Pendekatan Regresi Nonparametrik Kernel pada Data IHSG Periode Januari 2020 – Desember 2021
DOI:
https://doi.org/10.29313/statistika.v23i1.1628Keywords:
GCV, IHSG, JCI, Indeks Dow Jones, Dow Jones Index, Regresi Nonparametrik Kernel, Kernel Nonparametric RegressionAbstract
ABSTRAK
Pendekatan regresi nonparametrik Kernel digunakan untuk memperkirakan harapan bersyarat dari variabel dependen terhadap variabel independen tanpa mengasumsikan bentuk parametrik tertentu. Pendekatan ini menggunakan fungsi Kernel sebagai alat untuk melakukan estimasi. Dalam penelitian ini, digunakan fungsi Kernel Gaussian dan estimator Nadaraya-Watson. Estimator Nadaraya-Watson adalah metode yang mengestimasi fungsi regresi sebagai rata-rata tertimbang secara lokal, dengan menggunakan fungsi Kernel sebagai pembobot. Pendekatan regresi nonparametrik Kernel ini juga efektif dalam mengestimasi data yang memiliki pola runtun waktu, seperti indeks Dow Jones dan Indeks Harga Saham Gabungan (IHSG). Tujuan penelitian ini adalah untuk melakukan estimasi regresi nonparametrik Kernel dan memprediksi IHSG yang dipengaruhi variabel indeks Dow Jones. Model terbaik adalah yang mempunyai bandwidth optimal yang ditentukan berdasarkan Generalized Cross Validation (GCV) minimum. Berdasarkan hasil penelitian diperoleh model regresi nonparametrik Kernel dengan nilai bandwidth optimal sebesar 0,332 dan nilai GCV minimum sebesar 0,2455519. Hasil prediksi mengalami fluktuasi pada interval Rp6.100,00 sampai dengan Rp6.400,00 yang terjadi pada bulan Maret 2021 hingga Desember 2021.
ABSTRACT
The Kernel nonparametric regression approach is used to estimate the conditional expectations of the dependent variable on the independent variable without assuming a particular parametric form. This approach uses the Kernel function as a tool for estimating. In this study, the Gaussian kernel function and the Nadaraya-Watson estimator are used. The Nadaraya-Watson estimator is a method that estimates the regression function as a locally weighted average, using the Kernel function as the weight. The Kernel nonparametric regression approach is also effective in estimating data that has a time series pattern, such as the Dow Jones index and the Jakarta Composite Index (JCI). The purpose of this study was to estimate the nonparametric regression of the Kernel model and predict the JCI which was influenced by the Dow Jones index variable. The best model is the one that has the optimal bandwidth determined based on the minimum Generalized Cross Validation (GCV). Based on the results of the research, the Kernel nonparametric regression model was obtained with the optimal bandwidth value of 0.332 and the minimum GCV value of 0.2455519. The prediction results fluctuated at the interval of Rp. 6,100.00 to Rp. 6,400.00 which occurred in March 2021 to December 2021.
References
Ampulembang, A. P. (2017). Pengembangan Model Regresi Nonparametrik Birespon Kontinu Menggunakan Metode Mars. Surabaya: Institut Teknologi Sepuluh Nopember.
Ayuningtyas, T. (2018). Regresi Nonparametrik Kernel Nadaraya-Watson Dalam Data Time Series (Studi Kasus: Indeks Harga Saham Gabungan Terhadap Kurs, Inflasi, dan Tingkat Suku Bunga Periode 2015-Maret 2018) . Yogyakarta: Universitas Islam Indonesia.
Darnah, Chamidah, & Utoyo. (2019). Modeling of Material Mortality and Indant Mortality Cases in East Kalimantan using Poisson Regression Approach Based on Local Linear Estimator. IOP Conference Series: Earth and Environmental Science, 243, 1-7. doi:10.1088/1755-1315/243/1/012023
Eubank, R. (1998). Spline Smoothing and Nonparametric regression. Mareel Dekker: New York.
Halim, S., & Bisono, I. (2006). Fungsi-Fungsi Kernel Pada Metode Regresi Nonparametrik dan Aplikasinya pada Priest River Experimental Forest's data. Teknik Industri, 8(1),73-81.
Hardle, W. (1994). Applied Nonparametric Regression. New York: Cambridge University Press.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. (2000). Applied Logistic Regression. New York: Wiley.
Nasution, N. A. (2017). Pengaruh Suku Bunga BI Rate, Indeks Dow Jones, Indeks Nasdag, Indeks Nangseng dan Aliran Investasi Dana Asing Terhadap Pertumbuhan Indeks Harga Saham Gabungan Di Bursa Efek Indonesia. Medan: Universitas Sumatera Utara.
Nurhuda, G., Nohe, D. A., & Wasono, W. (2022). Pemodelan Nonparametric Regression Modeling Based on Spline Truncated Estimator on Simulation Data. Matematika, Statistika dan Komputasi, 19(1), 172-182.
Puspitasari, I., Suparti, & Wilandari, Y. (2012). Analisis Indeks Harga Saham Gabungan (IHSG) dengan Menggunakn Model Regresi Kernel. Jurnal Gaussian(1), 93-102.
Saputra, J., & Listyani, E. (2016). Pemilihan Bandwidth Pada Estimator Nadaraya-Watson dengan Tipe Kernel Gaussian Pada Data Time Series. Jurnal Pendidikan Matematika dan Sains, 1-7.
Sari, S. U. (2017). Perbandingan Model Regresi Nonparametrik Spline Multivariabel dengan Menggunakan Metode Generalized Cross Validition (GCV) dan Metode Unbiassed Risk (UBR) dalam Pemilihan Titik Knot Optimal. Prosiding, 1(1), 154-166.
Setiawan , E., & Suwarman, R. (2018). Analisis Perbandingan Fungsi Kernel dalam Perhitungan Economic Capital untuk Resiko Operasional Menggunakan Bahasa Pemrograman Python. Jurnal Matematika, 17(2),9-16.
Silverman, B. W. (1986). Density EStimation For Statistics and Data Analysis. London: Chapman And hall.
Sukarsa, K. G., & Srindadi. (2012). Estimator Kernel Dalam Model Regresi Nonparametrik. Matematika(1), 2.
Sunariyah. (2011). Pengantar Pengetahuan Pasar Modal. Yogyakarta: UPP STIM YKPN.
Widiardi, H. R. (2014). Model Regresi Nonparametrik Menggunakan Fungsi Kernel (Pada Kasus Berat badan Balita Desa Buduran,Kabupaten Sidoarjo). Jurnal Mahasiswa Statistik, 2(2).
