Volatilitas Pasar Saham Syariah Indonesia Periode Pandemi COVID-19 dan Pasca Pandemi: Studi Komparasi Machine Learning dan Metode Statistik

Gilang Gumelar; Mirza  Kalyana Musthofa; Muhammad  Ridho Lifandri

doi:10.36418/syntax-literate.v11i3.64046

Gilang Gumelar President University
Mirza Kalyana Musthofa President University
Muhammad Ridho Lifandri President University

DOI: https://doi.org/10.36418/syntax-literate.v11i3.64046

Keywords: Perkiraan Deret Waktu, prediksi volatilitas, Pembelajaran Mesin, Hutan Acak, Model statistik dasar

Abstract

Pandemi COVID-19 telah menimbulkan ketidakstabilan pada pasar keuangan global, termasuk pasar saham syariah di Indonesia. Perubahan kondisi ekonomi selama pandemi dan periode pemulihan pasca pandemi memengaruhi dinamika volatilitas indeks saham syariah seperti Jakarta Islamic Index (JII) dan Indeks Saham Syariah Indonesia (ISSI). Analisis volatilitas menjadi penting untuk memahami tingkat risiko pasar serta mengevaluasi efektivitas metode prediksi yang digunakan dalam memodelkan perilaku pasar saham. Penelitian ini bertujuan untuk menganalisis dinamika volatilitas indeks saham syariah Indonesia pada periode pandemi dan pasca pandemi serta membandingkan kinerja model prediksi volatilitas menggunakan pendekatan Machine Learning Random Forest Regressor dan metode statistik Nae Persistence. Penelitian menggunakan data harga penutupan harian indeks JII dan ISSI yang kemudian ditransformasikan menjadi log return mingguan dan dihitung volatilitasnya menggunakan rolling standar deviasi. Proses pemodelan dilakukan dengan pembagian data deret waktu untuk training dan testing, sedangkan evaluasi model menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa volatilitas pasar saham syariah meningkat secara signifikan pada periode pandemi dan menurun pada periode pasca pandemi. Model Machine Learning menunjukkan kinerja yang lebih baik dalam memprediksi volatilitas pada kondisi pasar yang bergejolak, sedangkan metode statistik lebih efektif ketika kondisi pasar relatif stabil. Temuan ini menunjukkan bahwa pemilihan model prediksi volatilitas perlu mempertimbangkan karakteristik kondisi pasar yang berbeda.

Downloads

Download data is not yet available.

References

Afnanda, A., Devianto, D., Yollanda, M., Maiyastri, M., Bakar, N. N., & Haripamyu, H. (2025). Sharia stock return volatility model through Bayesian MSGARCH with asymmetric effects and data structure changes.

Gunaryati, A., Mutiara, A. B., & Puspitodjati, S. (2025). Enhancing Sharia stock price forecasting using a hybrid ARIMA-LSTM with locally weighted scatterplot smoothing regression approach.

Hasan, M. B., Mahi, M., Hassan, M. K., & Bhuiyan, A. B. (2021). Impact of COVID-19 pandemic on stock markets: Conventional vs. Islamic indices using wavelet-based multi-timescales analysis. The North American Journal of Economics and Finance, 58, 101504. https://doi.org/10.1016/j.najef.2021.101504

Hu, Y., Ni, J., & Wen, L. (2020). A hybrid deep learning approach by integrating LSTM-ANN networks with the GARCH model for copper price volatility prediction. Physica A: Statistical Mechanics and Its Applications, 557, 124907. https://doi.org/10.1016/j.physa.2020.124907

Ji, Q., Zhang, D., & Zhao, Y. (2020). Searching for safe-haven assets during the COVID-19 pandemic. International Review of Financial Analysis, 71, 101526. https://doi.org/10.1016/j.irfa.2020.101526

Khofifahturizqi, A., Farikhin, Herdiana, R., & Sihombing, Y. U. (2024). Prediction of stock price volatility using the Long Short Term Memory (LSTM) model for investment portfolio selection strategy.

Kinanti, S. L., & Rozana, I. (2025). Perbandingan performa model GARCH, LSTM dan hybrid untuk prediksi harga saham syariah JII.

Nensi, A. I. E., Maida, M. A., Notodiputro, K. A., Angraini, Y., & Mualifah, L. N. A. (2025). Performance analysis of ARIMA, LSTM, and hybrid ARIMA-LSTM in forecasting the composite stock price index.

Prasetyo, E., & Khotimah, H. (2025). Predicting the volatility of Jakarta Composite Index using GARCH and LSTM with volume-up strategy approach.

Pusporani, E., Nitasari, A. N., Salsabila, F. N., Indrasta, I. A., & Mardianto, M. F. F. (2025). Unilever stock prices forecasting with ensemble averaging approach ARIMA-GARCH and support vector regression.

Radziwill, N. M. (2017). Statistics (the easier way) with R. Lapis Lucera.

Supriani, I., Wicesa, N. A., & Tumewang, Y. K. (2024). Does COVID-19 cause structural changes in the Indonesian stock market behavior? A comparison of Islamic and conventional stock.

Tjen, Y. C. (2025). Peramalan IHSG dengan metode ARIMA-GARCH dan LSTM pada periode sebelum, masa dan sesudah COVID-19.

Xu, Z., Liechty, J., Benthall, S., Skar-Gislinge, N., & McComb, C. (2024). GARCH-informed neural networks for volatility prediction in financial markets.