Perbandingan Metode GARCH, LSTM, GRU, dan CNN pada Peramalan Volatilitas Kurs dan Harga Minyak Sawit

Abstract

Volatilitas kurs mata uang dan harga minyak kelapa sawit (CPO) merupakan faktor penting dalam analisis ekonomi dan keuangan, terutama bagi pelaku pasar, investor, dan pembuat kebijakan. Fluktuasi harga yang tinggi dapat menyebabkan ketidakpastian, yang berimplikasi pada keputusan perdagangan, investasi, serta kebijakan ekonomi. Oleh karena itu, pengembangan model prediksi volatilitas yang akurat menjadi suatu kebutuhan untuk memahami dinamika pasar secara lebih baik. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan beberapa metode prediksi volatilitas, yaitu GARCH, LSTM, GRU, dan CNN, dalam memodelkan volatilitas kurs dan harga CPO. Pemilihan metode terbaik didasarkan pada dua kriteria utama: nilai dugaan Root Mean Square Error (RMSE) yang paling kecil sebagai indikator akurasi prediksi, serta persentase data aktual yang berada dalam selang kepercayaan yang paling mendekati 95%, yang mencerminkan konsistensi dan keandalan model dalam memprediksi volatilitas. Untuk mencapai tujuan ini, penelitian dilakukan dengan serangkaian tahapan analisis. Pertama, dilakukan pemilihan hyperparameter terbaik untuk masingmasing metode guna memastikan performa optimal. Selanjutnya, model yang telah dioptimasi diterapkan pada data volatilitas kurs dan harga CPO yang telah dibagi menjadi data training dan testing. Evaluasi dilakukan dengan membandingkan nilai dugaan RMSE dan tingkat keakuratan prediksi dalam selang kepercayaan, guna menentukan metode yang paling unggul dalam setiap kategori volatilitas. Hasil penelitian menunjukkan bahwa metode terbaik untuk memprediksi volatilitas kurs adalah GRU, dengan dugaan RMSE pada data testing sebesar 0,0000256 dan persentase data aktual dalam selang kepercayaan sebesar 78,52%. Model ini memiliki keseimbangan antara akurasi prediksi dan konsistensi, sehingga lebih unggul dibandingkan metode lainnya. Keunggulan utama GRU terletak pada efisiensinya dalam menangkap pola ketergantungan jangka pendek tanpa mengalami masalah vanishing gradient yang sering terjadi pada model RNN standar. Dengan dua gerbang utama (update gate dan reset gate), GRU dapat memproses informasi secara lebih sederhana dibandingkan LSTM, menjadikannya lebih cepat dalam proses pelatihan dan lebih hemat sumber daya komputasi. Selain itu, dibandingkan dengan model GARCH, GRU lebih mampu menangkap pola nonlinear yang kompleks dalam volatilitas kurs, yang sering dipengaruhi oleh berbagai faktor pasar global yang dinamis. Untuk volatilitas harga CPO, LSTM terbukti menjadi metode terbaik. Model ini memiliki dugaan RMSE paling kecil pada data testing sebesar 0,00253 dan persentase data aktual dalam selang kepercayaan sebesar 78,96%. Model LSTM juga memiliki keseimbangan antara akurasi dan keandalan dibandingkan metode lainnya. Dengan arsitektur tiga gerbang utama (input, forget, dan output gate), LSTM lebih unggul dalam menangkap pola fluktuasi jangka panjang dan hubungan kompleks dalam volatilitas harga CPO, yang cenderung memiliki pola musiman serta dipengaruhi oleh faktor fundamental dalam jangka waktu lebih panjang. Metode CNN dalam penelitian ini menunjukkan performa yang jauh lebih buruk dibandingkan metode lainnya, baik dalam prediksi volatilitas kurs maupun harga CPO. Hasil ini menunjukkan bahwa model CNN tidak mampu menangkap pola volatilitas secara efektif. Hal ini disebabkan oleh karakteristik CNN yang lebih cocok untuk data spasial, seperti citra, dan kurang optimal dalam menangani dependensi temporal dalam data deret waktu. Berdasarkan hasil peramalan untuk 30 hari ke depan, volatilitas kurs dan harga CPO diprediksi akan lebih stabil dibandingkan beberapa lonjakan ekstrem yang terjadi pada periode sebelumnya.

The volatility of exchange rates and Crude Palm Oil (CPO) prices is a crucial factor in economic and financial analysis, particularly for market participants, investors, and policymakers. High price fluctuations can lead to uncertainty, impacting trade decisions, investments, and economic policies. Therefore, developing an accurate volatility prediction model is essential for gaining a better understanding of market dynamics. This study aims to evaluate and compare several volatility prediction methods, namely is GARCH, LSTM, GRU, and CNN, modeling exchange rate and CPO price volatility. The selection of the best method is based on two main criteria: the lowest estimated Root Mean Square Error (RMSE) as an indicator of prediction accuracy and the percentage of actual data within the confidence interval closest to 95%, which reflects the model’s consistency and reliability in predicting volatility. To achieve this objective, the study follows a series of analytical steps. First, the optimal hyperparameters for each method are selected to ensure optimal performance. Next, the optimized models are applied to exchange rate and CPO price volatility data, which are divided into training and testing datasets. The evaluation is conducted by comparing the estimated RMSE values and the accuracy of predictions within the confidence interval to determine the most effective method in each volatility category. The results indicate that the best method for predicting exchange rate volatility is GRU, with an estimated RMSE of 0.0000256 on the testing data and 78.52% of actual data within the confidence interval. This model achieves a balance between prediction accuracy and consistency, making it superior to other methods. The main advantage of GRU lies in its efficiency in capturing short-term dependencies without experiencing the vanishing gradient problem commonly found in standard RNN models. With two main gates (the update gate and the reset gate), GRU processes information more simply than LSTM, making it faster in training and more computationally efficient. Additionally, compared to the GARCH model, GRU is better at capturing complex nonlinear patterns in exchange rate volatility, which is often influenced by various dynamic global market factors. For CPO price volatility, LSTM has proven to be the best method. This model has the lowest estimated RMSE on testing data at 0.00253 and the highest percentage of actual data within the confidence interval at 78.96%. LSTM also demonstrates a balance between accuracy and reliability compared to other methods. With an architecture consisting of three main gates (input, forget, and output gates), LSTM excels at capturing long-term fluctuation patterns and complex relationships in CPO price volatility, which tends to exhibit seasonal patterns and is influenced by fundamental factors over longer time frames. In this study, CNN performed significantly worse than the other methods in predicting both exchange rate and CPO price volatility. These results indicate that the CNN model is ineffective in capturing volatility patterns. This is due to CNN's characteristics, which are better suited for spatial data, such as images, and less optimal for handling temporal dependencies in time-series data. Based on the 30- day forecasting results, exchange rate and CPO price volatility are predicted to be more stable compared to some of the extreme spikes observed in previous periods.