Perbandingan Whale Optimization Algorithm dan Genetic Algorithm dalam Optimasi Parameter Metode Hybrid Holt's DES-SVR untuk Peramalan Indeks Harga Saham Gabungan

Putri, Della Ardhelya Zahra (2025) Perbandingan Whale Optimization Algorithm dan Genetic Algorithm dalam Optimasi Parameter Metode Hybrid Holt's DES-SVR untuk Peramalan Indeks Harga Saham Gabungan. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006211044-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Kegiatan investasi terus menunjukkan peningkatan yang signifikan, terutama di pasar saham. Saham menjadi instrumen investasi yang terus diminati oleh investor karena memberikan hasil yang kompetitif. Seluruh saham yang tercatat di Bursa Efek Indonesia (BEI) digambarkan oleh Indeks Harga Saham Gabungan (IHSG) yang sering disebut sebagai indikator utama kinerja pasar modal dan acuan bagi investor dalam mengambil keputusan investasi sehingga peramalan IHSG menjadi hal yang krusial untuk mengantisipasi fluktuasi pasar. IHSG cenderung bersifat dinamis dan kompleks. Oleh karena itu, IHSG memerlukan metode peramalan yang akurat, seperti model hybrid yang efektif untuk pola linear dan nonlinear yang kompleks. Kombinasi model hybrid, seperti Holt’s Double Exponential Smoothing (HDES) dan Support Vector Regression (SVR) dapat meningkatkan akurasi peramalan dengan memanfaatkan keunggulan masing-masing metode. Meskipun demikian, HDES dan SVR masih belum memberikan cara untuk menentukan parameter yang optimal. Oleh karena itu, metode optimasi parameter, seperti Whale Optimization Algorithm (WOA) dan Genetic Algorithm (GA) diperlukan untuk menentukan parameter terbaik. Penelitian ini menggunakan data closing price IHSG pada periode 1 April 2020 hingga 28 Februari 2025 dengan tujuan menangkap dinamika pasar secara menyeluruh. Proses peramalan dilakukan dalam dua tahap, yaitu meramalkan data aktual menggunakan HDES, kemudian meramalkan residualnya menggunakan SVR. Selanjutnya, parameter masing-masing model dioptimasi menggunakan WOA dan GA untuk membentuk model hybrid yang lebih akurat. Hasil penelitian menunjukkan bahwa model Hybrid HDES-SVR menghasilkan MAPE sebesar 1,746281%. Setelah dilakukan optimasi parameter menggunakan WOA, diperoleh model Hybrid HDES-WOA-SVR dengan MAPE sebesar 0,852754% dan Hybrid HDES-WOA-SVR-WOA dengan MAPE sebesar 0,897756%. Sementara itu, optimasi menggunakan GA menghasilkan model Hybrid HDES-GA-SVR dengan MAPE sebesar 0,862768% dan Hybrid HDES-GA-SVR-GA dengan MAPE sebesar 0,889258%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penggunaan WOA pada baseline model Hybrid HDES-SVR memberikan hasil optimasi terbaik dibandingkan pendekatan lainnya. Hasil peramalan IHSG sepuluh hari ke depan dengan model terbaik ini menunjukkan kecenderungan penurunan yang selaras dengan tren selama enam bulan terakhir.
=====================================================================================================================================
Investment activities have been growing significantly, particularly in the stock market. Stocks remain a preferred investment instrument among investors due to their competitive returns. The performance of all stocks listed on the Indonesia Stock Exchange (IDX) is represented by the Jakarta Composite Index (JCI), which is widely regarded as a key indicator of capital market performance and serves as a benchmark for investors in making investment decisions. Consequently, forecasting the JCI becomes crucial in anticipating market fluctuations. The JCI tends to be dynamic and complex, requiring accurate forecasting methods such as hybrid models that are effective for capturing both linear and nonlinear patterns. A hybrid combination of Holt’s Double Exponential Smoothing (HDES) and Support Vector Regression (SVR) can improve forecasting accuracy by leveraging the strengths of each method. However, HDES and SVR do not inherently provide procedures for determining optimal parameter values. Therefore, optimization methods such as the Whale Optimization Algorithm (WOA) and Genetic Algorithm (GA) are needed to obtain the best-performing parameters. This study uses JCI closing price data from April 1, 2020, to February 28, 2025, aiming to comprehensively capture market dynamics. The forecasting process is conducted in two steps, first, the actual data is forecasted using HDES, followed by forecasting the residuals using SVR. Then, the parameters of each model are optimized using WOA and GA to construct more accurate hybrid models. The results show that the Hybrid HDES-SVR model achieved a MAPE of 1,746281%. After parameter optimization using WOA, the Hybrid HDES-WOA-SVR model achieved a MAPE of 0,852754%, while the Hybrid HDES-WOA-SVR-WOA model yielded a MAPE of 0,897756%. Meanwhile, optimization using GA produced a Hybrid HDES-GA-SVR model with a MAPE of 0,862768% and a Hybrid HDES-GA-SVR-GA model with a MAPE of 0,889258%. Based on these results, it can be concluded that applying WOA to the baseline Hybrid HDES-SVR model yields the best forecasting performance compared to the other approaches. The ten day IHSG forecast generated by the optimal model exhibits a declining tendency, in line with the trend observed over the last six months.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Forecasting, Genetic Algorithm, Holt’s Double Exponential Smoothing, Support Vector Regression, Whale Optimization Algorithm, Genetic Algorithm, Holt’s Double Exponential Smoothing, Support Vector Regression, Peramalan, Whale Optimization Algorithm.
Subjects:	H Social Sciences > HA Statistics > HA30.3 Time-series analysis Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA402.5 Genetic algorithms. Interior-point methods.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Della Ardhelya Zahra Putri
Date Deposited:	16 Jul 2025 01:38
Last Modified:	16 Jul 2025 01:38
URI:	http://repository.its.ac.id/id/eprint/119843

Actions (login required)

View Item