OPTIMASI MODEL SUPPORT VECTOR REGRESSION (SVR) DENGAN GRIDSEARCHCV UNTUK PREDIKSI HARGA SAHAM BANK BRI

(1) Universitas Islam Nahdlatul Ulama

Abstract
Tujuan dari penelitian ini adalah untuk meningkatkan kinerja model Support Vector Regression (SVR) saat memprediksi harga saham Bank BRI (BBRI.JK) di pasar modal Indonesia. Investor sering memperhatikan harga saham Bank BRI, yang merupakan salah satu saham paling likuid di pasar modal Indonesia. Perubahan harga saham ini dapat mempengaruhi pasar secara signifikan, sehingga sangat penting bagi pelaku pasar di Indonesia untuk membuat prediksi yang akurat tentang pergerakan harga saham ini. Peramalan harga saham dapat membantu para investor untuk memperkirakan pola investasi pada masa yang akan datang. Penelitian ini menggunakan data harga penutupan harian dari 1 Oktober 2022 hingga 31 Oktober 2024, karena prediksi harga saham yang akurat sangat penting bagi investor. Data dikumpulkan dari Yahoo Finance, diperhalus dengan normalisasi Min-Max, dan dibagi menjadi set latihan dan uji. GridSearchCV digunakan untuk mengevaluasi model SVR baik dengan maupun tanpa optimasi parameter. Tujuannya adalah untuk menemukan kombinasi parameter terbaik (C, epsilon, dan gamma). Hasil penelitian menunjukkan bahwa, dibandingkan dengan model tanpa optimasi, model SVR yang dioptimalkan dengan GridSearchCV menunjukkan akurasi prediksi yang lebih tinggi. Koefisien Determinasi (R2), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE) menunjukkan peningkatan yang signifikan dalam kinerja. Nilai RMSE turun dari 0,0401 menjadi 0,0364, dan R2 meningkat dari 0,8999 menjadi 0,9174. Studi ini menemukan bahwa menggunakan SVR bersamaan dengan optimasi parameter adalah metode yang efektif untuk memprediksi harga saham. Metode ini memberikan nasihat berharga bagi investor saat mereka membuat keputusan investasi di pasar modal Indonesia.
References
S. Adiguno, Y. Syahra, and M. Yetri, “Prediksi Peningkatan Omset Penjualan Menggunakan Metode Regresi Linier Berganda,” j. sist. inf. trig. dhar. JURSI TGD, vol. 1, no. 4, p. 275, Jul. 2022, doi: 10.53513/jursi.v1i4.5331.
N. Syahfitrri, Nonong Amalita, Dodi Vionanda, and Zamahsary Martha, “Forecasting Gold Prices in Indonesia using Support Vector Regression with the Grid Search Algorithm,” ujsds, vol. 2, no. 1, pp. 32–39, Feb. 2024, doi: 10.24036/ujsds/vol2-iss1/145.
A. Hermawan, I. W. Mangku, N. K. K. Ardana, and H. Sumarno, “ANALISIS SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH UNTUK MEMPREDIKSI HARGA SAHAM,” MILANG, vol. 18, no. 1, pp. 41–60, Jul. 2022, doi: 10.29244/milang.18.1.41-60.
A. N. Safira, B. Warsito, and A. Rusgiyono, “ANALISIS SUPPORT VECTOR REGRESSION (SVR) DENGAN ALGORITMA GRID SEARCH TIME SERIES CROSS VALIDATION UNTUK PREDIKSI JUMLAH KASUS TERKONFIRMASI COVID-19 DI INDONESIA,” J.Gauss, vol. 11, no. 4, pp. 512–521, Feb. 2023, doi: 10.14710/j.gauss.11.4.512-521.
A. A. Suyono, K. Kusrini, and M. R. Arief, “Prediksi Indeks Harga Konsumen Komoditas Makanan di Kota Surabaya menggunakan Support Vector Regression,” metik. j., vol. 6, no. 1, pp. 45–51, Jul. 2022, doi: 10.47002/metik.v6i1.339.
R. Subagja and D. Rohman, “Implementasi Support Vector Regression untuk Prediksi Harga Rumah Dengan Optimasi Grid Search,” vol. 12, no. 3, 2024.
A. Baidowi Eko Fitra Firmanda, A. Hudawi AS, A. Tholib, and J. Ximenes Guterres, “Implementasi GridSearch dalam Meningkatkan Kinerja Model Support Vector Regression (SVR) utuk Prediksi Penjualan Produk pada Meuble Rohman Jaya,” explorit.
A. Toha, P. Purwono, and W. Gata, “Model Prediksi Kualitas Udara dengan Support Vector Machines dengan Optimasi Hyperparameter GridSearch CV,” Buletin Ilmiah Sarjana Teknik Elektro, vol. 4, no. 1, pp. 12–21, May 2022, doi: 10.12928/biste.v4i1.6079.
A.-N. S. Na’iema, H. Mulyo, and N. A. Widiastuti, “Classification of beneficiaries for the rehabilitation of uninhabitable houses using the K-Nearest Neighbor algorithm,” J. Teknol. dan Sist. Komput, vol. 10, no. 1, pp. 32–37, Jan. 2022, doi: 10.14710/jtsiskom.2021.14110.
S. D. Wahyuni and R. H. Kusumodestoni, “Optimalisasi Algoritma Support Vector Machine (SVM) Dalam Klasifikasi Kejadian Data Stunting,” vol. 5, no. 2, 2024.
M. A. Prasetyo, A. K. Zyen, and R. H. Kusumodestoni, “OPTIMASI ALGORITMA NAIVE BAYES BERBASIS KERNEL UNTUK KLASIFIKASI PENYAKIT HATI,” JINTEKS, vol. 6, no. 3, pp. 748–756, Sep. 2024, doi: 10.51401/jinteks.v6i3.4783.
L. N. Aina, V. R. S. Nastiti, and S. K. Aditya, “Implementasi ExtraTreesClassifierdengan Optimasi Grid Search CV pada Prediksi Tingkat Adaptasi”.
G. H. Saputra, A. H. Wigena, and B. Sartono, “PENGGUNAAN SUPPORT VECTOR REGRESSION DALAM PEMODELAN INDEKS SAHAM SYARIAH INDONESIA DENGAN ALGORITME GRID SEARCH,” IJSA, vol. 3, no. 2, pp. 148–160, Jun. 2019, doi: 10.29244/ijsa.v3i2.172.
F. Novianti, N. Ulinnuha, Moh. Hafiyusholeh, and A. Arianto, “Prediksi Penggunaan Bahan Bakar pada PLTGU menggunakan Metode Support Vector Regression (SVR),” tc, vol. 21, no. 2, pp. 249–255, May 2022, doi: 10.33633/tc.v21i2.5712.
A. S. Akbar and R. H. Kusumodestoni, “Optimization of k value and lag parameter of k-nearest neighbor algorithm on the prediction of hotel occupancy rates,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 3, pp. 246–254, Jul. 2020, doi: 10.14710/jtsiskom.2020.13648.
Article Metrics
Abstract View
PDF (Bahasa Indonesia)

DOI: 10.58486/jsr.v9i1.469
Refbacks
- There are currently no refbacks.