Penerapan Hidden Markov Model Pada Harga Saham

Mamonto, Sri; Langi, Yohanes; Rindengan, Altien J.

doi:10.35799/dc.5.1.2016.12731

Cited by 3 publications

(3 citation statements)

References 1 publication

(1 reference statement)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hidden Markov Model (HMM) merupakan salah satu model yang digunakan dalam proses stokastik untuk kasus dalam Bursa Efek. HMM adalah perluasan dari rantai Markov dengan ruang keadaannya tidak dapat diamati secara langsung (tersembunyi) tetapi dapat diobservasi melalui suatu himpunan pengamat lainnya (Mamonto, Langi, & Rindengan, 2016). Beberapa metode yang digunakan dalam menyelesaikan masalah dalam HMM, yakni evaluation problem diselesaikan dengan algoritma Forward-Backward, learning problem diselesaikan dengan algoritma Beum-WelchI dan decoding problem diselesaikan dengan algoritma Viterbi (Yulia & Devianto, 2018).…”

Section: Pendahuluanunclassified

Aplikasi Algoritma Viterbi dalam Hidden Markov Model untuk Menganalisis Trend Pasar Saham di Bursa Efek (Studi Kasus di PT. Bank Central Asia, Tbk.)

Lina P,

Yundari,

Huda

2023

J. Eurekamatika

View full text Add to dashboard Cite

This study aims to analyze and apply the Viterbi algorithm in the Hidden Markov Model on stock market trend movement data at PT Bank Central Asia, Tbk in 2022. At the initial stage, the closing stock price data of PT Bank Central Asia, Tbk for the next fifteen days is predicted using the ARIMA method. Then, the second stage is classifying closing stock data as a result of predictions. The third stage is to determine the parameters of the Hidden Markov Model. The fourth stage is to determine the Hidden State sequence with the Viterbi Algorithm, and the last stage is to analyze the application of the Viterbi Algorithm to the movement of the stock market trend. The results show that the Viterbi algorithm is used to determine the most optimal Hidden State sequence from a sequence of observed states. The right time for an investor to make a decision to sell shares is when the stock price is rising and the stock market trend is in a bullish position, namely on the March 4th, 10th, 16th, 17th and 21th 2022. Meanwhile, buying shares is when the stock price is down and the stock market trend is in a bearish position, namely on the March 3rd, 9th, 14th, 18th and 23th 2022.Keywords: Hidden Markov Model, Stock Market Trends, Viterbi Algorithm. AbstrakPenelitian ini bertujuan untuk menganalisis dan mengaplikasikan algoritma Viterbi dalam Hidden Markov Model pada data pergerakan trend pasar saham di PT. Bank Central Asia, Tbk tahun 2022. Pada tahap awal dilakukan prediksi data harga saham penutupan PT Bank Central Asia, Tbk selama lima belas hari ke depan menggunakan metode ARIMA. Tahap kedua adalah mengklasifikasi data hasil dari prediksi. Tahapan ketiga adalah menentukan parameter-parameter Hidden Markov Model. Tahapan keempat menentukan barisan Hidden State dengan Algoritma Viterbi, dan tahap terakhir adalah menganalisis pengaplikasian Algoritma Viterbi pada pergerakan trend pasar saham. Hasil dari penelitian ini adalah bahwa algoritma Viterbi digunakan untuk menentukan barisan Hidden State yang paling optimal dari suatu barisan observed state. Waktu yang tepat seorang investor mengambil keputusan untuk menjual saham adalah ketika harga saham dalam keadaan naik dan trend pasar saham dalam posisi bullish yaitu pada tanggal 4, 10, 16, 17, dan 21 Maret 2022. Sedangkan untuk membeli saham adalah ketika harga saham dalam keadaan turun dan trend pasar saham dalam posisi bearish yaitu tanggal 3,9, 14, 18, dan 23 Maret 2022.

show abstract

Section: Pendahuluanunclassified

Aplikasi Algoritma Viterbi dalam Hidden Markov Model untuk Menganalisis Trend Pasar Saham di Bursa Efek (Studi Kasus di PT. Bank Central Asia, Tbk.)

Lina P,

Yundari,

Huda

2023

J. Eurekamatika

View full text Add to dashboard Cite

show abstract

“…In order to obtain more efficient maintenance and reduce maintenance budgets. Then four engine maintenance plans will be proposed which will be chosen if they have the smallest budget, from the four proposals, among others, are as follows [11], [12], [13]:…”

Section: Markov Chain Maintenance Planningmentioning

confidence: 99%

Machine Maintenance Design using Markov Chain Method to Reduce Maintenance Costs

Syakhroni¹,

Darmawan²,

Marlyana³

2021

International Journal of Education, Science, Technology, and En

View full text Add to dashboard Cite

PT. XYZ is a company that focuses on construction with ready mix concrete product (cast). The problem faced by the company is that the schedule is not suitable for machine maintenance activities so that it still results in high maintenance costs incurred by the company. By using the markov chain method can plan maintenance time in order to reduce downtime so as to minimize maintenance costs. The results obtained by the proposal for the company are for proposal I it takes 49.78 hours = 50 hours at a cost of Rp. 16,984,605, the cost savings of Rp. 73,545,395 (81.24%). Schedule for each machine such as wheel loaders every 14,009 hours, batching plant machines every 16,604 hours, truck mixer machines every 19,168 hours. Scheduling the second proposal will take 26.62 hours = 27 hours at a cost of Rp. 9,080,664, the cost savings of Rp. 81,449,336 (89.97%). Schedule for every machine such as wheel loaders every 7,490 hours, batching plant machines every 8,877 hours, mixer truck machines every 10,248 hours. Judging from the results obtained, the recommendation given is

show abstract

“…Selain itu, HMM juga dapat mendeteksi berbagai kegiatan dalam dunia bisnis, seperti fraud [13], perkiraan harga minyak mentah [14], dan prediksi peluang kenaikan harga saham [15].…”

Section: Pendahuluanunclassified

Tinjauan Kasus Model Speech Recognition: Hidden Markov Model

Jollyta

Oktarina

Johan³

2020

JEPIN

View full text Add to dashboard Cite

Teknologi pengenal suara (speech recognition) merupakan teknologi yang berkembang pesat dalam bidang kecerdasan buatan (artificial intelligent). Saat ini, teknologi pengenal suara menjadi hal yang komersil melalui berbagai media teknologi seperti smartphone dan komputer. Salah satu pembentuk struktur pengenal suara agar dapat bekerja pada perangkat tersebut adalah model statistik pengenal suara Hidden Markov Model (HMM). Penerapan HMM pada berbagai kasus menunjukkan bahwa model ini cocok dengan berbagai macam data. Tulisan ini merupakan sebuah tinjauan untuk model HMM yang bertujuan untuk memberikan gambaran dan pemahaman terhadap kinerja HMM melalui rangkuman sejumlah penelitian yang digunakan dalam berbagai data. Penerapan HMM tersebut menunjukkan optimalisasi kinerja HMM dan tinjauan terhadap sejumlah penelitian menunjukkan bahwa tingkat keberhasilan HMM dalam mengenali data mencapai 71.43%.

show abstract

Penerapan Hidden Markov Model Pada Harga Saham

Cited by 3 publications

References 1 publication

Aplikasi Algoritma Viterbi dalam Hidden Markov Model untuk Menganalisis Trend Pasar Saham di Bursa Efek (Studi Kasus di PT. Bank Central Asia, Tbk.)

Aplikasi Algoritma Viterbi dalam Hidden Markov Model untuk Menganalisis Trend Pasar Saham di Bursa Efek (Studi Kasus di PT. Bank Central Asia, Tbk.)

Machine Maintenance Design using Markov Chain Method to Reduce Maintenance Costs

Tinjauan Kasus Model Speech Recognition: Hidden Markov Model

Contact Info

Product

Resources

About