PERBANDINGAN FUZZY TIME SERIESPERBANDINGAN FUZZY TIME SERIES MARKOV CHAIN DAN CHENG UNTUK MERAMALKAN HARGA SAHAM MARKOV CHAIN DAN CHENG UNTUK MERAMALKAN HARGA SAHAM
Rosita Kusumawati, Universitas Negeri Yogyakarta, Indonesia
Abstract
Abstrak
Seorang investor saham harus bisa memprediksi pergerakan harga saham. Menurut Ilafi et al. (2020), seorang pemilik saham harus bisa membuat keputusan kapan waktu yang tepat untuk menjual atau mempertahankan saham. Hal itu merupakan suatu kewajiban bagi pemilik saham atau investor karena apabila investor salah dalam mengambil keputusan, maka investor akan mengalami kerugian. Dari permasalahan tersebut maka para investor memerlukan suatu metode prediksi guna memprediksi arah pergerakan saham yang akurat pada kurun waktu kedepan. Penelitian ini bertujuan untuk membandingkan metode metode Fuzzy Time Series Markov Chain dan Fuzzy Time Series Cheng untuk meramalkan harga saham dalam hal ini adalah saham PT. Bank Central Asia Tbk. Data yang digunakan pada penelitian ini adalah data mingguan harga pembukaan saham PT. Bank Central Asia Tbk yang bersumber dari https://finance.yahoo.com/dalam periode waktu 3 Januari 2023-29 Mei 2023. Hasil dari penelitian ini menunjukkan bahwa metode fuzzy time series Markov Chain meramalkan harga saham dengan lebih baik dibandingkan metode fuzzy time series Cheng yang disimpulkan dari nilai MAPE (Mean Absolute Percentage Error) dan MSE (Mean Square Error) berturut-turut yaitu dan . Sedangkan, metode fuzzy time series Cheng mendapatkan tingkat error dengan nilai MAPE dan MSE secara berturut-turut yaitu dan .
Kata kunci: saham, PT. Bank Central Asia Tbk, fuzzy time series, Markov Chain, Cheng.
Full Text:
PDFReferences
Alfarisi, S. (2017). Sistem Prediksi penjualan gamis toko qitaz menggunakan metode single exponential smoothing. JABE (Journal of Applied Business and Economic), 4(1), 80-95.
Cheng, C. H., Chen, T. L., Teoh, H. J., & Chiang, C. H. (2008). Fuzzy time-series based on adaptive expectation model for TAIEX forecasting. Expert systems with applications, 34(2), 1126-1132.
Hadinagara, D., & Noeryanti, N. (2019). Peramalan Harga Saham pada Indeks LQ45 Menggunakan Fuzzy Time Series Markov Chain Dan Modifikasi Double Exponential Smoothing. Jurnal Statistika Industri Dan Komputasi, 4(2), 11-21.
Ilafi, A. K., Jowanti, L., & Fadhilah, A. N. (2020). Pemanfaatan Big Data Dalam Memprediksi Harga Saham Di Era New Normal. In Seminar Nasional Official Statistics (Vol. 2020, No. 1, pp. 281-291).
Jogiyanto, H. (2014). Teori Portofolio dan Analisis Investasi, Edisi Kesembilan. Bpef. Yogyakarta.
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. 1st International Conference on Learning Representations, ICLR 2013 - Workshop Track Proceedings, 1–12.
Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support vector machine. Proceeding Indones. Sci. Meeiting Cent. Japan.
Nurdin, A., Aji, B. A. S., Bustamin, A., & Abidin, Z. (2020). Perbandingan Kinerja Word Embedding Word2Vec, Glove, Dan Fasttext Pada Klasifikasi Teks. Jurnal Tekno Kompak, 14(2), 74–79.
Octaviani, P. A., Yuciana Wilandari, & Ispriyanti, D. (2014). Penerapan Metode Klasifikasi Support Vector Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang. Jurnal Gaussian, 3(8), 811–820. Diambil dari http://download.portalgaruda.org/article.php?article=286497&val=4706&title=PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
Padang, E., Tarigan, G., & Sinulingga, U. (2013). Peramalan Jumlah Penumpang Kereta Api Medan-Rantau Prapat dengan Metode Pemulusan Eksponensial Holt-Winters. Saintia Matematika, 1(2), 161-174.
Permata, C. P., & Ghoni, M. A. (2019). Peranan Pasar Modal Dalam Perekonomian Negara Indonesia. Jurnal AkunStie (JAS), 5(2), 50-61.
Pratama, A. E., Ariesta, A., & Gata, G. (2022). Analisis Sentimen Masyarakat terhadap Tim Nasional Indonesia pada Piala AFF 2020 Menggunakan Algoritma K-Nearest Neighbors Aditya. Jurnal TICOM: Technology of Information and Communication, 10(3), 187–196.
Ravi, K., & Ravi, V. (2015). A survey on opinion mining and sentiment analysis: Tasks, approaches and applications. Knowledge-Based Systems (Vol. 89). Elsevier B.V. https://doi.org/10.1016/j.knosys.2015.06.015
Salsabila, N. A., Winatmoko, Y. A., Septiandri, A. A., & Jamal, A. (2018). Colloquial Indonesian Lexicon. In 2018 International Conference on Asian Language Processing (IALP) (hal. 226–229). https://doi.org/10.1109/IALP.2018.8629151
Setiawan, W., Juniati, E., & Farida, I. (2016, October). The use of Triple Exponential Smoothing Method (Winter) in forecasting passenger of PT Kereta Api Indonesia with optimization alpha, beta, and gamma parameters. In 2016 2nd International Conference on Science in Information Technology (ICSITech) (pp. 198-202). IEEE.
Social, W. A. (2022). Hootsuite (We are Social): Indonesian Digital Report.
Suyanto, M. L. (2018). Tingkat Dasar dan Lanjut. Informatika Bandung.
Tauryawati, M. L., & Irawan, M. I. (2014). Perbandingan metode fuzzy time Series cheng dan metode box-jenkins untuk memprediksi IHSG. Jurnal Sains dan Seni ITS, 3(2), A34-A39.
Tsaur, R. C. (2012). A fuzzy time series-Markov chain model with an application to forecast the exchange rate between the Taiwan and US dollar. International journal of innovative computing, information and control, 8(7), 4931-4942. Machine Learning Chemnitz, Germany, April 21–23, 1998 Proceedings (hal. 137–142). Springer.
Refbacks
- There are currently no refbacks.
Online ISSN (e-ISSN): 3031-1152
Jurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License. |