PREDIKSI ARAH HARGA SAHAM PT TELEKOMUNIKASI INDONESIA TBK DENGAN METODE SUPPORT VECTOR MACHINE (SVM)

Retno Damayanti, Universitas Negeri Yogyakarta, Indonesia
Dhoriva Urwatul Wutsqa, Universitas Negeri Yogyakarta, Indonesia

 10.21831/jssd.v2i2.18085

Abstract


Saham PT. Telekomunikasi Indonesia Tbk merupakan salah satu saham yang menjadi incaran banyak manajer investasi. Penelitian ini bertujuan untuk memprediksi arah harga saham PT. Telekomunikasi Indonesia Tbk dengan menggunakan metode Support Vector Machine (SVM). Variabel input yang digunakan dalam penelitian ini ada sebanyak sepuluh indikator teknikal yaitu simple 10-day moving average, weighted 10-day moving average, momentum, stochastic %K, stochastic %D, relative strength index, moving average convergence divergence, williams %R, accumulative/distribution oscillator, on balance volume. Metode SVM merupakan salah satu metode machine learning yang dapat digunakan untuk menyelesaikan masalah prediksi. Dalam penelitian ini menggunakan empat fungsi kernel yaitu linear, polinomial, RBF, dan sigmoid kernel. Hasil penelitian ini menunjukkan model terbaik adalah SVM dengan fungsi RBF kernel yang menghasilkan  nilai akurasi untuk data training sebesar 93,26% dan nilai akurasi untuk data testing sebesar 60,22%. Model SVM dengan fungsi RBF kernel dapat digunakan untuk memprediksi arah harga saham PT. Telekomunikasi Indonesia Tbk dengan nilai akurasi yang cukup baik untuk data testing, dan nilai akurasi yang sangat baik untuk data training.

Keywords


prediksi; harga saham; SVM

References


Awad, M., & Khanna, R. (2015). Efficient learning machines: theories, concepts, and applications for engineers and system designers. Springer nature.

Campbell, C., & Ying, Y. (2011). Learning with support vector machines. Synthesis lectures on artificial intelligence and machine learning, 5(1). Morgan & Claypool. doi:10.2200/S00324ED1V01Y201102AIM010

Castoe, M. (2020). Predicting Stock Market Price Direction with Uncertainty Using Quantile Regression Forest. Diambil kembali dari https://www.diva-portal.org/smash/get/diva2:1503760/FULLTEXT02

Cortes, C., & Vapnik, V. (1995). Support vector networks. Machine Learning, 20(3), 273-297. doi:10.1007/BF00994018

Fernando, A. (2021, April 30). Market. Diambil kembali dari https://www.cnbcindonesia.com/market/20210430093017-17-242073/laba-bersih-naik-11-investor-borong-saham-telkom

Grudnitski, G., & Osburn, L. (1993). Forecasting S&P and gold futures prices: an application of neural networks. Journal of Futures Markets, 13(6), 631-643. Diambil kembali dari https://www.researchgate.net/profile/Gary-Grudnitski/publication/229709827_Forecasting_SP_and_gold_futures_prices_An_application_of_neural_networks/links/5a2b18770f7e9b63e538cd33/Forecasting-S-P-and-gold-futures-prices-An-application-of-neural-network.pdf

Hariyanto. (2022, Januari 21). Diambil kembali dari https://ajaib.co.id/haruskah-kita-memiliki-saham-tlkm/

Huang, W., Nakamori, Y., & Wang, S. Y. (2005). Forecasting stock market movement direction with Support Vector Machine. Computers & Operations Research, 32(10), 2513–2522. Diambil kembali dari https://svms.org/finance/HuangNakamoriWang2005.pdf

IDX. (2021, April 16). Saham. Jakarta: idx.co.id. Diambil kembali dari https://www.idx.co.id/id-id/produk/saham/

Kim, K. J. (2003). Financial time series forecasting using Support Vector Machines. Neurocomputing, 55(1-2), 307-319. Diambil kembali dari https://d1wqtxts1xzle7.cloudfront.net/41027176/reference-1-23-libre.pdf

Kulkarni, A., Chong, D., & Batarseh, F. A. (2020). Foundations of data imbalance and solutions for a data democracy. Data Democracy: At the Nexus of Artificial Intelligence, Software Development, and Knowledge Engineering, 83-106. Diambil kembali dari https://www.sciencedirect.com/science/article/pii/B9780128183663000058

Lubis, A. A., Wong, N. P., & Sinaga, F. M. (2020). Prediksi Akurasi Perusahaan Saham Menggunakan SVM dan K-Fold Cross Validation. Jurnal SIFO Mikroskil, 21(1), 11-18. Diambil kembali dari https://mikroskil.ac.id/ejurnal/index.php/jsm/article/view/718

Manish, K., & Thenmozhi, M. (2005). Forecasting stock index movement: A comparison of support vector machines and random forest. In Proceedings of ninth Indian institute of capital markets conference, (hal. 1-16). Mumbai, India. Diambil kembali dari https://dx.doi.org/10.2139/ssrn.876544

Tay, F., & Cao, L. (2001). Application of Support Vector Machines in financial time series forecasting. Omega, 29, 29(4), 309-317. Diambil kembali dari https://www.svms.org/regression/TaCa01.pdf

Vijayakumar, S., & Wu, S. (1999). Sequential Support Vector Classifier and Regression. Proceeding International Conference on Soft Computing (SOCO'99), 1-10. Diambil kembali dari https://www.researchgate.net/profile/Si-Wu-9/publication/2318644_Sequential_Support_Vector_Classifiers_and_Regression/links/544a0e810cf2ea6541342d95/Sequential-Support-Vector-Classifiers-and-Regression.pdf

Wang, Y. (2013). Stock price direction prediction by directly using prices data: an empirical study on the KOSPI and HSI. arXiv preprint arXiv:1309.7119., 1-16. Diambil kembali dari https://arxiv.org/ftp/arxiv/papers/1309/1309.7119.pdf

Yasin, H., Prahutama, A., & Utami, T. W. (2014). Prediksi Harga Saham Menggunakan Support Vector Regression Dengan Algoritma Grid Search. Media Statistika, 7(1), 29-35. Diambil kembali dari https://ejournal.undip.ac.id/index.php/media_statistika/article/view/8291




DOI: https://doi.org/10.21831/jssd.v2i2.18085

Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Jurnal Statistika dan Sains Data

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Our journal is indexed by:

Online ISSN (e-ISSN): 3025-9649

Creative Commons LicenseJurnal Statistika dan Sains Data by http://journal.student.uny.ac.id/ojs/index.php/jssd is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 JSSD Statistics