Prediksi Arah Kenaikan Indeks Sektoral yang Berada Di Bursa Efek Indonesia (BEI) dengan Menggunakan Bayesian Network

Benedikto Krisnandy Wijaya, Deni Saepudin, Aniq Atiqi Rohmawati

Abstract

Abstrak Peramalan data khususnya pergerakan indeks merupakan suatu metode yang digunakan untuk membantu pengambilan keputusan dalam berinvestasi di pasar keuangan. Investasi saham sendiri dilakukan untuk meningkatkan aset pada masa depan. Dalam investasi juga harus mempertimbangkan hasil yang didapatkan atau biasa disebut return. Untuk bisa mengetahui pergerakan dan hubungannya di masa depan, dibutuhkan sebuah model untuk membantu meramalkan pergerakan harga saham. Dalam tugas akhir ini akan membahas tentang, bagaimana memprediksi arah kenaikan indeks sektoral yang berada di Bursa Efek Indonesia (BEI) dengan menggunakan Bayesian Network dan Algoritma Naïve Bayes. Indeks sektoral yang digunakan adalah data historis mingguan dari tahun 2000 sampai 2018 yang setiap sektornya berjumlah sebanyak 984 minggu yaitu 02 Januari 2000 sampai 27 Desember 2015 yang berjumlah 828 minggu sebagai data training dan data testing antara 03 Januari 2016 sampai 30 Desember 2018 yang berjumlah sebanyak 156 minggu. Metode yang digunakan untuk mengetahui pergerakan setiap indeks adalah menggunakan Algoritma Naïve Bayes Diskrit dan Kontinu. Setiap indeks diasumsikan saling bebas dan hanya berkaitan degan nilai kurs dollar Amerika Serikat. Dari hubungan tersebut digunakanlah Bayesian Network untuk menggambarkan topologinya. Setelah itu, menentukan metode yang terbaik untuk perhitungan prediksi dengan melihat tingkat akurasi dari setiap metode dengan confusion matrix. Indeks yang terkait diantaranya adalah JKAGRI, JKCONS, JKFINA, JKINFA, JKMING, JKPROP, dan JKTRAD terhadap Kurs Dollar Amerika Serikat (USD/IDR). Nilai rata-rata akurasi pada Naïve Bayes Diskrit adalah sebesar 60.71% untuk data training dan 55.43% untuk data testing. Sedangkan nilai rata-rata akurasi pada Naïve Bayes Kontinu adalah sebesar 51.28% untuk data testing. Sektor nilai tukar USD/IDR lebih mempengaruhi JKINFA pada Data Training, sedangkan pada Data Testing lebih mempengaruhi JKAGRI dan JKCONS. Kata kunci : Indeks Sektoral, Bayesian Network, Naïve Bayes Diskrit, Naïve Bayes Kontinu, Data Historis Abstract Data forecasting, especially index movements, is a method used to assist decision making in investing in financial markets. Own stock investment is carried out to increase assets in the future. In investment must also consider the results obtained or commonly called return. To be able to know the movements and relationships in the future, we need a model to help predict stock price movements. In this final project will discuss about, how to predict the direction of the rise in sectoral indices on the Indonesia Stock Exchange (IDX) using the Bayesian Network and Naïve Bayes Algorithm. The sectoral index used is weekly historical data from 2000 to 2018, with each sector totaling 984 weeks, namely 2 January 2000 to 27 December 2015 totaling 828 weeks as training data and testing data between 3 January 2016 and 30 December 2018, totaling 156 Sunday. The method used to determine the movement of each index is using the Discrete and Continuous Naïve Bayes Algorithm. Each index is assumed to be independent and only relates to the value of the US dollar exchange rate. From this connection Bayesian Network is used to describe the topology. After that, determine the best method for calculating predictions by looking at the accuracy of each method with the confusion matrix. Related indexes include JKAGRI, JKCONS, JKFINA, JKINFA, JKMING, JKPROP, and JKTRAD against the US Dollar Exchange Rate (USD / IDR). The average accuracy in the Discrete Naïve Bayes is 60.71% for training data and 55.43% for testing data. While the average value of accuracy in Continuous Naïve Bayes is 51.28% for testing data. The USD / IDR exchange rate sector has more influence on JKINFA in Data Training, while in Data Testing it has more influence on JKAGRI and JKCONS. Keywords: Sectoral Indices, Bayesian Networks, Naïve Bayes Discrete, Naive Bayes Continuous, Historical Data

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0