Analisis Teknikal Pasar Saham Indonesia untuk Deteksi Krisis dengan Pendekatan Deep Learning

Abstract

Big data dan deep learning memainkan peran penting dalam era industri 4.0, terutama dalam pengambilan keputusan di sektor keuangan. Penelitian ini berfokus pada pasar modal Indonesia melalui Jakarta Stock Exchange (JKSE), dengan tujuan mengidentifikasi leading indicator krisis JKSE dan menerapkan serta membandingkan model deep learning Gated Recurrent Unit (GRU) dan Temporal Convolutional Network (TCN) dalam menangkap pola JKSE. Krisis pasar saham Indonesia diidentifikasi melalui penurunan harian atau return JKSE yang mencapai -5% atau lebih. Korelasi silang dan pergerakan return digunakan untuk memilih leading indicator yang mempengaruhi krisis JKSE. Peubah prediktor yang dipilih yaitu SET.BK, SGDIDR, JPYIDR, HSI, GDAXI, KS11, RUT, dan PSEI.PS. Model terbaik dari masing-masing algoritma deep learning GRU dan TCN mampu memprediksi JKSE dengan cukup akurat. GRU memberikan kesalahan prediksi lebih kecil pada data pelatihan berdasarkan rata-rata kesalahan dan uji Duncan sedangkan TCN unggul dalam memprediksi data validasi berdasarkan ukuran kesalahan dan plot visualisasi. Namun, GRU lebih baik dalam menangkap pola JKSE dan peubah prediktor lainnya pada data validasi dengan waktu pelatihan lebih cepat dibandingkan TCN sehingga dipilih sebagai model terbaik.

Big data and deep learning play an important role in the industrial era 4.0, especially in decision making in the financial sector. This research focuses on the Indonesian capital market through the Jakarta Stock Exchange (JKSE), with the aim of identifying leading indicators of the JKSE crisis and applying and comparing Gated Recurrent Unit (GRU) and Temporal Convolutional Network (TCN) deep learning models in capturing JKSE patterns. The Indonesian stock market crisis is identified through a daily decline or JKSE return that reaches -5% or more. Cross correlation and return movements are used to select leading indicators that affect the JKSE crisis. The selected predictor variables are SET.BK, SGDIDR, JPYIDR, HSI, GDAXI, KS11, RUT, and PSEI.PS. The best model from each deep learning algorithm GRU and TCN can predict JKSE quite accurately. GRU provides smaller prediction error on training data based on average error and Duncan test while TCN excels in predicting validation data based on error measure and visualization plot. However, GRU is better at capturing the pattern of JKSE and other predictor variables in the validation data with a faster training time than TCN, so it is chosen as the best model.