aplikasi model artificial neural networks untuk di …

Jurnal Keuangan dan Perbankan, Vol. 14, No.1 Januari 2010, hal. 1 – 12Terakreditasi SK. No. 167/DIKTI/Kep/2007

APLIKASI MODEL ARTIFICIAL NEURALNETWORKS UNTUK STOCK FORECASTING

DI PASAR MODAL INDONESIA

Chr ist ian Herdinat a

Fakultas Ekonomi Jurusan Internat ional Business ManagementUniversitas Ciputra Surabaya

Jl. Waterpark, Boulevard Cit ra Land 60216, Surabaya

Abst ract : This research showed the applicat ion of model Art if icial Neural Networks (ANN) orJaringan Syaraf Tiruan (JST) at the f ield of monetary science, especially for the applicat ion off inancial forecast ing. ANN or JST was a new alternat ive for the applicat ion of f inancialforecast ing.The purpose of this research was to know whether the stock index instantaneouslyand fully ref lect historical informat ion, in Indonesia Stock Exchange (IDX). The research usedcomparison between return of technical t rading rule based Art if icial Neural Networks (ANN)model and return of buy & hold strategy. The result showed that the weakness form ofef f icient market hypothesis was rejected in the Indonesian capital market . Expectat ion ofthis research was giving informat ion and securing the market perpetrators that st ill enabledto get abnormal of return by doing commerce in chnical through forecast ing of model Art i-f icial Neural Networks (ANN) or Jaringan Syaraf Tiruan ( JST).

Key w ords: Art if icial Neural Networks (ANN), Buy & Hold St rategy, Technical Trading Rule,Ef f icient Market Hypothesis

Korespondensi dengan Penulis:

Ch r ist ian Herd inat a: Telp. + 62 31 745 1699, Faks. +62 31 745 1698

E-mai l: christ ian.herdinat a@ciput ra.ac.id

Penelit ian ini memperlihatkan aplikasi model Ar-tif icial Neural Networks (ANN) atau Jaringan SyarafTiruan (JST) dalam bidang i lmu keuangan,khususnya untuk aplikasi f inancial f orecast ing.ANN merupakan sebuah model peramalan yangrelatif baru untuk aplikasi f inancial forecasting.Financial f orecast ing d i sini menunjuk padaperamalan atau prediksi harga saham di pasarmodal, atau yang sering disebut stock forecast-ing . M odel-model t ime ser ies f orecast ingkonvensional seringkali digunakan untuk stock

forecasting, antara lain regression analysis, mov-ing average, exponential smoothing, dan ARIMA.Model-model t esebut dikatakan konvensionalkarena kinerja model-model tersebut masih sangatdibatasi dengan adanya asumsi-asumsi yang harusdipenuhi. M isalnya, untuk regression analysishanya tepat digunakan ket ika data yang digu-nakan mengikuti dist ribusi normal dan memilikihubungan linier. Adanya asumsi-asumsi yangharus dipenuhi dalam menggunakan model-model tersebut, menunjukkan kelemahan model-

2 JURNAL KEUANGAN DAN PERBANKAN

Vol. 14, No. 1, Januari 2010: 1 – 12

KEUANGAN

model tersebut untuk digunakan sebagai alatperamalan saham.

Pada dasarnya kelemahan model konvensi-onal untuk aplikasi stock forecasting disebabkanoleh t idak sesuainya asumsi yang harus dipenuhidengan karakterist ik data pasar modal (harga/re-turn saham). Harga/return saham seringkali t idakmengikut i distribusi normal dan t idak memilikihubungan linier (Siad, 2001; Leon et al., 2001).Hermanto & Bakara (2005) membuktikan bahwaharga saham di pasar modal Indonesia memper-lihatkan perilaku chaos.

Berdasarkan asumsi-asumsi yang sekaligusmenjadi kelemahan dari model-model konven-sional dan karakterist ik-karakterist ik harga saham,memperlihatkan bahwa model-model konven-sional t ampak t idak tepat unt uk digunakansebagai tool peramalan harga saham. Kondisiinilah yang mendorong untuk mencoba meng-gunakan model peramalan yang t idak memilikikelemahan sepert i yang dimiliki oleh model-model konvensional, yaitu Artif icial Neural Net-works (ANN). Art if icial Neural Networks (ANN)merupakan sebuah model yang dikembangkanberdasarkan sistem kerja syaraf biologi, dimanadidalamnya t idak memerlukan asumsi-asumsiyang harus dipenuhi, seperti pada model-modelperamalan konvensional. Beberapa penelit i telahmembukt ikan bahw a ANN lebih superiordibandingkan model konvensional (Qi, 1999;Phua, M ing, & Lin, 2001; Jasic & Wood, 2004;Nygren, 2004; Samant an & Bordoloi , 2005).Harapannya akan diperoleh peningkatan kinerjaperamalan.

STOCK FORECASTING

Teknik peramalan saham secara umumdipisahkan ke dalam dua kelompok, pendekatan/analisis teknikal (technical approach/analysis) danpendekatan/analisis fundamental (fundamentalapproach/analysis). Technical analysis merupakanpemeriksaan t erhadap data pasar masa lalu,seperti harga dan volume perdagangan, untukmemprediksi perubahan harga di masa datangyang dapat d igunakan unt uk pengambilansebuah keputusan investasi. Dengan kata lain,analisis t eknikal dilakukan dengan mengenalidan menganalisis pola pergerakan saham historis.Analisis jenis ini paling luas digunakan sebagaitool pengambilan keputusan bagi para t raderyang melakukan perdagangan dalam nilai yangbesar. Beberapa alasan yang membuat analisis tek-nikal menjadi populer adalah mampu menyedia-kan informasi harga (price) dan keuntungan/ keru-gian (prof it / loss) sebagai patokan bagi paratrader, sebelum transaksi perdagangan dilakukan.Alasan kedua adalah analisis teknikal merupakanalat yang sangat berguna (useful) untuk st rategiperdagangan jangka pendek (sort term) dan jang-ka panjang (long term) yang t idak memerlukanbeberapa informasi lain, kecuali market data.Alasan lainnya adalah kemudahan untuk di-mengerti dan terdapat banyak teknik perdagang-an yang dapat digunakan.

Saat ini technical analysis meliputi beberapakelompok area, yaitu chart analysis, technical/sta-t ist ical indicators, t rading system, dan esotericmethod. Teknik pada technical approach secaraumum lebih cenderung pada model-model mate-matika untuk menghasilkan sinyal yang memban-tu dalam menentukan keputusan perdagangan(buy, hold, atau sell).

3APLIKASI MODEL ARTIFICIAL NEURAL NETWORKSUNTUK STOCK FORECASTING DI PASAR MODAL INDONESIA

Christian Herdinata

KEUANGAN

Chart analysis merupakan analisis terhadapprice chart dan chart pat terns seperti trendlines,triangles, dan reversal pat terns. Technical indica-t or merupakan st udi t erhadap market dat adengan menggunakan rumus-rumus tertentuuntuk tujuan tertentu, misalnya sebagai peringat-an (alert), konfirmasi (confirm), dan prediksi (pre-dict ). Teknik yang termasuk technical indicatorantara lain moving average, momentum, relativest rength index (RSI), stochast ic oscillators. Tradingsystem merupakan automated t rading system,yang meliput i dari sistem sederhana dengan tech-nical indicator sampai pada penggunaan sistemkomplek yang menggabungkan metode-metodesoft computing seperti artif icial neural networks,genet ic algorithm, dan fuzzy logic. Sedangkandalam kelompok esoteric methods meliputi ElliotWaves, Gann Lines, Fibonacci ratio, dan astrology

Seorang analis teknikal (chartist) sejati t idakpernah memberikan perhatian kepada prospekpendapatan perusahaan, kondisi keuangan peru-sahaan, laba atau rugi perusahaan, dan variabel-variabel f inansial lainnya. Menurut mereka, graf ikpergerakan harga dan volume telah dapat men-cerminkan semuanya. Hal itu dikarenakan paraanalis teknikal mempercayai bahwa harga sahamsekarang berhubungan dengan harga sahamterdahulu. Para anal is t eknikal juga percayabahwa sangat sulit untuk mengestimasi int rinsicvalue, serta t idak mungkin untuk memperolehdan menganalisis informasi yang baik secarakonsisten.

Analisis fundamental adalah studi terhadappenyebab (causes) pergerakan harga saham, ber-beda dengan analisis teknikal yang cenderungmempelajari pengaruh (ef fect ) dari pergerakanharga saham. Analisis ini merupakan jenis analisisyang dilakukan dengan memperhat ikan aspekfundamental daripada memperhat ikan perkem-

bangan harga saham tersebut dari hari ke hari.Para analis fundamental (fundamentalist) sangatmengandalkan analisis jenis ini karena menurutmereka analisis jenis ini bebas dari bias karenamempergunakan data yang valid. Aspek funda-mental yang dimaksud adalah seluruh faktoryang memiliki pengaruh relevan pada supply dandemand yang dapat menentukan harga sebuahsaham. Oleh karena itu, secara umum analisis fun-damental dapat dikatakan sebuah studi pengaruhsupply dan demand terhadap harga saham.

Analisis fundamental merupakan pendekat-an peramalan saham yang didasarkan pada pre-mis bahwa setiap surat berharga memiliki sebuahnilai int rinsik (intrinsic value). Intrinsic value ada-lah nilai saham sebenarnya dari sebuah perusa-haan yang dipengaruhi oleh banyak faktor. Anali-sis ini mengasumsikan bahwa harga saham yangakan datang tergantung pada intrinsic value darisaham tersebut. Para analis fundamental harusmelakukan analisis terhadap seluruh faktor yangdapat mempengaruhi int rinsic value sebelummelakukan transaksi. Apabila intrinsic value suatusaham lebih t inggi dibandingkan dengan hargapasar, maka saham tersebut dapat dikatakan un-dervalued sehingga investor direkomendasi untukmembeli (buy) saham tersebut , jika sebaliknyamaka saham dalam kondisi overvalued dan in-vestor sebaiknya menjual (sell) saham tersebut .Sudut pandang analisis fundamental dapat beru-pa kajian analisis ekonomi kemudian analisisindustri dan analisis perusahaan (top down) atausebaliknya, dari analisis perusahaan kemudiananalisis industri dan ekonomi makro (bottom up).Dalam analisis perusahaan, nilai int rinsik dapatdiperoleh dengan melakukan penilaian kinerjakeuangan perusahaan. Ada berbagai pendekatandalam menentukan nilai intrinsik suatu perusa-haan. Reilly & Brown (2000) mengelompokkan


Vol. 14, No. 1, Januari 2010: 1 – 12

KEUANGAN

kedalam dua kelompok, yaitu discounted cashflow techniques dan relative valuation techniques.Discounted cash f low techniques menilai sahamberdasarkan present value dari beberapa peng-ukuran cash f low yang meliputi dividends, ope-rating cash f low , dan free cash f low . Sedangkanrelat ive valuat ion techniques adalah penilaiansaham didasarkan pada rasio harga terhadapvariabel-variabel yang dipertimbangkan sepert iearnings, cash f low , book value, dan sales. Perma-salahan yang harus dihadapi dalam analisis fun-damental adalah bahw a secara umum hanyarelevan untuk prediksi t rend jangka panjang.Selain itu juga berkaitan dengan reliabilitas daridata ekonomi (reliability of the economic data)yang digunakan. Itu menjadi masalah karena eko-nomi global sekarang ini yang sangat komplekscenderung menyebabkan data-data ekonomimenjadi cepat berubah dan terevisi, oleh karenaitu keakuratan peramalan ekonomi t idak mudahdiperoleh.

FORECASTING MODELS

Ar t i f i cial Neural Net w orks

Art if icial Neural Networks atau JaringanSyaraf Ti ruan (JST) merupakan salah sat urepresentasi buatan dari otak manusia yang selalumencoba unt uk mensimulasikan prosespembelajaran pada otak manusia (Kusumadewi,2004). Selaras dengan def inisi yang diungkapkanoleh Kusumadew i (2004) tersebut , Pandjaitan(2007) mendefinisikan JST sebagai suatu teknologikomputasi yang berbasis pada model syarafbiologis dan mencoba mensimulasikan t ingkahlaku dan kerja model syaraf terhadap berbagai

macam masukan. Pada dasarnya, baik jaringansyaraf biologi maupun JST merupakan unit -unitpemrosesan informasi. Terdapat beberapa t ipe JST,namun semuanya memiliki komponen-komponenyang sama. Seperti halnya otak manusia, jaringansyaraf terdiri dari beberapa neuron (yang seringdisebut dengan node), dan masing-masing neu-ron terhubung satu dengan yang lainnya danmelakukan pemrosesan informasi sepert i padasistem jaringan syaraf biologi. Syaraf (neuron)biologi memiliki t iga komponen pent ing, yaitudendrite, nucleus, dan axon. Dendrite menerimasinyal dari neuron lain. Sinyal tersebut dimodif ikasi(diperkuat / d iperlemah) oleh celah sinapsis.Selanjutnya, nucleus menjumlahkan semua sinyal-sinyal yang masuk. Jika jumlahan tersebut cukupkuat dan melebihi batas ambang (t hreshold),maka sinyal tersebut akan diteruskan ke neuronlain melalui axon (Jong, 2005). Neuron biologidiperlihatkan pada Gambar 1.

Gam bar 1. Neuron Biologi

JST juga melakukan pemrosesan informasisepert i pada sist em jar ingan syaraf b iologi .Informasi (disebut dengan input) akan dikirim kenode (dalam model jaringan syaraf lebih banyak


Christian Herdinata

KEUANGAN

digunakan ist ilah node untuk menyebut neuron)dengan bobot kedatangan tertentu. Input iniakan diproses oleh suatu fungsi perambatan yangakan menjumlahkan semua nilai perkalian inputdan bobot yang datang. Hasi l jumlahan in ikemudian akan dibandingkan dengan sebuahnilai ambang tertentu melalui f ungsi akt ivasisetiap node. Apabila input tersebut melewati nilaiambang tersebut , maka node t ersebut akandiakt ifkan, kalau t idak maka node tersebut t idakakan diaktifkan. Apabila node diakt ifkan, makanode tersebut akan mengirim output melaluibobot-bobot output -nya ke semua node yangberhubungan dengannya. Proses t ersebutdigambarkan pada Gambar 2.

bagian yang lain), hasilnya adalah keluaran (y).M odel satu node t ersebut , kemudian dibuatdalam bentuk jaringan node, sehingga terbentuksebuah jaringan syaraf t iruan.

Backpropagat ion Neural Net w orks (BPNN)

BPNN merupakan salah satu t ipe ANN yangsecara luas telah digunakan untuk aplikasi t imeseries forecast ing (Qi, 1999; Phua, Ming, & Lin,2001; Jasic & Wood, 2004; Nygren, 2004; Samantan& Bordoloi, 2005).

Gam bar 2. Neuron Tiruan

Misalkan ada sejumlah n masukkan, yaitux

1, x

2, x

3, … , x

n. Masing-masing masukan tersebut

diberi bobot , yaitu w1, w

2, w

3, … , w

n. Kemudian

dijumlahkan, yaitu A = x1w

1 + x

2w

2 + x

3w

3 + … +

xnw

n, at au secara sederhana dapat d i t u l is

n

iiiwxA

1

. Nilai tersebut kemudian dibanding-

kan dengan sebuah nilai ambang, melalui fungsiaktivasi (f()) (fungsi aktivasi ini akan dijelaskan di

Gam bar 3. JST Dua Hidden Layer

Jaringan BPNN merupakan jaringan FFNN,yaitu jaringan arus maju yang memiliki banyaklapisan, yang dalam proses pembelajarannyamenggunakan algoritma pembelajaraan back-propagation. Model jaringan ini memiliki t iga ke-lompok lapisan, yaitu lapisan input , lapisan ter-sembunyi, dan lapisan output . Lapisan tersem-bunyi terletak diantara lapisan input dan lapisanoutput (lihat Gambar 3), dan secara umum me-miliki perbedaan jumlah neuron dan perbedaanbobot untuk lapisan-lapisan yang berbeda. Prosespembelajaran jaringan merupakan proses refisiterhadap parameter bobot-bobot dalam modeljaringan sampai menghasilkan nilai error yangkecil, dengan menggunakan data sampel. Secaragaris besar, algoritma pembelajaran dibedakan


Vol. 14, No. 1, Januari 2010: 1 – 12

KEUANGAN

menjadi dua yaitu pembelajaran yang terawasidan t idak terawasi. Perbedaaannya adalah padaproses t raining, pembelajaran yang teraw asidilakukan t raining menggunakan data sampeltermasuk nilai target atau output yang telahditentukan, sedangkan pembelajaran yang t idak

terawasi t idak memerlukan target nilai atau out-put . Untuk aplikasi peramalan algoritma pembe-lajaran yang disarankan adalah algoritma pem-belajaran yang terawasi. Secara umum pembela-jaran teraw asi menurut Shapiro (2003) dapatdigambarkan pada Gambar 4.

Gam bar 4. Pem belajaran Teraw asi

Proses dimulai dengan menet apkanparamet er-paramet er yang diper lukan danbobot -bobot secara random unt uk set iaphubungan neuron dalam jaringan. Bobot-bobottersebut merepresentasikan kekuatan hubunganantara dua neuron. Kemudian menghitung nilaikeluaran pada setiap neuron lapisan tersembunyidan diteruskan dengan menghitung keluaranjaringan. Jika keluaran (output ) jaringan telahoptimal, yaitu telah mendekat i nilai target dengant ingkat kesalahan yang telah ditentukan, makaproses dihent ikan, jika t idak, maka dilakukanproses penyesuaian bobot-bobot jaringan danproses dilanjutkan sampai kondisi opt imal dicapaiatau kriteria penghent ian proses pembelajaranyang lain tercapai (iterasi pembelajaran telahmelewat i it erasi pembelajaran maksimal yangdi t en t ukan). Algor i t ma backpropagat ion

t ermasuk dalam kelompok algor i t mapembelajaran yang terawasi. Backpropagat ionmerupakan algoritma yang paling popular dalampembelajaran yang t eraw asi dan biasanyadigunakan pada model FFNN (Kusumadewi, 2004)untuk aplikasi peramalan.

M ETODE

Data yang digunakan dalam penelit ian iniadalah indeks pasar yang meliput i IHSG dan LQ45.Data telah diperoleh dalam format runtun waktu(t ime series) mulai dari bulan Januari tahun 2000sampai bulan Desember 2007. Penggunaanindeks pasar didasarkan pada asumsi bahw aindeks pasar merupakan agregat dari harga

Start

Initialize value: architecture weights learning rate momentum

Assign input-output values

Adjust weights

Compute hiddenlayer values

Compute outputvalues

Output~Target?Stop

Yes

No


Christian Herdinata

KEUANGAN

saham emiten, sehingga mencerminkan perilakusaham emiten.

Pengem bangan M odel JST

Pada penelit ian ini, data yang digunakanuntuk model JST tidak lagi berupa indeks pasar

melainkan berupa return

1

logt

t

P

P. Untuk

mengembangkan model JST, data masa lalu (his-torical data) dibagi menjadi dua kelompok, yaitukelompok data training dan kelompok data test-ing. Tidak ada peraturan yang ditentukan untukmelakukan pengelompokkan tersebut. Dalam pe-nelit ian ini data kelompok t raining ditetapkansejumlah 50% dari seluruh data, dan sisanya 50%digunakan sebagai kelompok t est ing . Ber-dasarkan ketentuan tersebut maka return pasarperiode Januari 2000 - Desember 2003 sebagaikelompok training model JST, sisanya return pasarperiode Januari 2004 - Desember 2007 sebagaikelompok test ing model JST. Kelompok data train-ing digunakan dalam proses pembelajaran modelJST untuk mendapatkan error yang terkecil atauyang telah ditentukan dengan cara melakukanperubahan-perubahan set iap nilai bobot yangada pada model JST. Sedangkan pada proses test-ing, model JST yang dihasilkan pada proses train-ing diuji dengan memberikan data input yangberbeda (kelompok data testing). Pada proses init idak di lakukan perubahan-perubahan ni laibobot jaringan. Tipe JST feedforward neural net-w orks dengan satu hidden layer digunakandalam penelit ian ini. Berdasarkan inputnya, modelJST yang digunakan adalah model JST univariatyang juga disebut purely t ime delayed model,yaitu model yang hanya menggunakan data masalalu sebagai input . Ini dilakukan untuk mengenali

hubungan antara return pasar yang akan datangdengan return pasar masa lalu. Menurut Jasic &Wood (2004) keunggulannya adalah mampumengenali hubungan non linier yang ada. Struk-tur model JST secara lengkap ditampilkan padaTabel 1.

Tabel 1. St rukt ur M odel JST

Ket erangan

Tipe jaringan

Banyak hidden layer

Banyak neuron di set iaplayer

Fungsi akt ivasi di setiapneuron

Algoritma pembelajaran

Inisialisasi bobotjaringan

Banyak iterasi

Yang digunakan

Feedforward neuralnetworks Nygren(2004) telahmembuktikanfeedfoward neuralnetworks tepat untukdata non linier dan nonGaussian (non normal).

Satu (1)

Input = tiga (3) xt -2, xt -

1, xt

Hidden layer = tujuh (7) 2n +1 dimana nadalah banyaknya input(Gallo et al. 2006)Output = satu (1) yt+1

hyperbolic tangent

xx

xx

ee

eexfy

Levenberg-Marquardt

Random

250


Vol. 14, No. 1, Januari 2010: 1 – 12

KEUANGAN

Technical Trad ing Ru les

Dalam penelit ian ini, technical trading ruleyang digunakan adalah: jika y

t > 0 (berart i dipre-

diksi indeks saham akan mengalami kenaikan)maka beli (buy), jika y

t > 0 (berart i diprediksi

indeks saham t idak berubah) maka t idakmelakukan transaksi (hold), dan jika y

t > 0 (berart i

d ipred iksi indeks saham akan mengalamipenuruan) maka jual (sell), dimana y

t adalah re-

turn saham hasil peramalan. Strategi ini telahdigunakan dalam penel it ian Gencay (1998),Fernandez-Rodriguez et al. (2000) dan Jasic &Wood (2004), serta beberapa penelit ian lain.Berdasarkan strategi yang sederhana selanjutnyadapat dihitung return yang dihasilkan denganmempertimbangkan biaya transaksi. Biaya t ran-saksi merupakan komisi atau imbalan jasa yangharus dibayarkan oleh investor kepada peru-sahaan pialang ketika investor melakukan t ran-saksi. Perhitungan biaya t ransaksi sebesar 1% dike-nakan pada posisi buy dan sell, yang merupakanbiaya maksimal di bursa (Sartono & Firdaus, 1999).Estimasi return diperoleh melalui persamaan (1).

c

cmxR

N

tttnet 1

1logˆˆ

1

.................. (1)

dimana t

tt P

Px 1log adalah return aktual pada

periode t , t̂ = +1 untuk posisi buy dan -1 untukposisi sell yang didasarkan pada hasil prediksi, danN adalah jumlah observasi. m adalah banyaknyapembalikan sinyal yang terjadi, sedangkan cadalah biaya t ransaksi. tP adalah indeks sahampada periode t .

Buy & Hold St rat egy

Persamaan (2) adalah rumus yang dapatdigunakan untuk menghitung return dari Buy &Hold Strategy.

c

c

P

PR

t

tNbh 1

1loglog

................... (2)

dimana h adalah periode menahan saham (hold-ing period). St rategi ini merupakan st rategi pasif(passive st rategy) yang melakukan pembelian(buy) pada periode tert entu dan melakukanpenjualan setelah menahan (hold) saham selamabeberapa periode tertentu. Berbeda dengan tech-nical trading rules, buy & hold strategy t idak beru-paya untuk mendapatkan abnormal return darif luktuasi harga saham, karena jika pasar adalahef isien maka tidak terdapat kemungkinan untukmemperoleh abnormal return dari pergerakanharga saham.

HASIL

Alat bantu yang digunakan dalam peneli-t ian ini adalah sof tware Mat lab 5.3 yang dihu-bungkan dengan Ms. Excel melalui Excel Link.Hasil peramalan diperlihatkan pada Gambar 5 danGambar 6.

Hasil penelit ian memperlihatkan bahw amodel JST yang dikembangkan mampu mengha-silkan prediksi perubahan harga secara tepatsebesar 58 % untuk indeks IHSG dan 53% untukindeks LQ45. Walupun hasil t ersebut t ampakkurang memuaskan, karena nilai-nilai tersebuthanya sedikit lebih besar dari 50%, namun secarastatist ik, melalui uji beda stat ist ik satu arah (nilaiprobabilitas adalah 0,022 0,05), hasil tersebut


Christian Herdinata

KEUANGAN

- 0 .0 8

- 0 .0 6

- 0 .0 4

- 0 .0 2

0

0 .0 2

0 .0 4

0 .0 6

0 .0 8

r e tu r n a k tu a l r e tu rn p re d ik s i

besar dibanding yang dihasilkan oleh buy & holdst rategy (nilai probabilitas adalah 0,019 ³ 0,05).Hasil perhitungan return yang diperoleh dari tech-nical t rading rule berdasarkan hasil peramalanmodel JST dan buy & hold strategy diperlihatkanpada Tabel 2.

Gam bar 5. Peram alan Ret urn IHSG

-0.08

-0.06

-0.04

-0.02

0

0.02

0.04

0.06

return aktual return prediksi

Gam bar 6. Peram alan Ret urn LQ45

lebih besar secara signif ikan dari 50%. Artinya hasilprediksi model JST mampu memberikan keputusanjual beli yang lebih baik dibanding keputusanjual bel i secara acak. Kesimpu lan t ersebutdiperkuat oleh hasil yang memperlihatkan bahwareturn yang dihasilkan dari technical trading ruleberdasarkan hasil peramalan model JST jauh lebih


Vol. 14, No. 1, Januari 2010: 1 – 12

KEUANGAN

Tabel 2. Hasi l Ret urn

IHSG LQ45

Technical Trading Rule 3,4502 3,6558

Buy & Hold Strategy 0,5063 0,5084

PEM BAHASAN

Berdasarkan hasil tersebut dapat disim-pulkan bahwa pasar modal Indonesia merupakanpasar modal yang t idak efisien (ineff icient), dalamhal ini efisiensi pasar bentuk lemah. Implikasi daripenolakan terhadap efisiensi pasar bentuk lemahdalam penel i t ian in i memberikan inf ormasikepada para investor bahwa masih dimungkinkanmemperoleh abnormal return dengan melakukanperdagangan secara teknikal. Beberapa faktoryang mungkin menyebabkan karakterist ik emerg-ing market t ersebut cenderung t idak ef isienadalah faktor inst itusi dan faktor pelaku pasaryang ada didalamnya. Maxym (2000) berpendapatbahwa faktor institusional yang mungkin menye-babkan pasar modal t idak ef isien adalah (1)operasional pasar modal t idak ef isien yangdicerminkan oleh t ransact ion cost yang relat ifbesar; (2) strandar-standar pengungkapan infor-masi kurang berkembang; dan (3) penyebarandan pemrosesan informasi yang tersedia t idakefektif. Sedangkan faktor pelaku pasar berkaitandengan (1) heterogenitas para pelaku pasardalam hal kemampuan dan kecakapan para pela-ku pasar untuk mendapatkan dan menganalisisinformasi yang relevan secara benar dan cepat;dan (2) irasionalitas para pelaku pasar.

Selain beberapa karakterist ik yang disebut-kan sebelumnya masih ada kesenjangan yanglain, yaitu asumsi pasar efisien adalah harga atau-pun return saham bersifat random dan berdis-tribusi normal, namun di emerging market didugacenderung bersifat non-linear dan t idak berdis-tribusi normal. Hasil penelit ian para pakar sema-kin memperkuat dugaan bahwa harga maupunreturn saham mengikuti sifat non-linear. Argumenyang dapat menjelaskan berkaitan perilaku non-linear saham dan penolakan terhadap EMH (Eff i-cient Market Hypothesis) dapat diperoleh daribehavior f inance theory. Behavioral f inanceberanggapan bahwa para pelaku pasar (agents)t idak secara penuh rasional (not fully rational),bertentangan dengan asumsi yang digunakandalam konsep EMH – karena preferences ataukarena mistaken beliefs. Secara khusus behavioralf inance memiliki dua building block, yaitu cogni-t ive psychology dan limits to arbitrage (Ritter, 2003).

Anggapan bahwa harga saham bersifat ran-dom didasari oleh asumsi para pelaku pasar adalahrasional. Bagaimanapun, berdasarkan survei yangdilakukan Barberis & Thaler (2003) dikut ip olehHoguet (2005) para pelaku pasar t idak secarapenuh rasional. Para pelaku pasar mungkin akanmenjadi risk lovers ket ika berspekulasi sebagaiupaya untuk mengembalikan kerugiannya. Parapelaku pasar mungkin terlalu yakin dengan pera-malan yang dimilikinya yang berakibat adanyabias. Selain itu, mereka mungkin t idak beraksisecara cepat terhadap informasi, tetapi menundarespon sampai para pelaku pasar yang lain menya-takan pilihannya (Antoniou et al., 1997).


Christian Herdinata

KEUANGAN

KESIM PULAN DAN SARAN

Kesim pul an

Penel i t ian in i memperl ihatkan apl ikasimodel Art if icial Neural Netw orks (ANN) atauJaringan Syaraf Tiruan (JST) dalam bidang ilmukeuangan, khususnya untuk aplikasi f inancialforecast ing. ANN atau JST merupakan sebuahmodel peramalan yang relat if baru untuk aplikasif inancial f orecast ing . Untuk mencapai tujuantersebut dilakukan perbandingan antara returnyang diperoleh dari technical trading rule berda-sarkan hasil peramalan model Art if icial NeuralNetworks (ANN) atau Jaringan Syaraf Tiruan (JST)dengan return yang diperoleh melalui buy & holdst rategy. Jika return yang diperoleh dari buy &hold strategy lebih kecil, maka pasar modal Indo-nesia merupakan pasar modal yang t idak efisienatau dalam hal ini merupakan ef isiensi bentuklemah. Hasil penelit ian memperlihatkan bahwabaik menggunakan indeks IHSG maupun LQ45,return yang diperoleh dari technical trading ruleberdasarkan hasil permalan model ANN atau JSTjauh lebih besar dibanding dengan return yangdiperoleh melalui buy & hold strategy.

Sar an

Peneli t ian in i d iharapkan memberikaninformasi dan meyakinkan para pelaku pasar bah-wa masih dimungkinkan mendapatkan abnormalreturn dengan melakukan perdagangan secarateknikal melalui peramalan model ANN atau JST.Saran untuk penelit ian selanjutnya dapat melaku-kan sinergi antara model peramalan JST denganmodel peramalan hibrida yang memasukkanmetode eksponensial agar dapat diperoleh hasilstock forecasting yang opt imal dalam peramalansaham di pasar modal Indonesia.

DAFTAR PUSTAKA

Antoniou, A., Ergul, N., & Holmes, P. 1997. MarketEf f iciency, Thin Trading and Non-LinearBehavior: Evidence From An EmergingMarket. European Financial Management ,Vol.3, No.2, pp.175-190.

Fernandez-Rodriguez, F., Gonzalez-Martel, C., &Sosvilla-Rivero, S. 2000. On The Prof itabilityof Technical Trading Ru les Based onArt if icial Neural Networks: Evidence f romthe Madrid Stock Market. Economics Letters,Vol.69, pp.89-94.

Gencay, R. 1998. Opt imizat ion of TechnicalTrading Strategies and the Prof itability inSecurity Markets. Economics Letters, Vol.59,pp.249-254.

Hermanto, B., & Bakara, M .Y.V. 2005. Chaos,Sebuah Studi Empiris dari BEJ: Pengamatanpada Indeks Port folio Pasar. ManajemenUsahawan Indonesia, No. 11, Th. XXXIV.

Hoguet , G. 2005. How t he World Works:Behavioral Finance and Invest ing inEmerging Markets.ht t p://ww w.ssga.com/l i b rary/esps/Ho w _t he_Wo r ld _Wo rks_George_Hoguet_7.25.05CCRI11242057. Di-download pada tanggal 23 Februari 2007.

Jasic, Teo. & Wood, D. 2004. The Prof itability ofDaily Stock Market Indices Trades Based onNeural Network Predictions: Case Study forThe S&P 500, The DAX, The TOPIX and TheFTSE in The Period 1965-1999. Appl iedFinancial Economics, Vol.14, pp. 285-297.


Vol. 14, No. 1, Januari 2010: 1 – 12

KEUANGAN

Jong, J. S. 2005. Jaringan Syaraf Tiruan danPemrogramannya Menggunakan Mat lab.Yogyakarta: Penerbit Andi.

Kusumadew i, S. 2004. M embangun JaringanSyaraf Tiruan Menggunakan Mat lab danExcel Link. Yogyakarta: Penerbit Graha Ilmu.

Leon, H., Nicholls, S., & Noel, D. 2001. Non-linearBehavior of Returns in an Emerging StockM arket . ht tp://w w w.lacea.org/ meet ing2001/leon.pdf . Di-download pada tanggal23 Februari 2007.

Lim, Kian-Ping & Melvin J. H. 2002. Non-LinearMarket Behavior: Events Detect ion in theMalaysian Stock Market. Economic Bulletin,Vol.7, No.6, pp.1-5.

Maxym, D. 2000. The Ef f icient Market Hypothesisand The Ukrainian Stock M arket . ThesisMaster of Arts, Nat ional University of Kyiv-Mohyla.

Nygren, K. 2004. Stock Predict ion – A NeuralNetwork Approach. Thesis Royal Institute ofTechnology.

Pandjaitan, L.W. 2007. Dasar-dasar KomputasiCerdas. Yogyakarta: Penerbit Andi..

Phua, Paul K.H., Ming, D., & Lin, W. 2001. NeuralNet w ork Wit h Genet ical ly EvolvedAlgorithms for Stock Prediction. Asia – Pacif icJournal of Operat ional Research, Vol,18,pp.103-107.

Qi, M . 1999. Non-Liear Predictabilit y of StockRet urns Using Financial and EconomicVariables. Journal of Business dan EconomicStatist ics, Vol.17, No.4, pp.419-429.

Samanta & Bordoloi. 2005. Predict ing St ockMarket-An Application of Artif icial NeuralNet w ork Techn ique t h rough Genet icAlgorit hm. Finance India, Vol.19, No.1,pp.173-188.

Sartono, A. 2000. Overreaction of The IndonesianCapital Market: Is Market Rational? GadjahM ada Internat ional Journal of Business,Vol.2, No.2, pp.163-184.

________ & Firdaus, E. 1999. Ef isienkah Analisisteknikal untuk Memprediksi PerkembanganHarga Saham?. Jurnal Siasat Bisnis, Vol.2,No.4, pp.135-153.

Siad, I.A. 2001. Test for Non-Linear Dynamics inThe Stock Exchange of Thailand (SET). ABACJournal, Vol.21, No.1.

aplikasi model artificial neural networks untuk di …

Documents