Komparasi Algoritma Linear Regression dan Neural Network Untuk Memprediksi Nilai Kurs Mata Uang (original) (raw)
Related papers
Jurnal Informatika Upgris, 2017
There are many types of investments to make money, one of which is in the form of shares. Shares is a trading company dealing with securities in the global capital markets. Stock Exchange or also called stock market is actually the activities of private companies in the form of buying and selling investments. To avoid losses in investing, we need a model of predictive analysis with high accuracy and supported by data-lots of data and accurately. The correct techniques in the analysis will be able to reduce the risk for investors in investing. There are many models used in the analysis of stock price movement prediction, in this study the researchers used models of neural networks (NN) and a model of support vector machine (SVM). Based on the background of the problems that have been mentioned in the previous description it can be formulated the problem as follows: need an algorithm that can predict stock prices, and need a high accuracy rate by adding a data set on the prediction, two algorithms will be investigated expected results last researchers can deduce where the algorithm accuracy rate predictions are the highest or accurate, then the purpose of this study was to mengkomparasi or compare between the two algorithms are algorithms Neural Network algorithm and Support Vector Machine which later on the end result has an accuracy rate forecast stock prices highest to see the error value RMSEnya. After doing research using the model of neural network and model of support vector machine (SVM) to predict the stock using the data value of the shares on the stock index hongkong dated July 20, 2016 at 16:26 pm until the date of 15 September 2016 at 17:40 pm as many as 729 data sets within an interval of 5 minute through a process of training, learning, and then continue the process of testing so the result is that by using a neural network model of the prediction accuracy of 0.503 +/-0.009 (micro 503) while using the model of support vector machine (SVM) accuracy of the predictions for 0477 + /-0.008 (micro: 0477) so that after a comparison can be concluded that the neural network models have trend prediction accuracy higher than the model of support vector machine (SVM).
Perbandingan prediksi harga saham dengan model ARIMA dan Artificial Neural Network
2019
Kondisi perekonomian dunia mengalami perubahan yang signifikan, mayoritas merupakan dampak dari kenaikan minyak dunia, karena minyak merupakan sumber energi utama di dunia. Kondisi tersebut juga berimbas pada harga saham di pasar modal. Ada beberapa variabel yang mempengaruhi nilai return saham, yang sifatnya linier dan non-linier terhadap return harga saham. Untuk memodelkan observasi yang linier digunakan model time series Autoregressive Moving Average (ARIMA). Selanjutnya, untuk observasi yang non-linier digunakan Artificial Neural Network (ANN). Pada penelitian ini didapatkan perbandingan hasil perhitungan error RMSE dengan model ARIMA (1, 0, 0), dan ARIMA (2, 0, 0), masing-masing sebesar 1,3738, 1.5514, sedangkan ANN dengan 16 hidden layer sebesar 4.6814. Hasil dari penelitian ini model ARIMA (1, 0, 0) lebih akurat dibandingkan metode ANN dalam prediksi harga saham PT. Bumi Citra Permai Tbk. Kata Kunci: ARIMA, ANN, Prediksi, Saham
SEMINASTIKA
Penelitian ini bertujuan untuk memprediksi harga saham dengan membandingkan algoritma Linear Regression, Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) dengan dataset publik kemudian menentukan performa terbaik dari ketiga algoritma tersebut. Dataset yang diuji bersumber dari Indonesia Stock Exchange (IDX), yaitu dataset harga saham KEJU berbentuk time series dari tanggal 15 November 2019 sampai dengan 08 Juni 2021. Parameter yang digunakan untuk pengukuran perbandingan adalah RMSE (Root Mean Square Error), MSE (Mean Square Error), dan MAE (Mean Absolute Error). Setelah dilakukan proses training dan testing, dihasilkan sebuah analisis bahwa dari hasil perbandingan algoritma yang digunakan, algoritma Gated Recurrent Unit (GRU) memiliki performance paling baik dibandingkan Linear Regression dan Long-Short Term Memory (LSTM) dalam hal memprediksi harga saham, dibuktikan dengan nilai RMSE, MSE, dan MAE dari uji coba GRU paling rendah, yaitu nilai RMSE 0.034, MSE 0.001, da...
Perbandingan Penggunaan Algoritma Machine Learning pada Prediksi Tren Harga Saham Netflix
AUTOMATA, 2021
Pandemi COVID-19 memaksa pemerintah untuk mengeluarkan berbagai kebijakan pendidikan dari rumah dengan pemanfaatan teknologi informasi. Penggunaan media sosial, khususnya Facebook, di Indonesia dapat memberikan gambaran mengenai sentimen masyarakat akan berbagai kebijakan tersebut. Secara khusus, penelitian ini juga bertujuan untuk melihat perbedaan pola interaksi (total interactions, overperforming score, positive reactions, negative reactions) dan reaksi ('like", "love","wow", "haha", "sad", "angry") masyarakat atas unggahan terkait kebijakan pendidikan di masa pandemi ini antara halaman resmi akunakun pemerintahan jika dibandingkan dengan akun-akun portal berita, serta antara berbagai jenis unggahan yang berbeda (link, photo, video). Sebanyak 135 unggahan terkait kebijakan pendidikan di masa pandemi berhasil dikumpulkan dalam rentang jangka waktu 17 Februari 2020-1 Maret 2021 menggunakan CrowdTangle. Dari hasil yang didapatkan, tampak bahwa secara umum unggahan-unggahan tersebut mendapatkan reaksi positif yang jauh lebih banyak daripada reaksi negatif. Selanjutnya, hasil analisis menggunakan MANOVA dengan bahasa pemrograman R, menunjukkan bahwa unggahan dari akun resmi memiliki interaksi yang lebih tinggi secara signifikan, baik dari sisi jumlah dan reaksi positif , dibandingkan unggahan dari akun-akun portal berita yang memiliki reaksi negatif lebih tinggi secara signifikan. Demikian pula halnya dengan jenis unggahan berupa link jika dibandingkan dengan video dan foto. Hasil dari penelitian ini diharapkan dapat berguna untuk menjadi sebuah acuan untuk melakukan penelitian serupa dengan fokus yang berbeda ke depannya.
2011
Peramalan dibutuhkan oleh perencana untuk membantu dalam pengambilan keputusan yang didasarkan pada informasi masa lalu. Salah satu aktivitas penting yang dilakukan oleh para pelaku pasar di pasar valuta asing adalah melakukan analisis untuk memprediksi arah kurs valuta asing di masa mendatang. Untuk melakukan peramalan terhadap data deret waktu mulai berkembang dengan menggunakan pendekatan Jaringan Syaraf Tiruan (JST). Salah satu tipe JST yang dapat digunakan untuk melakukan peramalan adalah model General Regression Neural Network (GRNN) yang desainnya diadopsi dari fungsi gaussian multivariat yang diperluas. Model GRNN relatif lebih unggul dalam hal ketepatan hasil ramalan dibandingkan dengan model JST yang lain pada penerapan bidang finansial. Tujuan penelitian ini adalah untuk memodelkan nilai tukar rupiah terhadap dollar Amerika menggunakan model GRNN dan meramalkannya untuk satu pekan ke depan. Data yang digunakan adalah data harian mulai Januari 2007 hingga Maret 2011, yaitu...
Infotekmesin, 2022
Data BI menunjukan kurs rupiah terhadap dolar mengalami pelemahan pada awal pandemi. Ketidakstabilan kurs merupakan masalah penting bidang ekonomi di Indonesia. Oleh sebab itu diperlukan sebuah model prediksi kurs tehadap dolar di masa pandemi Covid-19 guna memprakirakan kurs. Dalam penelitian ini diusulkan komparasi model prediksi kurs rupiah terhadap dolar menggunaan algoritma Neural Network berbasis GA dan Neural Network berbasis PSO. Tahapan awal penelitian dilakukan dengan pengumpulan data selama masa pandemi covid-19 (2019 s.d 2021). Data berupa time series tersebut kemudian dilakukan preprocessing sehingga data siap untuk menjadi inputan model yang diusulkan. Adapun teknik validasi menggunakan k-fold validation dengan skenario 70:30. Evaluasi dilakukan dengan output RMSE. Hasil prediksi terbaik dilihat dari tingkat error yang paling minimum. Hasil penelitian menunjukan bahwa perfoma algoritma optimasi dalam meningkatkan tingkat error Neural Network sama besarnya, yakni 0.020 +/-0.006.
2020
Harga saham mengalami perubahan yang cepat dari waktu ke waktu. Pergerakan harga saham menjadi tolak ukur bagi para investor untuk mengambil keputusan kapan sebaiknya saham dibeli, dijual atau dipertahankan. Untuk itu diperlukan suatu model analisis dengan tingkat akurasi yang tinggi dalam membantu para investor mengambil keputusan untuk mengurangi resiko kerugian. Penelitian ini menggunakan perbandingan metode Moving Average dan Neural Network algoritma Backpropagation dalam memprediksi harga saham. Data yang digunakan merupakan data historis Jakarta Stock Exchange (^JKSE) dari tahun 2010 - April 2018 yang diperoleh melalui Yahoo Finance. Dari hasil penelitian dapat disimpulkan adalah semakin kecil hasil error , maka nilai akurasinya semakin baik. Semakin kecil target error , maka jumlah epoch akan semakin besar dalam perhitungan menggunakan metode Neural Network algoritma Backpropagation . Prediksi harga saham menggunakan metode Moving Average lebih akurat dibandingan metode Neura...
Perbandingan Analisa Moving Average dan Neural Network Untuk Prediksi Pengisian Uang di Mesin ATM
Abstrak Analisa Moving Average biasa digunakan untuk prediksi data time series, dengan cara menambahkan satu dengan yang lain, dan membagi dengan periode waktu. Analisa neural network juga dapat digunakan untuk maksud yang sama, namun dengan metode pemrosesan data yang berbeda. Kedua metode ini diaplikasikan dalam prediksi pengisian uang di mesin ATM (Automatic Teller Machine) dengan tujuan untuk meningkatkan efektifitas pelayanan. Dari hasil prediksi dengan menggunakan kedua metode ini kemudian dibandingkan untuk mendapatkan tingkat akurasi tertinggi. Parameter dalam pengisian uang di mesin ATM dibatasi hanya pada jumlah uang terambil per-hari selama 7 (tujuh) hari pada dua mesin ATM, dari tanggal 23 sampai dengan 29 April 2002, dengan frekuensi pengambilan perhari. Dari pengambilan 7 hari di atas, akan digunakan untuk prediksi satu hari ke depan.
Jurnal Informatika
Nilai tukar adalah nilai mata uang sebuah negara yang dinyatakan dalam nilai mata uang negara lain. Sebagai contoh, nilai tukar rupiah (Rp) pada dolar amerika serikat (USD) adalah nilai satu dolar amerika dalam rupiah, begitu juga sebaliknya nilai satu rupiah terhadap dolar amerika. Korelasi nilai tukar ini kaitannya dengan pergadangan internasional dimana etidakpastian nilai tukar menjadi permasalahan yang penting dalam bidang keuangan. Oleh karena itu diperlukan sebuah model prediksi guna memprakirakan nilai tukar dimasa depan. Hasil yang akurat dalam prediksi nilai tukar ini sangat bermanfaat bagi pemegang kepentingan dimasa depan. Pada peneltian ini prediksi data nilai tukar rupiah pada dolar dilakukan dengan menggunakan Neural Network berbasis algoritma genetika. Berdasarkan eksperimen yang dilakukan pada data time series nilai tukar rupiah pada dolar periode 1 Januari 2013 sd 30 Agustus 2018 yang berjumlah 1470 record menggunakan metode Neural Network berbasis algoritma Geneti...