Komparasi Model Support Vector Machines (Svm) Dan Neural Network Untuk Mengetahui Tingkat Akurasi Prediksi Tertinggi Harga Saham

Kusumodestoni, R. Hadapiningradja; Sarwido, Sarwido

doi:10.26877/jiu.v3i1.1536

Cited by 7 publications

(9 citation statements)

References 1 publication

(1 reference statement)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…SVM dan Backpropagation dapat menangani permasalahan dan mampu melakukan peramalan deret waktu [3], [4]. Algoritme SVM mencari hyperplane terbaik di antara dua kelas dengan cara mengukur margin hyperplane dan mencari titik maksimalnya.…”

Section: Pendahuluanunclassified

Comparison of support vector machine and backpropagation models in forecasting the number of foreign tourists in Bali province

Tarigan

Bayupati

Putri

2021

J. Teknol. dan Sist. Komput

View full text Add to dashboard Cite

Tourism in Bali is one of the major industries which play an important role in developing the global economy in Indonesia. Good forecasting of tourist arrival, especially from foreign countries, is needed to predict the number of tourists based on past information to minimize the prediction error rate. This study compares the performance of SVM and Backpropagation to find the model with the best prediction algorithm using data from foreign tourists in Bali Province. The results of this study recommend the best forecasting using the SVM model with the radial kernel function. The best accuracy of the SVM model obtained the lowest error values of MSE 0.0009, MAE 0.0186, and MAPE 0.0276, compared to Backpropagation which obtained MSE 0.0170, MAE 0.1066, and MAPE 0.1539.

show abstract

Section: Pendahuluanunclassified

Comparison of support vector machine and backpropagation models in forecasting the number of foreign tourists in Bali province

Tarigan

Bayupati

Putri

2021

J. Teknol. dan Sist. Komput

View full text Add to dashboard Cite

show abstract

“…Hal ini terjadi dikarenakan penilaian sesaat oleh para pembeli maupun penjual yang dipengaruhi oleh beberapa faktor. Ada banyak faktor yang dapat mempengaruhi pergerakan harga saham yaitu mulai dari besar kecilnya tingkat suku bunga deposito, laju inflasi, kondisi keuangan perusahaan, strategi pemasaran, jumlah laba yang diperoleh perusahaan [4]. Naik turunnya harga saham merupakan hal yang lumrah maka dari itu dengan memperhatikan indeks harga saham yang berbeda dari waktu ke waktu, yang dapat digunakan sebagai alat prediksi dan analisis seperti harga saham yang tertinggi dan terendah.…”

Section: Pendahuluanunclassified

“…R. Hadapiningradja Kusumodestoni dan Sarwido (2017) telah meneliti tingkat akurasi prediksi tertinggi harga saham dengan membandingkan dua algoritma yaitu Support Vector Machine (SVM) dan Neural Networks (NN). Hasil penelitian menunjukkan algoritma NN lebih baik dibanding SVM [4].…”

Section: Pendahuluanunclassified

Analisis Prediksi Harga Saham PT. Telekomunikasi Indonesia Menggunakan Metode Support Vector Machine

Fadilah

Agfiannisa

Azhar

2020

FIJ

View full text Add to dashboard Cite

Saham merupakan salah satu bentuk investasi yang mana merupakan surat berharga yang menjadi bukti kepemilikan seseorang atas suatu perusahaan. Pergerakan saham dari waktu ke waktu relatif tidak menentu dan tidak pasti, namun masih dapat diprediksi. Prediksi harga saham ini akan sangat berguna bagi investor untuk mengetahui bagaimana alur investasi bekerja pada setiap harga pada masing-masing harga saham yang berubah dari waktu ke waktu. Model prediksi pergerakan harga saham yang akurat dapat membantu para investor dalam pertimbangan pengambilan keputusan transaksi saham karena pergerakan harga saham yang cenderung non linier ini akan menyulitkan investor dalam melakukan prediksi. Dalam penelitian ini dilakukan prediksi harga saham PT. Telekomunikasi Indonesia menggunakan metode algoritma Support Vector Machine yang ditingkatkan kinerjanya menggunakan kernel RBF. Dari hasil pengujian dengan metode Support Vector Machine dihasilkan tingkat akurasi sebesar 0.9641 dan RMSE sebesar 0.0932. Pengujian juga dilakukan menggunakan algoritma k-Nearest Neighbors dengan tingkat akurasi sebesar 0.945 dan RMSE sebesar 0.1162. Dengan itu diketahui bahwa algoritma SVM memiliki tingkat akurasi yang lebih tinggi dan tingkat error yang lebih rendah dibangdingkan metode KNN.

show abstract

“…k-fold crossvalidation merupakan suatu metode yang biasa digunakan untuk melakukan evaluasi kinerja classifier, metode ini dapat digunakan apabila memiliki jumlah data yang sedikit. k-fold crossvalidation juga biasanya digunakan untuk mengetahui rata-rata keberhasilan dari suatu sistem dengan cara melakukan subuah pengulangan dengan cara mengacak atribut masukan sehingga sistem tersebut teruji untuk beberapa atribut input yang acak yang baru [8].…”

Section: K-fold Cross Validationunclassified

Implementasi Metode Support Vector Machine Dalam Prediksi Persebaran Demam Berdarah Di Kota Bandar Lampung

et al. 2019

View full text Add to dashboard Cite

Dengue fever is a one of the dangerous diseases and very often causes casualties every year, especially in the tropics or subtropics countries. Dengue fever cases increase during the rainy season, many factors affect the spread of dengue fever, such as vegetation, population and landfills. The aim of this research is to predict the number of cases of Dengue fever using support vector machine. The data used are dengue data in Bandar Lampung City, weather data, population data and distance matrix data between dengue fever events with each other. The amount of data used is 1,080 data with 3 kernels: linear, gaussian and polynomial. In this study four experiments were carried out, the first two experiments were carried out without Feature Selection and the next two experiments were carried out with Feature Selection. After the experiment was found The best performance in the experiment with Feature Selection with 44 Variables. From the experiments conducted, Gaussian kernel achieved the highest R 2 value which is 75.52%, while the Linear kernel and Polynomial Kernel achieved R 2 value of 74.61% and 75.15%, respectively.

show abstract

Komparasi Model Support Vector Machines (Svm) Dan Neural Network Untuk Mengetahui Tingkat Akurasi Prediksi Tertinggi Harga Saham

Abstract: Abstract

Cited by 7 publications

References 1 publication

Comparison of support vector machine and backpropagation models in forecasting the number of foreign tourists in Bali province

Comparison of support vector machine and backpropagation models in forecasting the number of foreign tourists in Bali province

Analisis Prediksi Harga Saham PT. Telekomunikasi Indonesia Menggunakan Metode Support Vector Machine

Implementasi Metode Support Vector Machine Dalam Prediksi Persebaran Demam Berdarah Di Kota Bandar Lampung

Contact Info

Product

Resources

About