Article Per Year (5 Year)
p-Index From 2021 - 2026
1.431
P-Index
This Author published in this journals
All Journal Syntax Literate: Jurnal Ilmiah Indonesia JURNAL CENDEKIA HUKUM Fairness and Justice: Jurnal Ilmiah Ilmu Hukum Journal of Artificial Intelligence and Digital Business National Multidisciplinary Sciences Asy-Syifa: Journal of Science and Technology Nursing Pubmedia Social Sciences and Humanities Indonesian Journal of Law and Justice
Suyatna, Suyatna
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Nursing Physics Public Health Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Analisis Perbandingan Kinerja Model Machine Learning dalam Prediksi Harga Saham TLKM Suyatna, Suyatna; Satrio, Adi Joko; Pratama, Satrio Putra; Indarto, Mamat; Syarif, Fadillah; Amsury, Fachry
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3476

Abstract

Penelitian ini bertujuan mengevaluasi tingkat kinerja model machine learning dalam memprediksi harga penutupan saham TLKM berdasarkan data historis periode 2005 hingga 2024. Tiga algoritma diterapkan, yaitu linear regression, random forest, dan neural network (MLP), yang masing-masing mewakili tingkat kompleksitas berbeda. Evaluasi dilakukan menggunakan teknik cross validation dengan tiga metrik utama, yakni R², MAE, dan RMSE, untuk menilai ketepatan serta stabilitas hasil prediksi. Hasil penelitian menunjukkan bahwa random forest memiliki performa paling unggul dibandingkan dua model lainnya karena mampu menghasilkan prediksi yang stabil, akurat, dan efisien pada berbagai variasi data. Model ini juga menunjukkan kemampuan generalisasi yang tinggi, di mana hasil prediksi pada data uji memiliki tingkat kesesuaian hampir sempurna dengan nilai aktual. Linear regression memberikan hasil yang baik dan efektif dalam mengenali pola hubungan linier antarvariabel, mencerminkan bahwa data saham TLKM memiliki kecenderungan hubungan yang relatif stabil antar atributnya. Neural network (MLP) memperlihatkan peningkatan kinerja setelah dilakukan hyperparameter tuning, terutama pada konfigurasi jumlah neuron dan lapisan tersembunyi yang tepat, namun efisiensi komputasi model ini masih lebih rendah karena proses pelatihannya memerlukan waktu yang lebih panjang serta sensitif terhadap perubahan parameter. keseluruhan, Random forest dinilai sebagai model paling optimal karena mampu menjaga keseimbangan antara akurasi, stabilitas, dan efisiensi komputasi. Temuan ini memperkuat potensi penerapan algoritma ensemble dalam analisis pasar modal sebagai pendekatan yang lebih adaptif terhadap data keuangan. Hasil penelitian diharapkan menjadi referensi bagi mahasiswa, peneliti, dan investor dalam mengembangkan model prediksi berbasis machine learning yang andal untuk mendukung pengambilan keputusan investasi berbasis data di pasar saham Indonesia.
Co-Authors Adiansyah, Sayib Fauzi Al Hasbi , Habid Amsury, Fachry Firosyiah, Nur Garpy, Pyvico Fadera Indarto, Mamat Kumala, Rulita Najah, Nadia Putri Qurrotu Nur Holifa, Elita Pratama, Satrio Putra Rahmawati, Lilis Ramadhani, Bella Ayu Ramadhani, Fandika Wahyu Rosiana Ulfah, Hana Sarwoko Sarwoko Satrio, Adi Joko Syarif, Fadillah