Optimasi Prediksi Saham dengan Neural Network pada PT Xyz

Nusandika Patria

doi:10.51454/decode.v4i3.782

Authors

Nusandika Patria Teknologi Informasi Universitas Indonesia

DOI:

https://doi.org/10.51454/decode.v4i3.782

Keywords:

Inflasi, Neural Network, Nilai Tukar, Prediksi Saham, Suku Bunga, Optimasi Hyperparameter

Abstract

Penelitian ini bertujuan untuk mengoptimalkan prediksi harga saham di PT XYZ menggunakan Neural Network. Latar belakang penelitian ini berfokus pada kebutuhan perusahaan untuk model prediksi saham yang akurat, terutama mengingat fluktuasi yang disebabkan oleh faktor-faktor makroekonomi, seperti suku bunga, inflasi, dan nilai tukar. Metode tradisional dalam analisis saham sering kali tidak dapat menangkap kompleksitas pola dalam data saham, sehingga pendekatan berbasis kecerdasan buatan, seperti Neural Network, dipilih karena kemampuannya dalam memproses data yang kompleks dan non-linear. Metodologi yang digunakan mencakup pengumpulan data historis harga saham, volume perdagangan, suku bunga, inflasi, dan nilai tukar dari periode 2015 hingga 2017. Data tersebut kemudian diproses dengan teknik normalisasi dan interpolasi untuk mengatasi nilai yang hilang. Model Neural Network yang diterapkan memiliki dua lapisan tersembunyi, dilatih menggunakan algoritma backpropagation dan dioptimalkan melalui grid search untuk menentukan hyperparameter terbaik. Hasil penelitian menunjukkan bahwa Neural Network yang dioptimalkan dapat memprediksi harga saham dengan akurasi yang lebih baik dibandingkan metode tradisional, dengan nilai Mean Squared Error (MSE) yang rendah dan Mean Percentage Error (MPE) yang baik. Penelitian ini memberikan kontribusi dalam pengambilan keputusan investasi yang lebih tepat di tengah fluktuasi pasar saham.

References

Akil, I., & Chaidir, I. (2022). Prediksi Harga Saham Twitter Dengan Long Short-Term Memory Recurrent Neural Network. INTI Nusa Mandiri, 17(1), 1-7. https://doi.org/10.33480/inti.v17i1.3277

Arsi, P., & Prayogi, J. (2020). Optimasi Prediksi NilaiTukar Rupiah Terhadap Dolar Menggunakan Neural Network Berbasiskan Algoritma Genetika. Jurnal Informatika, 7(1), 8-14.

Fieberg, C., Metko, D., Poddig, T., & Loy, T. (2023). Machine learning techniques for cross-sectional equity returns’ prediction. OR Spectrum, 45(1), 289-323.

Eldomiaty, T., Saeed, Y., Hammam, R., & AboulSoud, S. (2020). The associations between stock prices, inflation rates, interest rates are still persistent: Empirical evidence from stock duration model. Journal of Economics, Finance and Administrative Science, 25(49), 149-161.

Endri, E., Abidin, Z., Simanjuntak, T. P., & Nurhayati, I. (2020). Indonesian stock market volatility: GARCH model. Montenegrin Journal of Economics, 16(2), 7-17. 10.14254/1800-5845/2020.16-2.1

Gupta, U., Bhattacharjee, V., & Bishnu, P. S. (2022). StockNet—GRU based stock index prediction. Expert Systems with Applications, 207, 117986.

Hodson, T. O., Over, T. M., & Foks, S. S. (2021). Mean squared error, deconstructed. Journal of Advances in Modeling Earth Systems, 13(12), e2021MS002681.

Huynh, T. T., Nguyen, M. H., Nguyen, T. T., Nguyen, P. L., Weidlich, M., Nguyen, Q. V. H., & Aberer, K. (2023, February). Efficient integration of multi-order dynamics and internal dynamics in stock movement prediction. In Proceedings of the Sixteenth ACM International Conference on Web Search and Data Mining (pp. 850-858).

Idrees, S.M., Alam, M., & Agarwal, P. (2019). A Prediction Approach for Stock Market Volatility Based on Time Series Data. IEEE Access, 7, 17287-17298.

Latif, S., Javaid, N., Aslam, F., Aldegheishem, A., Alrajeh, N., & Bouk, S. H. (2024). Enhanced prediction of stock markets using a novel deep learning model PLSTM-TAL in urbanized smart cities. Heliyon, 10(6), 1-23.

Liao, S., Xie, L., Du, Y., Chen, S., Wan, H., & Xu, H. (2024). Stock trend prediction based on dynamic hypergraph spatio-temporal network. Applied Soft Computing, doi: 10.1016/j.asoc.2024.111329

Liu, T., Ma, X., Li, S., Li, X., & Zhang, C. (2022). A stock price prediction method based on meta-learning and variational mode decomposition. Knowledge-Based Systems, 252, 109324.

Nurdiansyah, F. (2024). Prediksi Harga Emas Menggunakan Metode Naive Bayes (Doctoral dissertation, Universitas Siliwangi). http://repositori.unsil.ac.id/13737/

Negara, I. N. W., Langi, Y. A., & Manurung, T. (2020). Analisis Portofolio Saham Model Mean â€“Variance Markowitz Menggunakan Metode Lagrange. D'cartesian, 173-180.

Pipin, S. J., Purba, R., & Kurniawan, H. (2023). Prediksi Saham Menggunakan Recurrent Neural Network (RNN-LSTM) dengan Optimasi Adaptive Moment Estimation. Journal of Computer System and Informatics (JoSYC), 4(4), 806-815. https://doi.org/10.47065/josyc.v4i4.4014

Rizkilloh, M. F., & Widiyanesti, S. (2022). Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM). Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(1), 25-31. https://doi.org/10.29207/resti.v6i1.3630

Sia, P. C., Leong, C. M., & Puah, C. H. (2023). Asymmetric effects of inflation rate changes on the stock market index: The case of Indonesia. Journal of International Studies, 16(1).

Song, Y. (2024). Enhancing stock market trend reversal prediction using feature-enriched neural networks. Heliyon, 10(2).

Thompson, A., Southon, N., Fern, F., Stupfler, G., & Leach, R. (2021). Efficient empirical determination of maximum permissible error in coordinate metrology. Measurement Science and Technology, 32(10), 105013.

Yunizar, A., Rismawan, T., & Midyanti, D. M. (2023). Penerapan Metode Recurrent Neural Network Model Gated Recurrent Unit Untuk Prediksi Harga Cryptocurrency. Coding Jurnal Komputer dan Aplikasi, 11(1), 32-41. http://dx.doi.org/10.26418/coding.v11i1.58073