Perpustakaan Digital ITB

Prediksi deret waktu finansial merupakan permasalahan penting dalam analisis pasar modal. Namun, data log-return seperti Indeks S&P 500 memiliki karakteristik distribusi yang tidak normal, berekor tebal (fat-tailed), serta memiliki struktur dependensi antarwaktu yang kompleks, sehingga model klasik seperti ARIMA dan GARCH sering kali kurang optimal karena mengasumsikan linearitas atau residu Gaussian. Penelitian ini mengusulkan penggunaan Kernel-based Copula Process (KCP) berbasis Gaussian Copula Process (GCP) untuk memodelkan log-return mingguan Indeks S&P 500 periode 1928–2026. Metode ini memisahkan pemodelan distribusi marjinal dan struktur dependensi: distribusi marjinal Normal, Student-t, dan Skew-t diestimasi per kelompok minggu kalender menggunakan Maximum Likelihood Estimation (MLE), sedangkan dependensi antarwaktu direpresentasikan melalui transformasi copula ke ruang Gaussian standar dan dimodelkan dengan fungsi kernel Radial Basis Function (RBF) dan Ornstein–Uhlenbeck (OU). Prediksi out-of-sample pada 996 minggu data uji (2007–2026) dilakukan melalui dua pendekatan, yaitu Grid Search dan Metropolis– Hastings. Hasil penelitian menunjukkan bahwa distribusi Student-t dan Skew-t memberikan kalibrasi probabilistik yang lebih baik dibandingkan distribusi Normal, ditunjukkan oleh uji Probability Integral Transform (PIT) yang gagal menolak hipotesis keseragaman (p > 0,05), sementara distribusi Normal ditolak (p < 0,0001). Kernel RBF dan OU menghasilkan struktur dependensi yang hampir identik, dengan korelasi di atas 0,999, sehingga perbedaan pemilihan kernel memberikan pengaruh yang jauh lebih kecil dibandingkan pemilihan distribusi marjinal. Konfigurasi Student-t dengan kernel RBF dipilih sebagai model yang paling seimbang, dengan galat prediksi (MAE) terendah serta interval prediksi yang lebih tajam dibandingkan distribusi Normal. Hasil ini menunjukkan bahwa pendekatan KCP lebih bermanfaat untuk menghasilkan rentang kemungkinan pergerakan harga yang terkalibrasi, dibandingkan sekadar nilai prediksi tunggal.