Prediksi Harga Saham Menggunakan Metode Kernel Principal Component Analysis-Long Short Term Memory
| Main Authors: | M ADELFT RAMADHAN, Prof. Dr.rer.nat Dedi Rosadi, S.Si., M.Sc. |
|---|---|
| Format: | Thesis |
| Terbitan: |
S1 STATISTIKA Universitas Gadjah Mada
, 2022
|
| Subjects: | |
| Online Access: |
http://etd.repository.ugm.ac.id/penelitian/detail/210547 |
Daftar Isi:
- Prediksi pasar saham tidak hanya bertujuan untuk meramalkan harga atau arah pasar untuk membantu pengambilan keputusan investasi yang lebih baik, tetapi juga untuk mencegah kekacauan pada pasar saham yang dapat menyebabkan kerusakan pada perkembangan pasar modal yang sehat. Analisa pergerakan pasar saham merupakan suatu hal yang sangat sulit dilakukan oleh peneliti dan investor. Utamanya disebabkan karena pada dasarnya pasar saham merupakan suatu sistem yang dinamis, nonlinear, nonstationary, nonparametric, noisy, dan chaotic. Faktanya pasar saham dipengaruhi oleh banyak sekali faktor yang saling berhubungan. Faktor-faktor tersebut berinteraksi dengan cara yang sangat kompleks.Principal component analysis (PCA) merupakan metode untuk melakukan reduksi dimensi dengan tetap mempertahankan informasi penting dalam data. PCA melakukan reduksi dimensi secara linier, ketika data memiliki struktur yang lebih kompleks dimana tidak dapat direpresentasikan dalam linear subspace, PCA memberikan hasil yang kurang baik. Kernel principal component analysis (KPCA) dikembangkan untuk melakukan reduksi dimensi nonlinier. Long Short-Term Memory (LSTM) pengembangan dari recurrent neural network untuk mengatasi masalah vanishing dan exploding gradients. LSTM mengganti hidden cell dengan memory cell yang di dalamnya terdapat gates untuk mengontrol jalannya informasi dalam model. Metode LSTM dapat mempelajari dengan lebih baik pola dan informasi dalam data. Oleh karena itu, kombinasi metode Kernel Principal Component Analysis-Long Short Term Memory (KPCA-LSTM) dipilih untuk memprediksi harga saham jangka pendek dengan menggunakan berbagai indikator teknikal yang saling berkorelasi dan kompleks sebagai variabel independennya. Berdasarkan analisis yang dilakukan, didapatkan bahwa metode KPCA-LSTM menghasilkan performa prediksi paling baik dibandingkan metode tanpa reduksi dimensi, maupun PCA-RNN, KPCA-RNN dan PCA-LSTM.