📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 dokumenPENERAPAN ALGORITMA MAPPER UNTUK KLASTERISASI DETEKSI PERIODE VOLATILITAS TINGGI DI PASAR SAHAM INDONESIA
Pasar saham Indonesia, yang tercermin melalui Indeks Harga Saham Gabungan (IHSG), rentan terhadap periode tekanan yang terjadi secara tiba-tiba dan tidak menentu. Pendekatan pengukuran risiko konvensional seperti Value-at-Risk (VaR) memiliki keterbatasan karena bergantung pada asumsi distribusi tertentu yang sering tidak terpenuhi pada kondisi pasar tidak normal. Penelitian ini menerapkan algoritma Mapper dari kerangka Topological Data Analysis (TDA) sebagai pendekatan alternatif untuk mendeteksi periode volatilitas tinggi pada data IHSG periode 1 Juli 2019 hingga 1 April 2026. Sembilan fitur risiko dihitung secara dinamis menggunakan jendela waktu bergerak 60 hari, kemudian diproyeksikan ke ruang dua dimensi menggunakan UMAP sebelum dimasukkan ke dalam algoritma Mapper. Tolok ukur statistik dibentuk berdasarkan kuantil ke-75 volatilitas jendela waktu bergerak dengan syarat durasi minimum lima hari perdagangan. Parameter Mapper dioptimalkan melalui pencarian kombinasi terbaik berdasarkan nilai Jaccard, dan hasil deteksi dievaluasi menggunakan confusion matrix, metrik klasifikasi, serta uji Welch’s t-test dan Cohen’s d. Graf Mapper yang terbentuk terdiri atas 144 simpul dan 187 ruas, dengan 39 simpul teridentifikasi sebagai berisiko. Perbandingan terhadap tolok ukur statistik menghasilkan nilai Jaccard sebesar 0,9185, akurasi sebesar 0,9782, presisi sebesar 0,9662, recall sebesar 0,9490, dan nilai F1 sebesar 0,9575. Selain itu, parameter yang sama diterapkan pada sepuluh saham individual dari berbagai sektor tanpa penyesuaian ulang, menghasilkan rata-rata nilai Jaccard sebesar 0,8869 dan nilai F1 sebesar 0,9395. Hasil ini menunjukkan bahwa algoritma Mapper mampu mendeteksi periode volatilitas tinggi secara konsisten dan memiliki kemampuan generalisasi yang baik pada data saham individual, sekaligus memberikan informasi struktural tambahan berupa tanggal transisi dan simpul batas yang tidak diperoleh dari pendekatan statistik tunggal.
EVALUASI BERBASIS REGIME VOLATILITAS PADA MODEL PERAMALAN HARGA SAHAM LSTM, QUANTUM NEURAL NETWORK, DAN GEOMETRIC BROWNIAN MOTION
Peramalan harga saham merupakan tantangan dalam analisis keuangan kuantitatif akibat sifat deret waktu finansial yang nonlinear, tidak stasioner, dan rentan terhadap pergeseran rezim volatilitas. Studi komparatif yang ada umumnya mengandalkan metrik agregat yang tidak mengungkap perbedaan performa antar kondisi pasar. Penelitian ini membandingkan Quantum Neural Network (QNN), Long Short-Term Memory (LSTM), dan Geometric Brownian Motion (GBM) dalam meramalkan harga saham PT Aneka Tambang Tbk. (ANTAM) menggunakan kerangka evaluasi berbasis segmentasi rezim volatilitas. Data harga penutupan harian ANTAM tahun 2020–2024 digunakan sebagai data latih, dengan tahun 2025 dan 2026 sebagai data uji. Rezim pasar ditentukan dari volatilitas bergulir 20 hari menggunakan ambang batas persentil ke-33 dan ke-66, menghasilkan tiga kelas: Low, Medium, dan High Volatility. Secara global, LSTM mencapai MAPE terbaik (3,12%, R 2 = 0,9638), sementara QNN unggul di rezim Low Volatility (MAPE 1,14%) dan GBM menjadi model paling tidak bias (mean residual +0,26 Rp). Ketiga model menunjukkan residual leptokurtik (kurtosis ekses 15,98–17,34) dengan heteroskedastisitas kondisional antar rezim. Pengujian pada data 2026 mengungkap disosiasi diagnostik: MAPE tetap stabil (3,23–3,49%) sementara R 2 kolaps ke 0,55–0,65, sebagai sinyal concept drift dan pergeseran rezim struktural. Penelitian ini menegaskan bahwa evaluasi berbasis rezim volatilitas memberikan kerangka komparatif yang lebih informatif dan landasan empiris bagi pengembangan seleksi model adaptif berbasis kondisi pasar.