Perbandingan Prediksi Harga Saham menggunakan Metode SVR, RFR, dan DTR

Authors

  • St Rahmawati anwar Universitas Ahmad Dahlan

DOI:

https://doi.org/10.21831/pspmm.v6i2.250

Keywords:

Matematika

Abstract

Abstrak— Saham adalah surat berharga yang dikeluarkan oleh suatu perusahaan. Dalam hal ini, perlu diprediksi harga saham sekarang yang didasarkan pada harga saham sebelumnya. Data yang digunakan adalah data time series saham PT. Kimia Farma, Tbk. dan diprediksi menggunakan metode Decision Tree Regression, Random Forest Regression dan Support Vector Regression. Dari penelitian ini bertujuan untuk membandingkan tingkat keakuratan dari metode SVR, RFR dan DTR. Penelitian ini menunjukan hasil perbandingan dari ketiga metode tersebut dalam memprediksi harga saham secara akurat. Hasil penelitian menunjukkan bahwa untuk data saham ini model prediksi dengan akurasi terbaik adalah RFR dengan score MSE-test 13443.61 dan R2 score-test 0.19.

Author Biography

St Rahmawati anwar, Universitas Ahmad Dahlan

Matematika

References

DAFTAR PUSTAKA

. Anoraga, P., & Pakarti, P. (2001). Pengantar Pasar Modal (Edisi Revisi). PT. Asdi Mahasatya. Jakarta.

. Sudarmanto, E., Khairad, F., Damanik, D., Purba, E., Peranginangin, A. M., Arfandi, S. N., ... & Astuti, A. (2021). Pasar Uang dan Pasar Modal. Yayasan Kita Menulis.

. Putri, H. T. (2020). Covid 19 dan Harga Saham Perbankan di Indonesia. Eksis: Jurnal Ilmiah Ekonomi Dan Bisnis, 11(1), 6-9

. Yasin, H., Prahutama, A., & Utami, T. W. (2014). Prediksi harga saham menggunakan support vector regression dengan algoritma grid search. Media Statistika, 7(1), 29-35.

. Oktavianti, I., Ermatita, E., & Rini, D. P. (2019). Analisis Pola Prediksi Data Time Series menggunakan Support Vector Regression, Multilayer Perceptron, dan Regresi Linear Sederhana. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 3(2), 282-287.

. Awad, M., & Khanna, R. (2015). Support vector regression. In Efficient learning machines (pp. 67-80). Apress, Berkeley, CA.

. Geron, Aurelien.(2019).Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow. United States of America.

. Sykes, A. O. (1993). An introduction to regression analysis.

. Drucker, H., Burges, C. J. C., Kaufman, L., Smola, A., & Vapnik, V. (1997). Support Vector Regression Machines. Advances in Neural Information Processing Systems (Vol. 9).

. Santosa, B. (2007). Feature Selection with Support Vector Machines Applied on Tornado Detection. IPTEK The Journal for Technology and Science, 18(1).

. Alfredo, A., Jondri, J., & Rismala, R. (2015). Prediksi Harga Saham menggunakan Support Vector Regression dan Firefly Algorithm. eProceedings of Engineering, 2(2).

. Astuti, Y. A. (2011). Analisis perbandingan teknik Support Vector Regression (SVR) dan decision tree C4. 5 dalam data mining.

. Agustyaningrum, C. I., Gata, W., Nurfalah, R., Radiyah, U., & Maulidah, M. (2020). KOMPARASI ALGORITMA NAIVE BAYES, RANDOM FOREST DAN SVM UNTUK MEMPREDIKSI NIAT PEMBELANJA ONLINE. Jurnal Informatika, 20(2), 164-173.

. Kabir, M. R., Ashraf, F. B., & Ajwad, R. (2019, December). Analysis of different predicting model for online shoppers’ purchase intention from empirical data. In 2019 22nd International Conference on Computer and Information Technology (ICCIT) (pp. 1-6). IEEE.

. Azmi, Z., & Dahria, M. (2013). Decision tree berbasis algoritma untuk pengambilan keputusan. Jurnal Ilmiah SAINTIKOM, 12(3).

Published

2022-04-11