input-Multiple Output (MIMO) strategy. The data used is daily return data from 2002-2023 which includes IDX Composite, global market stock index, gold prices, crude oil prices, VIX index, and exchange rate. The best model is generated using 3 periods of input; 1 period of output; and the following hyperparameter: Adam optimizer, learning rate 0.0001, neurons 16, batch size 32, dropout 0,1, and epoch 150. The model produces an RMSE value of 0,0108 and MAE 0,0078.