Peramalan Harga Saham Menggunakan Suppor Vector Regression Dengan Algoritme Genetika
| Main Author: | Putra, Nanda Agung |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/2034/1/Putra%2C%20Nanda%20Agung.pdf http://repository.ub.ac.id/2034/ |
Daftar Isi:
- Saham merupakan tanda bukti kepemilikan perusahaan. Saham juga merupakan bukti investasi ke perusahaan yang mana pemegang saham berhak untuk mengklaim aset dan keuntungan perusahaan. Pemegang saham dapat memperoleh keuntungan seperti pembagian dividen dan menjual saham dengan nilai yang lebih tinggi (capital gain). Sebagaimana transaksi bisnis Iainnya, investasi saham tidak lepas dari risiko. Terdapat 2 risiko yang perlu diperhatikan yaitu risiko sistematik dan risiko tidak sistematik. Dampak dari kedua risiko tersebut adalah naik turunnya harga saham dan perusahaan dapat mengalami kebangkrutan sehingga pemegang saham tidak dapat memperoleh keuntungan. Pemegang saham perlu berhatai-hati dalam mengolah sahamnya karena harga saham yang terus berubah. Pemegang saham biasanya memantau pergerakan harga saham dan menganalisisnya. Salah satu metode dalam menganalisis harga saham adalah dengan melakukan peramalan. Metode ini bekerja dengan mempelajari data di masa lampau untuk meramalkan harga saham di masa yang datang. Salah satu algoritme yang handal dalam peramalan adalah Support Vector Regression (SVR). SVR handal dalam meramalkan data yang liner dan non linear. SVR juga handal dalam membuat model yang pas yaitu tidak overfit dan underfit. SVR juga memiliki kelemahan yaitu kinerja SVR sangat bergantung terhadap parameter di dalamnya. Menentukan nilai parameter yang tepat merupakan hal yang sangat penting. Salah satu algoritme optimasi yang handal adalah Algoritme Genetika. Algoritme Genetika digunakan untuk menentukan parameter SVR yang tepat sehingga mampu menghasilkan peramalan yang balk. SVR yang dioptimasi dengan Algoritme Genetika mampu menghasilkan peramalan yang bagus. Hasil pengujian menunjukkan nilai kesalahan/MAPE yang diperoleh adalah 0,165% yang jauh lebih kecil dibandingkan dengan hanya menggunakan Support Vector Regression saja sebesar 1,612% dengan parameter terbaik antara lain ukuran populasi 50, banyaknya generasi 200, tingkat crossover 0,4, tingkat mutasi 0,6, rentang nilai sigma 0,5-1, rentang nilai epsilon 10-7-10-3, rentang nilai C 0,001-5, dan rentang nilai gamma 10-5-10-3.