Hanum, Hilda (2019) Penerapan Metode Hybrid Radial Basis Function Neural Network - Particle Swarm Optimization (RBFNN-PSO) untuk Peramalan Harga Saham. Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211540000011_Undergraduate_Theses.pdf Download (2MB) | Preview |
Abstract
Saham adalah bukti kepemilikan yang didapatkan oleh investor atas investasi yang dilakukan pada suatu perusahaan. Terdapat dua keuntungan yang dapat diperoleh investor ketika berinvestasi saham, yaitu dividen dan capital gain. Selain keuntungan, berinvestasi saham juga memiliki berbagai risiko, seperti capital loss, tidak mendapatkan dividen, risiko suspend, delisting saham serta likuidasi. Berbagai risiko tersebut dapat disebabkan karena perdagangan saham yang bersifat fluktuatif. Sifat fluktuatif mengakibatkan para investor kesulitan dalam berinvestasi karena tidak dapat memprediksikan harga saham dimasa mendatang. Oleh karena itu diperlukan suatu prediksi harga saham berdasarkan historis masa lalu yang dapat membantu investor dalam mengetahui pergerakan harga saham sehingga dapat menjadi acuan pengambilan keputusan investasi agar dapat memanfaatkan keuntungan dari kenaikan harga saham serta mengurangi risiko kerugian. Penelitian ini dilakukan untuk meramalkan harga saham dengan menggunakan metode RBFNN-PSO. Berdasarkan penelitian sebelumnya, penerapan metode RBFNN-PSO dianggap menguntungkan, menghasilkan data yang efektif dan layak untuk meramalkan data dalam jangka waktu pendek. Penelitian ini menggunakan beberapa data (1) Harga saham Unilever Tbk tahun 2014-2018 sebagai data pelatihan dan pengujian dengan pola data tren naik(2) Harga saham Kalbe Farma Tbk tahun 2014-2018 sebagai data validasi dengan pola data tren turun. Dengan adanya penelitian ini diharapkan dapat memudahkan pelaku bisnis dalam mengambil keputusan investasi saham dengan melakukan prediksi yang akurat terhadap pergerakan harga saham dimasa mendatang. Metode RBFNN dengan bantuan PSO untuk pencarian nilai spread optimal dapat diterapkan untuk melakukan peramalan harga saham harian. Hasil analisis menunjukkan bahwa model RBFNN 2-6-1 (2 neuron input, 6 neuron hidden, 1 neuron output) dengan nilai spread 25058.8224 merupakan model RBFNN-PSO terbaik untuk melakukan peramalan harga saham dengan nilai MAPE sebesar 1.07719%. Hasil peramalan masa mendatang dengan periode jangka pendek, menengah dan panjang memiliki kenaikan harga yang stabil dengan nilai MAPE <10% yang menunjukkan bahwa model dapat diterapkan pada ketiga periode tersebut. Namun metode ini tidak cocok untuk diterapkan pada data harga Kalbe Farma Tbk karena memiliki tingkat akurasi yang buruk, yaitu dengan nilai MAPE >50%.
=================================================================================================================================
Shares are property acquired by investors for investments made in a company. There are two advantages that investors can get from stock investing, those are dividend and capital gain. Furthermore, stock investing can also give risks such as capital loss, no dividend, suspended, stock delisting and liquidation. These various risks can be happened because of the fluctuations of stock market. Fluctuations make investors have difficulties in investing because they can not predict stock prices in the future. Therefore we need a stock price forecasting based on the historical data that can help investors in knowing stock price movements that can be used as a reference for taking investments so that they can get maximum benefit from stock prices and reduce the risk of loss. This research was conducted to forecast stock prices using the RBFNN-PSO method. Based on previous research, the application of the RBFNN-PSO method is considered profitable, resulting in effective and feasible data for forecasting data in the short term. This study uses several data (1) Unilever Indonesia Tbk stock prices for 2014-2018 as training and testing data with increasing data trend pattern. (2) Kalbe Farma Tbk stock prices for 2014-2018 as validation data with decreasing data trend pattern. This research is expected to be able to facilitate investors in making stock investment decisions by giving accurate predictions of future stock price. The RBFNN method with the help of PSO to search for optimal spread values can be applied to forecast daily stock prices. The results of the analysis show that the RBFNN model 2-6-1 (2 input neurons, 6 hidden neurons, 1 output neurons) with spread value 25058.8224is the best RBFNN-PSO model for forecasting stock prices with MAPE 1.07719%. Future forecasting results with short, medium and long term periods will increase steadily with MAPE values <10% indicating the model can be applied in that period. Nevertheless, this method is not suitable to be applied to forecast Kalbe Farma Tbk stock price because it has a poor level of accuracy with value of MAPE >50%.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSI 006.3 Han p-1 2019 |
| Uncontrolled Keywords: | Forecasting, Radial Basis Function Neural Network, Particle Swarm Optimization, Stock Prices |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T174 Technological forecasting |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Hilda Hanum |
| Date Deposited: | 03 Apr 2024 02:53 |
| Last Modified: | 03 Apr 2024 03:03 |
| URI: | http://repository.its.ac.id/id/eprint/64335 |
Actions (login required)
 |
View Item |