IMPELEMENTASI FRACTIONAL INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTISITY DALAM PERAMALAN VOLATILITAS PADA INDEKS HARGA SAHAM GABUNGAN

Latar Belakang. Fluktuasi pasar saham mencerminkan tingginya risiko dan ketidakpastian, yang menjadikan estimasi volatilitas penting bagi investor. Sebagai indikator utama pasar modal Indonesia, Indeks Harga Saham Gabungan (IHSG) menunjukkan karakteristik data yang beragam, seperti adanya efek long memory dan gejala heteroskedastisitas. Model ARIMA mampu menangkap pola tren, tetapi kurang efektif untuk memodelkan volatilitas. Sementara itu, model GARCH mampu mengatasi heteroskedastisitas jangka pendek, namun tidak optimal dalam merepresentasikan efek long memory. Kelemahan ini dapat diatasi dengan Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity (FIGARCH) yang dirancang untuk memodelkan ketergantungan efek long memory dalam volatilitas. Tujuan. Penelitian ini bertujuan memperoleh model FIGARCH untuk peramalan volatilitas IHSG pada periode 2024 serta menilai tingkat akurasinya. Metode. Data penelitian berupa harga penutupan harian IHSG dari 3 Januari 2022 hingga 30 Desember 2024 yang dikonversi menjadi return harian. Tahapan analisis meliputi: (1) pemodelan mean return menggunakan ARIMA, (2) pengujian efek ARCH dan pembentukan model GARCH, (3) pembentukan model FIGARCH berdasarkan hasil uji. Model optimal dipilih berdasarkan signifikansi parameter serta nilai Akaike Information Criterion (AIC) terendah, sedangkan akurasi diuji melalui Mean Absolute Percentage Error (MAPE) dan korelasi prediksi terhadap nilai aktual. Hasil. ARIMA(1,0,0)-FIGARCH(2,d,2) terpilih sebagai model terbaik dengan nilai d sebesar 0.491 yang berarti volatilitas IHSG memiliki pengaruh efek long memory. Kesimpulan. Model kombinasi ARIMA(1,0,0)–FIGARCH(2,d,2) dengan MAPE 10,58% dan korelasi 0,793, menunjukkan bahwa hasil peramalan baik dan mampu untuk menangkap efek long memory dibandingkan model GARCH lainnya.