Pemodelan Prediksi Tren Saham Pada Data Transaksi Menggunakan Metode Optimalisasi Random Forest

Mayraldo, Nizar (2023) Pemodelan Prediksi Tren Saham Pada Data Transaksi Menggunakan Metode Optimalisasi Random Forest. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000004-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Saham adalah instrumen investasi keuangan yang diminati oleh investor untuk mendapatkan keuntungan. Pergerakan saham yang fluktuatif biasa dimanfaatkan oleh investor untuk meraup keuntungan tergantung dari tren. Hal ini menarik para peneliti di bidang kecerdasan buatan dan investor karena dengan berkembangnya teknologi dapat membantu investor mengambil keputusan. Salah satu kecerdasan buatan yang dimanfaatkan untuk penelitian ini adalah machine learning menggunakan metode random forest untuk memprediksi tren saham. Random Forest dipilih karena algoritma ini cocok digunakan pada data yang memiliki fitur yang banyak. Hanya saja pendekatan machine learning seperti ini kurang bagus karena membutuhkan penyesuaian tergantung target prediksi serta memiliki akurasi yang rendah. Oleh karena itu, pada penelitian ini melakukan optimalisasi pada random forest dengan menggunakan random search untuk mendapatkan parameter paling bagus pada model klasifikasi. Fitur yang digunakan pada penelitian ini adalah indikator teknikal dari data saham. Fitur tersebut akan dilakukan praproses yaitu exponential smoothing untuk mengurangi noise pada data. Pada Tugas Akhir ini, dilakukan prediksi tren harga saham pada data transaksi dengan uji coba menggunakan pendekatan random forest classifier. Dataset yang digunakan adalah historis transaksi saham yang didapatkan dari tradingview menggunakan 10 emiten saham dari indeks saham yang dianggap dapat mewakili beberapa bidang sektor industri perusahaan dengan periode data transaksi pada November 2016 sampai dengan November 2021 berjumlah 1200 hari data transaksi per emiten. Hasil akhir pada penelitian ini adalah prediksi tren saham harian. Tahapan yang dilakukan pada tugas akhir ini adalah pengumpulan data, praproses data, ekstraksi fitur, training model dan testing model. Model yang telah dibangun akan dievaluasi menggunakan beberapa metode antara lain F1-score, akurasi, presisi, dan recall. Model yang dibangun dibandingkan dengan model random forest dimana parameter yang digunakan adalah default dan data tidak dilakukan smoothing. Dari hasil uji perbandingan, model yang dilakukan optimalisasi memiliki nilai rata-rata evaluasi lebih tinggi sebesar 14.89% dibandingkan dengan model random forest default.
==================================================================================================================================
Stocks are financial investment instruments that are sought after by investors to gain profits. The fluctuating movements of stocks are commonly exploited by investors to profit from the current trends. This has attracted researchers in the field of artificial intelligence and investors because advancing technology can assist investors in making decisions. One of the artificial intelligence techniques utilized for this research is machine learning using the random forest method to predict stock trends. Random forest is chosen because this ensemble algorithm is well-suited for data with many features. However, this machine learning approach has limitations as it requires adjustments depending on the prediction target and often exhibits low accuracy. Therefore, this research aims to optimize the random forest model by using random search to obtain the best parameters for the classification model. The features used in this research are technical indicators derived from stock data. These features undergo preprocessing, specifically exponential smoothing, to reduce noise in the data. In this Final Project, the prediction of stock price trends is conducted using the random forest classifier approach on transaction data. The dataset used consists of historical stock transaction data obtained from tradingview, involving 10 stock issuers from stock indices representing various sectors of industries. The transaction data spans from November 2016 to November 2021, totaling 1200 days of transaction data per stock issuer. The final outcome of this research is the daily stock trend prediction. The steps involved in this Final Project include data collection, data preprocessing, feature extraction, model training, and model testing. The built model will be evaluated using various methods such as F1-score, accuracy, precision, and recall. The constructed model is compared with the default random forest model where default parameters are used, and without using smoothing to the data. From the comparative evaluation, the optimized model shows an average evaluation improvement of 14.89% compared to the default random forest model.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Saham, Stock, Machine Learning, Random Forest, Random Search, Exponential Smoothing
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Nizar Mayraldo
Date Deposited:	19 Jul 2023 05:29
Last Modified:	19 Jul 2023 05:29
URI:	http://repository.its.ac.id/id/eprint/98506

Actions (login required)

View Item