IMPLEMENTASI MODEL ENSEMBLE LEARNING STACKING UNTUK PREDIKSI HARGA SAHAM

T. M.Ammar, T. M.Ammar (2024) IMPLEMENTASI MODEL ENSEMBLE LEARNING STACKING UNTUK PREDIKSI HARGA SAHAM. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK.pdf Download (130kB)
	Text COVER.pdf Download (143kB)
	Text DAFTAR ISI.pdf Download (151kB)
	Text DAFTAR PUSTAKA.pdf Download (140kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (231kB)
	Text PENGESAHAN PENGUJI.pdf Download (244kB)
	Text SKRIPSI FULL_T.M.AMMAR.pdf Restricted to Repository staff only Download (4MB)

Abstract

vii
ABSTRAK
Saham adalah suatu tanda pernyataan atak kepemilikan seseorang terhadap suatu
perusahaan. Lebih lengkapnya sebuah saham adalah sebuah kertas yang menerangkan
bahwa pemilik dari kertas tersebut adalah pemiliki dari perusahaan yang menerbitkan
kertas tersebut. Dalam menganalisis pegerakan harga saham dapat dilakukan dengan
menggunakan analisis teknikal. Dalam menggunakan analisis teknikal untuk memprediksi
harga saham. Tapi teknologi ini analisis yang subjektif dan bias, karena analisis para ahli
dapat berbeda satu sama lain tergantung pengalaman dan pilihan indikator teknikal yang
digunakan. Salah satu model algoritma yang dapat digunakan untuk memprediksi saham
adalah tanpa harus memahami indikator saham adalah Recurrent Neural Network - Gate
Recurrent Unit. Akan tetapi algoritma ini terdapat kekurangan dalam menentukan nilai
error, karena nilai eroor yang dihasilkan masih tergolong tinggi.
Kekurangan dalam algoritma Recurrent Neural Network - Gate Recurrent Unit
(RNN-GRU), dapat diatasi dengan menggunakan algoritma ensemble learning stacking.
Algoritma ensemble learning stacking terbagi atas 2 layer yaitu base learner dan meta
leaner. Algoritma ensemble learning stacking dapat menekan nilai error sehingga dapat
menghasilkan nilai error lebih kecil dan akurasi prediksi harga saham lebih akurat. Dalam
algoritma ensemble learning stacking, Recurrent Neural Network - Gate Recurrent Unit
(RNN-GRU) sebagai base learner. Hasil yang dilatih oleh RNN-GRU akan dilatih kembali
oleh meta leaner. Meta learner pada penelitian ini menggunakan gradient boosting.
Dalam penelitian ini dilakukan pengujian dalam beberapa skenario untuk
mendapatkan nilai error terendah. Pengujian dilakukan pada perusahaan PT. Adaro Energy
Tbk (ADRO) menggunakan model RNN-GRU mendapatkan hasil pada MAE 79,1363,
RMSE 98,8713, DA 93,02325, MAPE 2,4867. Hasil tersebut didapat dari parameter
menggunakan hidden layer 100. Sedangkan hasil prediksi dengan pengujian pada
perusahaan yang sama dari model yang sudah menerapkan ensemble learning stacking
dengan menggunakan model gradient boosting mendapatkan hasil MAE 12,3636, RMSE
15,6350, DA 97,6744, MAPE 0,37382. Hasil tersebut menggunakan parameter learning
rate 0.1.
Kata kunci : Saham, Recurrent Neural Network , Gate Recurrent Unit , Ensemble
Learning Stacking, Gradient Boosting

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Saham, Recurrent Neural Network , Gate Recurrent Unit , Ensemble Learning Stacking, Gradient Boosting
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	08 Mar 2024 06:17
Last Modified:	08 Mar 2024 06:17
URI:	http://eprints.upnyk.ac.id/id/eprint/39045

Actions (login required)

View Item