Pendekatan Regresi Nonparametrik Kernel pada Data IHSG Periode Januari 2020 – Desember 2021

Abstract

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.