Perancangan Dan Implementasi Prediksi Harga Saham Pada Aplikasi Berbasis Android Menggunakan Metode Support Vector Regression
DOI:
https://doi.org/10.34818/eoe.v7i2.12939Abstract
Machine learning adalah salah satu sistem yang dapat digunakan untuk memprediksi harga penutupan saham sehingga dapat membantu manusia untuk memberikan pertimbangan dalam pengambilan keputusan yang tepat sehingga dapat meminimalkan resiko yang akan didapatkan dengan harapan akan mendapatkan keuntungan yang maksimal. Metode yang digunakan untuk memprediksi saham adalah Support Vector Regression (SVR) dengan membuat dua model sistem yang memiliki masukan yang berbeda, yaitu model dengan masukan indikator saham sendiri dan model dengan masukan indikator analisis teknikal. Salah satu kelebihan yang dimiliki oleh metode ini adalah dapat menghindari kasus overfitting pada model yang dihasilkan. Sehingga metode ini dapat menghasilkan tingkat eror yang rendah atau menghasilkan nilai Mean Absolute Percentage Error (MAPE) yang cukup kecil. Untuk mempermudah pengguna dalam menggunakan sistem prediksi ini, sistem ini diimplementasikan kedalam aplikasi yang berbasis android dengan arsitektur Model, View, Presenter (MVP). Data yang digunakan pada tugas akhir ini adalah data historis lima saham perusahaan teraktif yang didapatkan dari yahoo.finance.com dari mulai Januari 2015 sampai Desember 2019. Hasil dari penelitian ini menunjukan bahwa metode SVR dapat digunakan untuk memprediksi saham dengan error yang kurang dari 18% baik pada sistem yang menggunakan indikator saham itu sendiri maupun indikator analisis teknikal. Berdasarkan usability test, antar muka dari aplikasi android sistem prediksi bisa dikatakan cukup baik, berdasarkan respon terhadap pertanyaan yang diajukan yang memiliki persentase lebih dari 86,7%.
Kata Kunci : Saham, Prediksi Saham, Machine Learning, Support Vector Regression, Android, MAPE
Downloads
References
[1] T. Darmaji and H. M. Fakhrudin, Pasar Modal di Indonesia. Indonesia: Salemba Empat, 2001, p.8
[2] B. Scholkopf and A. J. Smola, Learning With Kernel. MIT Press, 2002.
[3] B. Santosa, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Yogyakarta: Indonesia. 2007.
[4] B. Scholkopf and A. J. Smola, “A Tutorial on Support Vector Regression”. NeuroCOLT Tech. Rep. NC-TR-98-030, Royal Holloway College, University of London, 1998
[5] M. Pring, Introduction to Technical Analysis, Singapore: McGraw Hill, 2001.
[6] J. Patel, S. Shah, P. Thakkar, and K. Kotecha, “Predicting Stock Market Index Using Fusion Of Machine Learning Techniques”, Expert Systems with Applications 42, 2015.
[7] Y. Kara, M. A. Boyacioglu, O. K. Baykan, “Predicting Direction Of Stock Price Index Movement Using Artificial Neural Networks And Support Vector Machines : The Sample Of The Istanbul Stock Exchange,” Expert systems with Applications, 38, 2011.
[8] S. Hansun, M. B. Kristanda, M. W. Saputra, Pemrograman Android dengan Android Studio IDE. Yogyakarta: Penerbit Andi, 2018.
[9] K. Sokolova and M. Lemercier. “Towards High Quality Mobile Applications: Android Passive MVC Architecture,” International Journal on Advances in Software, vol. 7, no. 1&2, 2014.
[10] C. Delessio, L. Darcey, and S. Conder, Android Application Development in 24 Hours, Fourth Edition, Amerika Serikat: Sams Publisher, 2015.



