<![CDATA[Penelitian ini bertujuan untuk menganalisis volatilitas serta mengevaluasi kinerja peramalan return nilai tukar USD/IDR menggunakan model GARCH dan pendekatan hybrid ARIMA-ANN. Data yang digunakan adalah data harian periode 2010–2025 yang diperoleh dari Yahoo Finance. Metode analisis meliputi transformasi log return, uji stasioneritas menggunakan Augmented Dickey-Fuller (ADF), uji ARCH untuk mendeteksi heteroskedastisitas, serta estimasi model GARCH(1,1) untuk memodelkan volatilitas. Selanjutnya, model ARIMA digunakan untuk menangkap pola linear, sementara residualnya dimodelkan menggunakan Artificial Neural Network (ANN) untuk membentuk model hybrid. Hasil penelitian menunjukkan bahwa data return bersifat stasioner dan mengandung efek ARCH yang signifikan. Estimasi GARCH menunjukkan bahwa volatilitas bersifat sangat persisten dengan nilai α₁ + β₁ mendekati satu. Perbandingan kinerja model menunjukkan bahwa hybrid ARIMA-ANN menghasilkan nilai RMSE yang lebih rendah dibandingkan ARIMA, yang mengindikasikan peningkatan akurasi peramalan. Temuan ini menunjukkan bahwa dinamika nilai tukar tidak hanya dipengaruhi oleh pola linear, tetapi juga oleh hubungan nonlinear yang kompleks, sehingga pendekatan hybrid lebih efektif dalam meningkatkan akurasi prediksi. This study aims to analyze volatility and evaluate the forecasting performance of the USD/IDR return using the GARCH model and a hybrid ARIMA-ANN approach. The data used are daily exchange rate data from 2010 to 2025 obtained from Yahoo Finance. The analysis includes log return transformation, stationarity testing using the Augmented Dickey-Fuller (ADF) test, and ARCH testing to detect heteroskedasticity. The GARCH(1,1) model is employed to capture volatility dynamics. Furthermore, the ARIMA model is used to capture linear patterns, while its residuals are modeled using Artificial Neural Networks (ANN) to form a hybrid model. The results indicate that the return data are stationary and exhibit significant ARCH effects. The GARCH estimation shows that volatility is highly persistent, with α₁ + β₁ approaching one. The comparison results demonstrate that the hybrid ARIMA-ANN model produces a lower RMSE than the ARIMA model, indicating improved forecasting accuracy. These findings suggest that exchange rate dynamics are influenced not only by linear patterns but also by complex nonlinear relationships, making the hybrid approach more effective in enhancing prediction accuracy.]]>
