| dc.description.abstract | Pemodelan klasifikasi deteksi dini tekanan di pasar modal merupakan area penelitian yang kritis dengan dampak substansial terhadap manajemen risiko dan strategi investasi. Peringatan dini untuk kejadian seperti tekanan atau krisis pasar modal dapat meminimalisir potensi kerugian. Model kecerdasan buatan (AI) atau teknik deep learning telah berkembang menjadi metode potensial dalam menghadapi pemodelan klasifiksi tekanan dini di pasar modal yang berpotensi meningkatkan akurasi prediksi. Data pasar modal merupakan data dengan tipe data berurutan yang kompatibel dengan salah satu teknik deep learning yang dapat menangani data berurutan, yaitu model recurrent neural network (RNN). Kebanyakan penelitian menggunakan model tersebut untuk model regresi dibandingkan klasifikasi. Oleh sebab itu, penelitian ini bertujuan untuk memodelkan tekanan dini pasar modal sebagai model klasifikasi dengan beberapa metode RNN-based, meliputi simple RNN, GRU, dan LSTM, serta membandingkanya dengan model machine learning klasik, yaitu random forest dan XGBoost. Penelitian ini juga bertujuan mempelajari karakteristik aplikasi model RNN-based, random forest dan XGBoost pada data berurutan (deret waktu) dengan kelas data yang tidak seimbang.
Penelitian ini menggunakan data harian indeks harga saham gabungan dari lima pasar modal terbesar di ASEAN-5 (Indonesia, Malaysia, Filipina, Singapura, dan Thailand) dengan periode sampel dari tahun 2010 hingga 2023. Peubah target dalam penelitian ini adalah tekanan pasar yang ditentukan berdasarkan penurunan return di bawah ambang batas Value at Risk (VaR) 5%, 2,5%, dan 1%, menghasilkan peubah target biner dengan tiga skenario VaR dan lima sampel pasar modal. Peubah prediktor dalam penelitian ini adalah indikator teknikal dari data harga harian indeks saham lokal dan global, komoditas, dan nilai tukar. Untuk mengatasi kelas tidak seimbang, proses pelatihan model dilakukan dengan dan tanpa penerapan resampling memakai metode SMOTE-ENN. Hasil pemodelan tanpa resampling disebut sebagai model baseline dan pemodelan dengan resampling disebut sebagai model resampling. Evaluasi dilakukan dengan analisis ragam (ANOVA) untuk membandingkan performa model. Pada tahap akhir, dilakukan visualisasi model terbaik sebagai gambaran sistem deteksi tekanan dini.
Hasil penelitian ini secara signifikan menunjukkan bahwa model RNN-based dapat memberikan kinerja yang unggul dibandingkan dengan model random forest dan XGBoost dalam pemodelan klasifikasi tekanan dini di pasar modal ASEAN-5. Meskipun antar model RNN-based tidak terdapat perbedaan kinerja yang signifikan, model LSTM menunjukkan potensi implementasi sebagai model dengan kinerja yang diikuti sensitivitas lebih baik dibandingkan dengan simple RNN dan GRU untuk pemantauan tekanan harian. Dalam tugas memprediksi tekanan yang lebih besar akibat krisis global seperti pandemi Covid-19, model GRU mampu memberikan prediksi yang lebih akurat.
Ketidakseimbangan data akibat kejadian tekanan yang langka mengharuskan pelatihan model menggunakan teknik resampling seperti SMOTE-ENN yang digunakan dalam penelitian ini. Model baseline tidak mampu menunjukkan kinerja yang baik dibandingkan dengan model resampling dalam pemodelan klasifikasi tekanan dini di pasar modal untuk semua model, baik yang RNN-based maupun model random forest dan XGBoost. Proses resampling pada tipe data berurutan menyebabkan data kehilangan karakteristik asli struktur temporalnya. Meskipun demikian, tujuan utama resampling tetap untuk memperbaiki ketidakseimbangan kelas dan tetap memberikan hasil klasifikasi yang baik. | |
