Arif, Muhammad (2019) Penerapan Metode Hybrid General Regression Neural Network dan Fruit Fly Optimization Algorithm (GRNN-FOA) untuk Peramalan Nilai Aktiva Bersih (NAB) Reksa Dana Saham. Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211540000119-Undergraduate_Theses.pdf Download (1MB) | Preview |
Abstract
Sejak tahun 2015, pemerintah melalui PT Bursa Efek Indonesia (BEI) telah berusaha meningkatkan kesadaran masyarakat terhadap dunia investasi. Salah satu kendala kurangnya kesadaran masyarakat terhadap investasi adalah kurangnya dana, waktu, serta pengetahuan terhadap investasi. Masyarakat yang memiliki karakteristik demikian sangat disarankan untuk melakukan investasi dalam bentuk reksa dana. Reksa dana merupakan salah satu bentuk investasi berupa wadah tempat berkumpulnya dana dari banyak investor. Investor yang ingin melakukan investasi jangka panjang (lebih dari lima tahun) dan mengharapkan hasil return berupa Nilai Aktiva Bersih per Unit Penyertaan (NAB/UP) besar maka sangat cocok untuk melakukan investasi dalam bentuk reksa dana saham. Hal ini dikarenakan reksa dana saham mengalokasikan minimal 80% dari investasinya ke pasar saham, yang mana pasar saham merupakan salah satu bentuk investasi yang sangat cocok dengan karakter tersebut. General Regression Neural Network (GRNN) merupakan metode peramalan yang memiliki kemampuan pemetaan non-linier yang kuat. Kekurangan dari GRNN adalah pemilihan parameter spread yang sulit. GRNN dengan parameter spread yang dioptimalkan mampu memberikan akurasi lebih tinggi daripada GRNN tanpa optimasi. Salah satu algoritma optimasi yang dapat digunakan untuk mencari parameter spread paling optimal adalah Fruit Fly Optimization Algorithn (FOA). Tugas akhir ini akan meramalkan NAB/UP menggunakan GRNN dengan parameter spread yang akan dioptimasi menggunakan FOA. Metode peramalan GRNN yang dioptimasi menggunakan FOA mampu memberikan hasil peramalan dengan akurasi yang sangat baik yaitu MAPE 2,40% dan RMSE 56,53752789 pada peramalan periode kedepan. Parameter spread paling optimal yang dihasilkan dari FOA adalah 20,9004.
==================================================================================================================================
Since 2015, the government through the Indonesia Stock Exchange (IDX) has been trying to increase public awareness of the investment world. One obstacle to the lack of public awareness of investment is the lack of funds, time, and knowledge of investment. People who have such characteristics are strongly advised to invest in mutual funds. Mutual funds are one form of investment in the form of a place to gather funds from many investors. Investors who want to make a long-term investment (more than five years) and expect a return in the form of Net Asset Value per Participation Unit (NAV/PU) is very suitable for investing in the form of stock mutual funds. This is because stock mutual funds allocate a minimum of 80% of their investment to the stock market, which is where the stock market is a form of investment that is very suitable for that character. General Regression Neural Network (GRNN) is a forecasting method that has strong non-linear mapping capabilities. The disadvantages of GRNN are the selection of difficult spread parameters. GRNN with optimized spread parameters can provide higher accuracy than GRNN without optimization. One of the optimization algorithms that can be used to find the most optimal spread parameters is Fruit Fly Optimization Algorithn (FOA). This final project will predict NAV / PU using GRNN with spread parameters that will be optimized using FOA. The GRNN forecasting method optimized using FOA is able to provide forecasting results with excellent accuracy, namely MAPE 2.39% and RMSE 56.53752789 for the future forecasting period. The most optimal spread parameter generated from FOA is 20,9004.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSI 519.535 Ari p-1 2019 |
| Uncontrolled Keywords: | Reksa Dana Saham, GRNN, FOA, Simas Saham Unggulan, NAB/UP |
| Subjects: | Q Science > QA Mathematics > QA280 Box-Jenkins forecasting Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Arif Muhammad |
| Date Deposited: | 24 Jan 2024 08:04 |
| Last Modified: | 24 Jan 2024 08:04 |
| URI: | http://repository.its.ac.id/id/eprint/64206 |
Actions (login required)
 |
View Item |