Optimasi Parameter Support Vector Machine Menggunakan Algoritma Genetika untuk Meningkatkan Prediksi Pergerakan Harga Saham

Abstract

Prediksi pergerakan harga saham menjadi satu topik yang menarik terutama bagi para investor saham, dealer dan broker. Kesulitan dalam memprediksi pergerakan harga saham dikarenakan banyak faktor ketidak pastian yang terlibat seperti kinerja perusahaan, faktor ekonomi nasional maupun internasional, iklim politik dan perbedaan persepsi dari setiap orang terhadap suatu saham. Tujuan penelitian ini adalah meningkatkan hasil prediksi pergerakan harga saham. Salah satu metode yang dapat digunakan untuk memprediksi pergerakan harga saham yaitu Support Vector Machine (SVM). SVM memiliki kelemahan pada sulitnya memilih parameter terbaik dari suatu kernel termasuk parameter pinalti untuk data yang diklasifikasikan secara benar. Untuk meningkatkan akurasi dari prediksi harga saham, yang bertujuan untuk mengoptimasi algoritma SVM dengan algoritma genetika (GA) untuk mendapatkan parameter terbaik sehingga akurasi prediksi dapat ditingkatkan. Pada penelitian ini menggunakan data historis dari perusahaan PT Astra International Tbk mulai dari 2013 sampai 2021. Atribut yang digunakan pada penelitian ini yaitu (Date, Open, High, Low, Close dan Volume). Dari hasil percobaan didapat akurasi prediksi dengan metode Support Vector Machine dengan nilai Root Mean Squared Error (RMSE) sebesar 140.000 +/- 5.698 dan Squared Error (SE) sebesar 19629.215 +/- 1609.864. Sedangkan dengan metode Support Vector Machine Berbasis Algoritma Genetika dengan nilai Root Mean Squared Error (RMSE) sebesar 101.208 +/- 9.475 dan Squared Error (SE) sebesar 10323.858 +/- 1956.237. Dari hasil percobaan dapat dilihat bahwa nilai tingkat akurasi untuk prediksi pergerakan harga saham menggunakan metode Support Vector Machine Berbasis Algoritma Genetika mendapatkan hasil dengan tingkat akurasi yang lebih baik.