Perbandingan Algoritma Extreme Gradient Boosting Dan Random Forest Untuk Memprediksi Harga Terendah Saham Dengan Index ISSI
Abstract
Investasi saham merupakan sebuah kegiatan yang cukup aman dan menjanjikan jikalau tau cara menganalisisnya. Cara paling awal untuk menganalisis saham adalah melihat saham berdasarkan indeksnya. Saham dengan indeks ISSI (Indeks Saham Syariah Indonesia) adalah saham yang bisa dijadikan pilihan untuk berinvestasi karena saham ini memiliki tingkat stabilitas yang baik dibandingkan dengan indeks saham lainnya. Maka dari itu, penelitian ini ingin membuat sebuah model machine learning yang bisa memprediksi harga terendah saham ISSI sebagai nilai ambang bawah serta membandingkan dua algoritma andal yaitu algoritma random forest dan extreme gradient boosting menggunakan data saham yang diambil dari situs google finance. Tahapannya meliputi identifikasi masalah, studi literatur, menyiapkan data, load dataset, explotary data analysis, preprocessing, pembagian data, pelatihan data dan evaluasi model. Untuk mengetahui algoritma mana yang lebih baik, kedua algoritma tersebut dibandingkan menggunakan tiga metrik penilaian seperti Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), dan R2. Hasilnya, didapatkan bahwa random forest memberikan performa yang lebih baik dengan nilai rata-rata MSE uji sebesar sebesar 0.6458, rata-rata MAPE uji sebesar 0.0033, dan nilai rata-rata R2 sebesar 0.9985.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
F. Anggun Pratitis and T. Andre Setiyono, “Komparasi Indeks Saham Syariah Indonesia (ISSI) Sebelum dan Saat Pandemi Covid-19 Volume 1 Number 1 2021,” 2021. [Online]. Available: http://e- journal.iainpekalongan.ac.id/index.php/jief/issue/current
T. A. J. Barata, P. Santos, and A. Aulia, “Buletin Investasi, Keuangan, dan Ekonomi,” 2022.
Q. Qi, “Analysis and Forecast on the Price Change of Shanghai Stock Index,” Journal of Economics, Business and Management, vol. 10, no. 1, pp. 72–78, 2022, doi: 10.18178/joebm.2022.10.1.676.
J. Wira and G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning Edisi 1.4 (17 Agustus 2020),” 2020.
V. U. K, V. U. Gowda, M. K. Y, and K. Chandrashekar Assistant Professor, “Stock Price Trend Forecasting Using Machine Learning,” 2021. [Online]. Available: www.ijisrt.com
A. B. Gumelar et al., “Boosting the accuracy of stock market prediction using XGBoost and long short- term memory,” in Proceedings - 2020 International Seminar on Application for Technology of Information and Communication: IT Challenges for Sustainability, Scalability, and Security in the Age of Digital Disruption, iSemantic 2020, Institute of Electrical and Electronics Engineers Inc., Sep. 2020, pp. 609–613. doi: 10.1109/iSemantic50169.2020.9234256.
E. Fitri and D. Riana, “Analisa Perbandingan Model Prediction Dalam Prediksi Harga Saham Menggunakan Metode Linear Regression, Random Forest Regression Dan Multilayer Perceptron,” METHOMIKA Jurnal Manajemen Informatika dan Komputerisasi Akuntansi, vol. 6, no. 1, pp. 69–78, Apr. 2022, doi: 10.46880/jmika.Vol6No1.pp69- 78.
L. Chen, “Stock Price Prediction using Adaptive Time Series Forecasting and Machine Learning
Algorithms,” 2020.
J. Yang, S. Rahardja, and P. Fränti, “Mean-shift outlier detection and filtering,” Pattern Recognit, vol. 115, Jul. 2021, doi: 10.1016/j.patcog.2021.107874.
A. S. Utomo, “Kinerja Saham Syariah Pada Masa Pandemi Covid 19,” 2022, doi:
37729/sjmb.v18i1.7662.
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.