ANALISIS PREDIKSI HARGA SAHAM DENGAN METODE MACHINE LEARNING DENGAN ALGORITMA DECISION TREE DAN XG BOOST

Tatyana, Anggia Rahma (2026) ANALISIS PREDIKSI HARGA SAHAM DENGAN METODE MACHINE LEARNING DENGAN ALGORITMA DECISION TREE DAN XG BOOST. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (2MB)
	Text (BAB I) BAB I.pdf - Published Version Download (274kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (854kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (528kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (719kB)
	Text (BAB V) BAB V.pdf - Published Version Download (77kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (269kB)
	Archive (SOURCE CODE) Sourcecode - 21.83.0719.zip - Published Version Restricted to Repository staff only Download (105kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB)

Abstract

Pergerakan harga saham di pasar modal sering kali bersifat volatil dan dipengaruhi oleh berbagai faktor ekonomi yang kompleks, sehingga menimbulkan ketidakpastian bagi investor dalam mengambil keputusan investasi yang tepat. Masalah ini berdampak pada tingginya risiko kerugian finansial akibat prediksi yang tidak akurat dalam menghadapi fluktuasi pasar. Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan menerapkan dan mengoptimalkan model Extreme Gradient Boosting (XGBoost) dan Decision Tree dalam memprediksi harga saham, khususnya pada emiten PT Bank Rakyat Indonesia (Persero) Tbk (BBRI). Metode penelitian dilakukan melalui beberapa tahapan sistematis, meliputi pengumpulan data historis saham, pembersihan format data (data cleaning), pembentukan fitur Lag dan Moving Average, serta proses penalaan parameter (parameter tuning) untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa model XGBoost memiliki keunggulan dibandingkan Decision Tree dalam hal akurasi prediksi, terutama karena adanya fitur Regularized Boosting yang mampu meminimalkan overfitting. Analisis evaluasi menunjukkan stabilitas yang lebih baik pada model XGBoost dalam menangani data deret waktu (time series) saham blue chip seperti BBRI. Hasil penelitian ini dapat dimanfaatkan oleh para investor, analis keuangan, dan praktisi pasar modal sebagai alat bantu pengambilan keputusan strategis berbasis data untuk memitigasi risiko investasi. Penelitian selanjutnya direkomendasikan untuk mengeksplorasi metode Deep Learning guna menangkap pola data yang lebih kompleks.

Actions (login required)

View Item