ALGORITMA LEARNING VECTOR QUANTIZATION DAN FUZZY K-NN UNTUK PREDIKSI SAHAM BERDASARKAN PESAING

Risma Rahmalia Fitriani; Ernastuti Ernastuti; Ericks Rachmat Swedia

doi:10.35760/tr.2019.v24i1.1929

ALGORITMA LEARNING VECTOR QUANTIZATION DAN FUZZY K-NN UNTUK PREDIKSI SAHAM BERDASARKAN PESAING

Risma Rahmalia Fitriani
Fakultas Teknologi Industri Universitas Gunadarma
Indonesia

Ernastuti Ernastuti
Fakultas Ilmu Komputer Universitas Gunadarma
Indonesia

Ericks Rachmat Swedia
Fakultas Ilmu Komputer Universitas Gunadarma
Indonesia

DOI: http://dx.doi.org/10.35760/tr.2019.v24i1.1929

Abstract

Prediksi saham adalah hal yang sangat berpengaruh bagi seorang investor. Investor akan mampu menemukan saham yang tepat dan waktu yang tepat untuk membeli atau menjual dengan melakukan prediksi saham. Prediksi yang akurat dapat membantu investor untuk mendapatkan keuntungan yang besar. Keuntungan yang besar sebanding dengan resiko besar yang terkait dengan hal tersebut dan ada kesempatan yang sama dalam kehilangan uang. Keuntungan yang besar serta resiko kehilangan yang besar, menyebabkan para investor dituntut untuk bisa melakukan berbagai analisa untuk mengukur nilai saham. Pada penelitian ini dilakukan prediksi fluktuasi harga saham berdasarkan fluktuasi harga saham perusahaan pesaing dengan menggunakan algoritma Learning Vector Quantization (LVQ) dan Fuzzy K-Nearest Neighbours. Data saham yang diprediksi adalah saham perusahaan Apple, berdasarkan fluktuasi harga saham perusahaan IBM, Cisco, Fujitsu, Hewlett-Package, dan Ericsson dengan waktu dari tanggal 4 Januari 2000 sampai dengan tanggal 31 Agustus 2015. Pengujian dilakukan dari tanggal 1 September sampai 30 September 2015. Data yang diperoleh dari situs resmi http://finance.yahoo.com yang memuat data harga saham dari waktu ke waktu . Hasil prediksi fluktuasi harga saham perusahaan Apple terhadap empat saham perusahaan pesaing lainnya memiliki persentase prediksi benar dengan nilai terendah yaitu 47.62% untuk algoritma Learning Vector Quantization (LVQ) dan nilai tertinggi yaitu 61.90% untuk algoritma Fuzzy KNN.

Keywords

Fuzzy KNN, Learning Vector Quantization, Prediksi Saham

References

A. N. Wahyuni, S. Wahyudi, dan H. Muharam, “Analisis Perbandingan Kinerja Investasi Emas Dan Investasi Saham Selama Masa Inflasi 1994–2013”, Disertasi, Universitas Diponegoro, Semarang, 2014.

I. Fahmi, Manajemen Keuangan Perusahaan dan Pasar Modal. Jakarta: Mitra Wacana Media, 2014.

A. Kamarudin, Dasar-dasar manajemen Investasi Dan Portofolio. Jakarta: Rineka Cipta,

Ahmad, “Analyzing Different Machine Learning Techniques for Stock Market Prediction”, International Journal of Computer Science and Information Security, vol.12, no.12, 2014.

S. Agrawal, M. Jindal, dan N. Pillai, “Momentum Nalysis based Stock Market Prediction using Adaptive Neuro-Fuzzy Inference System (ANFIS)”, In. Proc. of the International MultiConference of Engineers and Computer Scientists 2010, vol I, 2010.

X. Liu dan X. “Based on BP Neural Network Stock Prediction”, Journal of Curriculum and Teaching, vol. 1, no.1, 2012.

K. Alkhatib, H. Najadat, Hmeidi, M.K.A.. Shatnawi, “Stock Price Prediction Using K-Nearest Neighbor(kNN) Algorithm”, International Journal of Business, Humanity and Technology, vol. 3, no.3, 2013.

S. W. Eko dan Ernastuti, “Identifikasi Nomor Polisi Mobil Menggunakan Metode Jaringan Saraf Buatan Learning Vector Quantization”, Skripsi, Universitas Gunadarma, Depok, 2004.

E. Prasetyo, “Fuzzy K-Nearest Neighbor in Every Class Untuk Klasifikasi Data”, dipresentasikan dalam Seminar Nasional Teknik Informatika (SANTIKA), hal. 57-60, 2012.