Optimasi Parameter Support Vector Machine Menggunakan Algoritma Genetika untuk Meningkatkan Prediksi Pergerakan Harga Saham

DOI: https://doi.org/10.33650/coreai.v3i1.3859

Authors (s)


(1) * Sudriyanto Sudriyanto   (Universitas Nurul Jadid)  
        Indonesia
(2)  Rian Hidayad   (Universitas Nurul Jadid)  
        Indonesia
(3)  Rafsanjai Akbar Ronaldo   (Universitas Nurul Jadid)  
        Indonesia
(4)  Riangga Aji Prasetiyo   (Universitas Nurul Jadid)  
        Indonesia
(5)  Setyo Agung Edho Wicaksono   (Universitas Nurul Jadid)  
        Indonesia
(*) Corresponding Author

Abstract


Prediksi pergerakan harga saham menjadi satu topik yang menarik terutama bagi para investor saham, dealer dan broker. Kesulitan dalam memprediksi pergerakan harga saham dikarenakan banyak faktor ketidak pastian yang terlibat seperti kinerja perusahaan, faktor ekonomi nasional maupun internasional, iklim politik dan perbedaan persepsi dari setiap orang terhadap suatu saham. Tujuan penelitian ini adalah meningkatkan hasil prediksi pergerakan harga saham. Salah satu metode yang dapat digunakan untuk memprediksi pergerakan harga saham yaitu Support Vector Machine (SVM). SVM memiliki kelemahan pada sulitnya memilih parameter terbaik dari suatu kernel termasuk parameter pinalti untuk data yang diklasifikasikan secara benar. Untuk meningkatkan akurasi dari prediksi harga saham, yang bertujuan untuk mengoptimasi algoritma SVM dengan algoritma genetika (GA) untuk mendapatkan parameter terbaik sehingga akurasi prediksi dapat ditingkatkan. Pada penelitian ini menggunakan data historis dari perusahaan PT Astra International Tbk mulai dari 2013 sampai 2021. Atribut yang digunakan pada penelitian ini yaitu (Date, Open, High, Low, Close dan Volume). Dari hasil percobaan didapat akurasi prediksi dengan metode Support Vector Machine dengan nilai Root Mean Squared Error (RMSE) sebesar 140.000 +/- 5.698 dan Squared Error (SE) sebesar 19629.215 +/- 1609.864. Sedangkan dengan metode Support Vector Machine Berbasis Algoritma Genetika dengan nilai Root Mean Squared Error (RMSE) sebesar 101.208 +/- 9.475 dan Squared Error (SE) sebesar 10323.858 +/- 1956.237. Dari hasil percobaan dapat dilihat bahwa nilai tingkat akurasi untuk prediksi pergerakan harga saham menggunakan metode Support Vector Machine Berbasis Algoritma Genetika mendapatkan hasil dengan tingkat akurasi yang lebih baik.




Full Text: Download PDF



References


A. Afriyeni and D. Marlius, “Analisis Tingkat Pengembalian Dan Risiko Investasi (Studi Pada Industri Manufaktur Yang Terdaftar Di Bursa Efek Indonesia),” Osfpreprints, 2019.

M. Putri and H. Shabri, “Analisis Fundamental dan Teknikal Saham PT. Bank BTPN Syariah Tbk,” Al-bank: Journal of Islamic Banking and Finance, vol. 2, no. 1, 2022, doi: 10.31958/ab.v2i1.4326.

A. Halim, Analisis Investasi di Aset Keuangan, vol. 12, no. 210p. 2015.

“Support vector machines,” in Applied Data Analytics: Principles and Applications, 2020. doi: 10.4018/978-1-59904-941-0.ch065.

S. Budi, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. 2007.

I. G. N. E. Susena, “Optimasi Parameter Support Vector Machine ( SVM ) dengan Particle Swarm Optimization ( PSO ) Untuk Klasifikasi Pendonor Darah Dengan Dataset RFMTC,” S1: Universitas Brawijaya, vol. 2, no. 12, 2018.

Emilia Ayu Wijayanti, T. Rahmadanti, and U. Enri, “Perbandingan Algoritma SVM dan SVM Berbasis Particle Swarm Optimization Pada Klasifikasi Beras Mekongga,” Generation Journal, vol. 5, no. 2, 2021, doi: 10.29407/gj.v5i2.16075.

C. García-Martínez, F. J. Rodriguez, and M. Lozano, “Genetic algorithms,” in Handbook of Heuristics, vol. 1–2, 2018. doi: 10.1007/978-3-319-07124-4_28.

I. M. B. S. Darma, R. S. Perdana, and Indriati, “Penerapan Sentimen Analisis Acara Televisi Pada Twitter Menggunakan Support Vector Machine dan Algoritma Genetika sebagai Metode Seleksi Fitur,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 3, 2018.

F. Insani and S. I. Darlianti, “Pembentukan Model Regresi Linier Menggunakan Algoritma Genetika untuk Prediksi Parameter Indeks Standar Pencemar Udara (ISPU),” Jurnal CoreIT: Jurnal Hasil Penelitian …, vol. 5, no. 2, 2019.

S. Sable, A. Porwal, and U. Singh, “Stock price prediction using genetic algorithms and evolution strategies,” in Proceedings of the International Conference on Electronics, Communication and Aerospace Technology, ICECA 2017, 2017, vol. 2017-January. doi: 10.1109/ICECA.2017.8212724.

D. Heiss-Czedik, “An Introduction to Genetic Algorithms.,” Artificial Life, vol. 3, no. 1, 1997, doi: 10.1162/artl.1997.3.63.

M. Badrul and M. M. A. Id, “Optimasi Algoritma Neural Network Dengan Algoritma Genetika Dan Particle Swarm Optimization Untuk Memprediksi Hasil Pemilukada,” Pilar Nusa Mandiri, vol. 13, no. 1, 2017.

I. Ali and L. Sularto, “Optimasi Parameter Artificial Neural Network Menggunakan Algoritma Genetika Untuk Prediksi Kelulusan Mahasiswa,” Jurnal ICT : Information Communication & Technology, vol. 18, no. 1, 2019, doi: 10.36054/jict-ikmi.v18i1.52.

Indonesia Stock Exchange (IDX) and Yahoo Finance, “PT Astra International Tbk (ASII.JK),” Yahoo Finance, Dec. 03, 2021.


Article View

Abstract views : 430 times | Download PDF files viewed : 249 times

Dimensions, PlumX, and Google Scholar Metrics

10.33650/coreai.v3i1.3859


Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Sudriyanto Sudriyanto, Rian Hidayad, Rafsanjai Akbar Ronaldo, Riangga Aji Prasetiyo, Setyo Agung Edho Wicaksono

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.


Creative Commons License
 
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi

Published by Technic Faculty of Nurul Jadid University, Probolinggo, East Java, Indonesia.