Article Per Year (5 Year)
p-Index From 2021 - 2026
2.407
P-Index
This Author published in this journals
All Journal Lontar Komputer: Jurnal Ilmiah Teknologi Informasi Kubik Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JRSI (Jurnal Rekayasa Sistem dan Industri) JURNAL MEDIA INFORMATIKA BUDIDARMA Journal of Computer System and Informatics (JoSYC) KUBIK: Jurnal Publikasi Ilmiah Matematika Charity : Jurnal Pengabdian Masyarakat eProceedings of Engineering
Aniq Atiqi Rohmawati
Telkom University
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics Social Sciences

Published : 89 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 89 Documents
Search

 5   6   7   8   9 
Prediksi Kenaikan atau Penurunan Indeks Pasar Keuangan Indonesia dengan Menggunakan Bayesian Network dan Prediksi Perubahan Kenaikan Pasar Keuangan Indonesia Nisrina Nur Faizah; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Investasi saham pada pasar keuangan dilakukan untuk meningkatkan aset pada masa depan. Dalam melakukan investasi harus mempertimbangkan hasil yang akan didapatkan atau biasa disebut return. Setiap investor akan berusaha mendapatkan return semaksimal mungkin dari investasi yang dilakukannya. Oleh karena itu, perlu dilakukan prediksi perubahan kenaikan atau penurunan pada pasar saham. Beberapa metode untuk membuat prediksi adalah Bayesian Network dan Algoritma Naive Bayes. Pada Tugas Akhir ini, dilakukan pemodelan jaringan sektor-sektor pasar keuangan Indonesia dengan menggunakan Bayesian Network, lalu melakukan prediksi berdasarkan kenaikan atau penurunan harga penutupan dari tiap sektor. Metode yang digunakan adalah menggunakan Algoritma Naive Bayes Diskrit dan Kontinu. Setelah itu, menentukan metode yang terbaik untuk perhitungan prediksi dengan melihat tingkat akurasi dari setiap metode dengan confusion matrix. Sektor pasar keuangan yang digunakan yaitu nilai tukar USD/IDR, IHSG, dan Obligasi. Perhitungan dilakukan berdasarkan ketergantungan antara nilai tukar USD/IDR terhadap IHSG, dan nilai tukar USD/IDR terhadap Obligasi. Metode Naive Bayes Diskrit menunjukan hasil yang lebih akurat dengan akurasi sebesar 84% untuk IHSG dan 76% untuk Obligasi. Sedangkan perhitungan dengan metode Naive Bayes Kontinu memiliki akurasi sebesar 52% untuk IHSG dan 48% untuk Obligasi. Sektor nilai tukar USD/IDR lebih mempengaruhi IHSG, karena tingkat akurasi yang diperoleh IHSG lebih tinggi dibandingkan dengan Obligasi. Kata kunci : nilai tukar, ihsg, obligasi, bayesian network, naive bayes
Klasifikasi Data Microarray Menggunakan Genetic Algorithm (GA), Naive Bayes dan Regresi Logistik Ergon Rizky Perdana Purba; Adiwijaya Adiwijaya; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker merupakan salah satu penyakit yang mematikan di dunia. Setiap tahunnya, penderita kanker terus meningkat dan banyak menelan korban jiwa. Hingga sampai saat ini, obat untuk penyakit yang mematikan ini masih sulit ditemukan. Dalam beberapa tahun terakhir, teknologi data microarray banyak digunakan untuk mendiagnosa kanker sejak dini, data DNA microarray adalah teknologi yang digunakan untuk melihat urutan sekuens asam nukleat yang berada pada lokasi tertentu pada struktur DNA yang dapat digunakan untuk menganalisa ribuan sampel pada waktu yang bersamaan sehingga nantinya dapat diklasifikasikan mana yang tergolong kanker dan bukan kanker. Oleh karena itu, data microarray adalah data yang memiliki ukuran dimensi data yang sangat besar. Data yang ukuran dimensinya sangat besar dapat mengakibatkan hasil perhitungan menjadi tidak optimal dan akurasi klasifikasi yang dihasilkan kecil. Untuk mengoptimalkan data dan meningkatkan nilai akurasi klasifikasi dari data yang dimensinya besar tersebut, dilakukan pengurangan dimensi dengan seleksi fitur Genetic Algorithm (GA). Genetic Algorithm biasanya mampu memberikan hasil yang baik dan tingkat akurasi yang cukup baik. Klasifikasi data microarray menggunakan metode Naive Bayes dan Regresi Logistik. Adapun akurasi terbaik dari Genetic Algorithm dan klasifikasi Regresi Logistik 100% pada data colon tumor dan mll leukemia. Genetic Algorithm dan klasifikasi Naive Bayes 57,7778% pada data MLL Leukemia. Dan Regresi Logistik 67% pada data mll leukemia. Kata Kunci : kanker, seleksi fitur, klasifikasi, data microarray, genetic algorithm, naive bayes, regresi logistik
Implementasi Semantic Search Pada Open Library Menggunakan Metode Latent Semantic Analysis (studi Kasus: Open Library Universitas Telkom) Arifin Dwi Kandar Saputro; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

AbstrakTerdapat beberapa cara dalam membentuk portofolio saham. Dalam pemilihan saham untuk dimasukkan kedalam portofolio, tentunya investor menginginkan nilai return yang tinggi atau nilai risiko yang rendah.Dalam tugas akhir ini pembentukkan portofolio Mean-Semivarian dilakukan dengan menerapkan teoriDempster-Shafer (DS) untuk mendapatkan portofolio yang diharapkan. Teori Dempster-Shafer disinidigunakan untuk menyeleksi saham dengan nilai performansi tinggi. Data saham yang digunakan pada tugasakhir ini adalah saham yang masuk dalam indeks LQ45. Kemudian diseleksi dengan mengunakan teoriDempster-Shafer dan didapatkan 10 saham dengan nilai performansi tertinggi untuk dimasukkan ke dalamportofolio yaitu BSDE, GGRM, INDF, SGRO, SMGR, SCMA, MNCN, BBCA, HMSP, dan BMTR denganmenghasilkan return portofolio sebesar 0.00511 sedangkan return portofolio tanpa Dempster-Shafer sebesar0.0026. Untuk evaluasi kinerja portofolio dengan menggunakan metode Sharpe Ratio hasil yang didapatkanportofolio dengan Dempster-Shafer sebesar 0.07329 dan portofolio saham Mean-Semivarian tanpa DempsterShafersebesar0.00598.HasildaritugasakhirinimenunjukkanportofoliosahamMean-SemivariandenganDempster-Shafermemiliki kinerja portofolio yang lebih baik dibandingkan dengan portofolio MeanSemivariantanpaDempster-Shafer. Katakunci:DempsterShafer,PortofolioReturn,PortofolioMean-Semivarian,Semivariance,SharpeRatio AbstractThereareseveralwaystoformastockportfolio.Intheselectionofsharestobeincludedintheportfolio,ofcourseinvestors want a high return value or a low risk value. In this final task the formation of a MeanSemivarianceportfolio is carried out by applying the Dempster-Shafer (DS) theory to obtain the expectedportfolio. The Dempster-Shafer theory here is used to select stocks with high performance values. Stock dataused in this final project are shares included in the LQ45 index. Then selected using the Dempster-Shafer theoryand obtained 10 stocks with the highest performance values to be included in the portfolio, namely BSDE,GGRM, INDF, SGRO, SMGR, SCMA, MNCN, BBCA, HMSP, and BMTR by generating a portfolio return of0.00511 while return portfolio without Dempster-Shafer is 0.0026. To evaluate portfolio performance using theSharpe Ratio method the results obtained by the portfolio with Dempster-Shafer amounted to 0.07329 and theMean-Semivariance stock portfolio without Dempster-Shafer was 0.00598. The results of this final task showthat the Mean-Semivariance stock portfolio with the Dempster-Shafer has a better portfolio performancecompared to the Mean-Semivariance portfolio without the Dempster-Shafer. Keywords: Dempster Shafer, Portofolio Return, Portofolio Mean-Semivarian, Semivariance, Sharpe Ratio
Comparison Of Stock Price Prediction With Generalized Autoregressive Conditional Heteroscedasticity Model And Artificial Neural Network Justinus Dedy Handyka Simanjuntak; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pasar modal sangat berkaitan dengan perekonomian karena pasar modal merupakan kegiatan perdagangan modal-modal perusahaan publik. Saham merupakan jumlah satuan dari modal kooperatif yang harganya dapat berubah sewaktu-waktu tergantung keuntungan dan kerugian atau kinerja perusahaan tersebut. Mengingat harga saham yang berubah-ubah maka diperlukan metode yang sesuai untuk dapat melakukan peramalan suatu harga saham. Untuk kasus harga saham berubah-ubah dapat diatasi dengan menggunakan metode time series. Generalized Autoregressive Conditional Heteroscedasticity (GARCH) merupakan salah satu model time series yang baik dalam melakukan peramalan harga saham. Model GARCH menganggap asumsi heteroscedasticity dapat meramalkan harga saham yang berubah-ubah secara signifikan terhadap waktu. Artifical Neural Network menunjukan pendekatan yang efektif dalam peramalan time series karena tingkat keakuratannya yang tinggi. Pada penelitian ini didapatkan hasil perhitungan error RMSE dengan model GARCH (1,0) sebesar 0.3234, dan ANN menggunakan 21 hidden layer sebesar 0.0091. Hasil dari penelitian ini metode ANN ialah metode terbaik dalam prediksi harga saham PT. Bumi Citra Permai Tbk. Kata kunci : GARCH, ANN, Saham
Gabungan Metode Support Vector Machine (SVM) dan Equal Weight Portofolio (EWP) Untuk Pengambilan Keputusan Jual Beli Saham Novelya Nababan; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Salah satu metode yang dapat digunakan untuk memprediksi pergerakan harga saham yaitu Support Vector Machine (SVM) dengan menggunakan kernel linear. Pada penelitian ini menggunakan tiga pendekatan sebagai inputan model, pendekatan pertama untuk inputan data diperoleh dari perhitungan inputan SVM dengan dua puluh dua atribut menggunakan data trading (open, high, low, dan close prices) yang dimana algoritma SVM akan mendapatkan prediksi dan menjadi nilai bobot, nilai bobot yang didapatkan digunakan untuk menghitung return portofolio, dan EWP memberi bobot yang sama kepada semua perusahaan, sedangkan mean variance (MV) akan mendapatkan bobot yang akan di masukkan ke dalam prediksi SVM pada semua perusahaan. Pada penelitian ini menggunakan data historis setiap perusahaan dari 2005 sampai 2018. Data ini digunakan untuk mempelajari pola yang pada akhirnya dapat memprediksi pergerakan harga saham dari setiap perusahaan. Kinerja Algoritma SVM + EWP menunjukkan hasil yang optimal dibandingkan dengan EWP tanpa SVM masih belum menunjukkan hasil yang optimal. Nilai maksimal yang diperoleh return portofolio SVM + EWP adalah 14.71%, return portofolio EWP tanpa SVM adalah 0.27%, dan return portofolio SVM + MV adalah 0.12%, dengan nilai rata-rata return portofolio masing-masing algoritma adalah 10.30%, 0.94%, 1.76%. Kata kunci:SVM, Equal Weight Portofolio, Mean Variance
Prediksi Arah Kenaikan Indeks Sektoral yang Berada Di Bursa Efek Indonesia (BEI) dengan Menggunakan Bayesian Network Benedikto Krisnandy Wijaya; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 7, No 1 (2020): April 2020
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Peramalan data khususnya pergerakan indeks merupakan suatu metode yang digunakan untuk membantu pengambilan keputusan dalam berinvestasi di pasar keuangan. Investasi saham sendiri dilakukan untuk meningkatkan aset pada masa depan. Dalam investasi juga harus mempertimbangkan hasil yang didapatkan atau biasa disebut return. Untuk bisa mengetahui pergerakan dan hubungannya di masa depan, dibutuhkan sebuah model untuk membantu meramalkan pergerakan harga saham. Dalam tugas akhir ini akan membahas tentang, bagaimana memprediksi arah kenaikan indeks sektoral yang berada di Bursa Efek Indonesia (BEI) dengan menggunakan Bayesian Network dan Algoritma Naïve Bayes. Indeks sektoral yang digunakan adalah data historis mingguan dari tahun 2000 sampai 2018 yang setiap sektornya berjumlah sebanyak 984 minggu yaitu 02 Januari 2000 sampai 27 Desember 2015 yang berjumlah 828 minggu sebagai data training dan data testing antara 03 Januari 2016 sampai 30 Desember 2018 yang berjumlah sebanyak 156 minggu. Metode yang digunakan untuk mengetahui pergerakan setiap indeks adalah menggunakan Algoritma Naïve Bayes Diskrit dan Kontinu. Setiap indeks diasumsikan saling bebas dan hanya berkaitan degan nilai kurs dollar Amerika Serikat. Dari hubungan tersebut digunakanlah Bayesian Network untuk menggambarkan topologinya. Setelah itu, menentukan metode yang terbaik untuk perhitungan prediksi dengan melihat tingkat akurasi dari setiap metode dengan confusion matrix. Indeks yang terkait diantaranya adalah JKAGRI, JKCONS, JKFINA, JKINFA, JKMING, JKPROP, dan JKTRAD terhadap Kurs Dollar Amerika Serikat (USD/IDR). Nilai rata-rata akurasi pada Naïve Bayes Diskrit adalah sebesar 60.71% untuk data training dan 55.43% untuk data testing. Sedangkan nilai rata-rata akurasi pada Naïve Bayes Kontinu adalah sebesar 51.28% untuk data testing. Sektor nilai tukar USD/IDR lebih mempengaruhi JKINFA pada Data Training, sedangkan pada Data Testing lebih mempengaruhi JKAGRI dan JKCONS. Kata kunci : Indeks Sektoral, Bayesian Network, Naïve Bayes Diskrit, Naïve Bayes Kontinu, Data Historis Abstract Data forecasting, especially index movements, is a method used to assist decision making in investing in financial markets. Own stock investment is carried out to increase assets in the future. In investment must also consider the results obtained or commonly called return. To be able to know the movements and relationships in the future, we need a model to help predict stock price movements. In this final project will discuss about, how to predict the direction of the rise in sectoral indices on the Indonesia Stock Exchange (IDX) using the Bayesian Network and Naïve Bayes Algorithm. The sectoral index used is weekly historical data from 2000 to 2018, with each sector totaling 984 weeks, namely 2 January 2000 to 27 December 2015 totaling 828 weeks as training data and testing data between 3 January 2016 and 30 December 2018, totaling 156 Sunday. The method used to determine the movement of each index is using the Discrete and Continuous Naïve Bayes Algorithm. Each index is assumed to be independent and only relates to the value of the US dollar exchange rate. From this connection Bayesian Network is used to describe the topology. After that, determine the best method for calculating predictions by looking at the accuracy of each method with the confusion matrix. Related indexes include JKAGRI, JKCONS, JKFINA, JKINFA, JKMING, JKPROP, and JKTRAD against the US Dollar Exchange Rate (USD / IDR). The average accuracy in the Discrete Naïve Bayes is 60.71% for training data and 55.43% for testing data. While the average value of accuracy in Continuous Naïve Bayes is 51.28% for testing data. The USD / IDR exchange rate sector has more influence on JKINFA in Data Training, while in Data Testing it has more influence on JKAGRI and JKCONS. Keywords: Sectoral Indices, Bayesian Networks, Naïve Bayes Discrete, Naive Bayes Continuous, Historical Data
Artificial Neural Network Untuk Prediksi Pergerakan Harga Saham Sektor Keuangan Dengan Melibatkan Data Google Trends Febry Triyadi; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Dalam dunia bisnis, memprediksi harga saham adalah salah satu tantangan yang sulit bagi para investor, sehingga banyak penelitian yang dilakukan untuk memprediksi harga saham. Google trends adalah grafik statistik pencarian web yang menampilkan informasi yang paling trend dan paling banyak menjadi perhatian orang menurut google pada kurun waktu tertentu. Banyak penelitian yang memanfaatkan data Google trends untuk memprediksi data time series, dikarenakan data Google trends itu selalu update dan mudah diakses. Pada penelitian ini, pergerakan harga saham dalam sektor keuangan dengan melibatkan data Google trends menggunakan metode Artificial neural network (ANN). Penelitian ini juga menyelidiki pengaruh Google trends terhadap data harga saham menggunakan metode Cointegration test dan Granger causality analysis. Data Google trends menjadi salah satu cara untuk mempertimbangkan hasil prediksi harga saham. Penelitian ini juga membandingkan dua prediksi menjadi tipe I dan tipe II diantaranya: tipe I prediksi pergerakan harga saham tanpa data Google trends dan tipe II prediksi pergerakan harga saham dengan data Google trends. Hasil menunjukan bahwa prediksi dengan penambahan data Google trends memberikan dampak yang sedikit lebih signifikan terhadap hasil prediksi dibandingkan prediksi tanpa Google trends. Kata kunci : Google trends, harga saham, Artificial neural network Abstract In the business world, predicting share prices is one of the difficult challenges for investors, so a lot of researches were done to predict share prices. Google trends is a graph of web search statistics that shows information which have the most popular information and attention of people according to Google at a certain time. Many studies use Google trends data to predict time series data, because Google trends data is always up to date and easily accessible. In this study, the movement of stock prices in the financial sector by involving Google trends data using the Artificial neural network (ANN) method. This study also investigates the effect of Google trends on stock price data using the Cointegration test and the Granger causality analysis methods. Google trends data is a way to consider the results of stock price predictions. This study also compares two predictions with Type I and Type II, which include: Type I is prediction of stock price movements without Google trends data and Type II is prediction of stock price movements with Google trends data. The results show that predictions with the addition of Google trend data have a slightly more significant impact on the results of the predictions than the predictions without Google trends. Keywords: Google trends, stock price, Artificial neural network
Perbandingan Klasifikasi Pergerakan Harga Saham Pt. Astra Internasional Tbk Menggunakan Vector Auto Regressive (var) Stasioner Dan Logistic Regression Ayu Wulandari; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 7, No 1 (2020): April 2020
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Saham merupakan satuan nilai dalam berbagai instrumen keuangan yang kini menjadi metode utama untuk meningkatkan modal bisnis. Harga saham yang bersifat fluktuaktif membuat diperlukannya metode yang tepat untuk memprediksi pergerakan harga saham untuk mengurangi kerugian yang terjadi. Dalam penelitian kali ini, dilakukan prediksi terhadap pergerakan harga saham menggunakan data harga saham harian pada PT Astra Internasional tbk dengan metode Vector Autoregressive (VAR) Stasioner dan Logistic Regression. Metode VAR merupakan metode deret waktu yang digunakan untuk memodelkan dan meramalkan secara simultan lebih dari satu variabel yang saling berkaitan. Sedangkan metode Logistic Regression merupakan metode analisis yang mendeskripsikan hubungan antara dua variabel dependen yang memiliki dua kategori atau lebih dengan satu atau lebih variabel independent yang berskala kategori atau kontinu. Penelitian ini menghasilkan kesimpulan bahwa metode Logistic Regression memberikan hasil yang cenderung lebih akurat yaitu nilai akurasi sebesar 69.60%, presisi 78.57% dan recall 46.80%, dibandingkan dengan metode Vector Autoregressive (VAR) yang menghasilkan nilai akurasi sebesar 50.98%, presisi 28.57%, dan recall 4.25%. Kata kunci : Saham, VAR Stasioner, Logistic Regression Abstract Stock is a unit of value in various financial instruments which is now the main method for increasing business capital. Fluctuating stock prices make the need for appropriate methods to predict stock price movements to reduce losses that occur. In this research, a prediction of stock price movements is carried out using daily stock price data on PT Astra International Tbk using Stationary Vector Autoregressive (VAR) and Logistic Regression methods. The VAR method is a time series method that is used to model and predict simultaneously more than one interrelated variable. While the Logistic Regression method is an analytical method that describes the relationship between two dependent variables that have two or more categories with one or more independent variables. This research concludes that the Logistic Regression method gives results that tend to be more accurate, namely an accuracy value of 69.60%, a precision of 78.57% and a recall of 46.80%, compared to the Vector Autoregressive (VAR) method which produces an accuracy value of 50.98%, 28.57% precision, and 4.25% recall. Keywords: Stock Price, VAR Stationary, Logistic Regression
Prediksi Harga Saham PT. Hanson International Tbk menggunakan Metode Vector Autoregressive (VAR) Stasioner Dian Tiara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 7, No 1 (2020): April 2020
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Pasar modal adalah salah satu dari instrumen saham. Para investor memperoleh keuntungan yang besar namun bisa sebaliknya. Keuntungan yang besar bisa didapatkan dengan melakukan analisa dalam memprediksi harga saham. Namun, pada proses prediksi harga saham terdapat kesulitan karena saham mengalami fluktasi setiap waktu dengan cepat. Pada tugas akhir ini digunakan metode Vector Autoregressive (VAR) untuk memprediksi harga saham di PT. Hanson International Tbk yang bergerak di bidang industri properti dan perumahan dengan melibatkan kurs nilai jual dollar ke rupiah. VAR merupakan salah satu model time series stasoner yang dalam pemodelannya melibatkan informasi historis variabel lain selain informasi historis dari variabel yang ingin diprediksi. Jika terdapat dua variabel acak runtun waktu (misalkan dan ) dengan yang memiliki unsur kausalitas (asosiasi), maka VAR dapat memodelkan dengan melibatkan dan sebaliknya. Adapun data yang digunakan pada tugas akhir ini adalah data historis close harian dari Januari 2015 hingga September 2019. Tugas akhir ini juga mengembangkan time series secara stasioner. Hasil dari prediksi tugas akhir ini menunjukkan bahwa Root Mean Square Error(RMSE) sebesar 41.50 Kata kunci : Model Vector Autoregressive Model (VAR), time series,stasioner,PT. Hanson International Tbk, Root Mean Square Error (RMSE) Abstract Capital markets are one of the stock instruments. Investors get a big profit but can otherwise. Large profits can be obtained by analyzing the price of the stock. However, in the stock price prediction process, there is difficulty because the stock has decreased flutation every time quickly. At this final task used the Vector Autoregressive (VAR) method to predict the stock price in PT. Hanson International TBK engaged in the property and housing industry by involving the exchange rate of the selling dollar to rupiah. VAR is one of the time series Stasoner models that in its modelers involve historical information of other variables besides the historical information of the variables you want to predict. If there are two variables random time (e.g. and )) with which have causality (association) element, then VAR can model by involving and vice versa. The data used in this final task is daily close historical data from January 2015 to September 2019. This final task also develops a stationary time series. The result of this final task prediction suggests that Root Mean Square Error (RMSE) amounting to 41.50 Keywords: Model Vector Autoregressive Model (VAR), time series,stasioner,PT. Hanson International Tbk, Root Mean Square Error (RMSE)
Portfolio Optimization Based on Return Prediction and Semi Absolute Deviation (SAD) Gharyni Nurkhair Mulyono; Deni Saepudin; Aniq Atiqi Rohmawati
International Journal on Information and Communication Technology (IJoICT) Vol. 9 No. 1 (2023): June 2023
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/ijoict.v9i1.698

Abstract

A portfolio is a collection of investment financial assets managed by financial institutions or individuals. In investment activities, investors expect minimal loss risk and optimal stock portfolio weight to get maximum profit. Investors can monitor changes in stock index values to compare portfolio performance. This research has discussed how to build a portfolio based on stock datasets with the LQ45 index using return predictions from the artificial neural network (ANN) method with semi-absolute deviation (SAD). Furthermore, the portfolio is optimized by looking for weights that match it. After that, a comparison of portfolio performance was carried out using the Sharpe ratio (SR) method between the semi-absolute deviation (SAD) portfolio and the portfolio resulting from the formation of the equal weight (EW) portfolio. Portfolio performance with ANN prediction and SAD is better than equal-weight portfolios in terms of mean return, standard deviation, and sharpe ratio for portfolios with few stocks, namely 2 and 3 stocks. In addition, a portfolio with a higher number of stocks can make the portfolio value from the ANN close prediction algorithm process and the selection of weights based on SAD is better than portfolios with equal weight for each list of stocks in the portfolio.
Co-Authors A. Maulana Mukhsin Abdurrazaq Naufal Abi Rafdhi Hernandy Abi Rafdhi Hernandy Adhitya Aldira Hardy Adiwijaya Agri Pratomo Alfian Yudha Iswara Ananda Affan Fattahila Annisa Aditsania Arifin Dwi Kandar Saputro Arnasli Yahya Ayu Wulandari Bagas Yafitra Pandji Bambang Eko Supriyadi Benedikto Krisnandy Wijaya Budi Ihsan Daulay Cipta Rahmadayanti Danar Satrio Aji Dara Ayu Lestari Deni Saepudin Dian Tiara Didit Adytia Dinda Fitri Irandi Dini Apriliani Lestari Ditta Febriany Sutrisna Elvina Oktavia Ergon Rizky Perdana Purba Erick Anugrah Prihananta Farah Diba Febry Triyadi Fendi Irfan Amorokhman Fhira Nhita Fikri Nur Hadiansyah Fiqi Ruli Setiawan Fitriaini Amalia Gharyni Nurkhair Mulyono Hadyatma Dahna Marta Hasbi Rabbani I Komang Gede Rusmawan Ihsan Hasanudin Ilma Mufidah Imannda Kusuma Putra Indwiarti Irandi, Dinda Fitri Irfan Fauzan Prasetyo Irwan Ramadhana Jeshurun Eliezer Cussoy Jondri Jondri Justinus Dedy Handyka Simanjuntak Kaenova Mahendra Auditama Kautsar Abdillah Lani Rohaeni Laode Muhammad Ali Al-Qomar Lola Yolanda Ruth Herinis Lumbanraja Mailia Putri Utamil Muhamad Lutfi Chandra Muhammad Akmal Afghani Muhammad Fadhil Maulana Muhammad Hafidh Raditya Muhammad Iqbal Cholil Muhammad Irfan Fathurrahman Nanda Putri Mintari Nathan Sukmawan Ni Luh Ketut Dwi Murniati Nisrina Nur Faizah Novelya Nababan Nur Nining Aulia Putu Harry Gunawan Rabbani, Hasbi Rahmadayanti, Cipta Rahmattullah, Rizky Raisa Betha Meiliza Rangga Arya Pamungkas Redha Arifan Juanda Reima Agustina Kusumawardani Reiza Krisnaviardi Reza Pratama Rian Febrian Umbara Rimba Whidiana Ciptasari Rizki Ayudiah Kartika Paramita Rizky Pujianto Rizky Retno Utami Rizma Nurviarelda Sabilla Fitriyantini Shuni’atul Ma’wa Siti Saadah Sri Suryani Prasetiyowati Suhendar, Annisya Hayati Susy Sundari Syahrizal Rizkiana Rusamsi Syaifrijal Zirkon Radion Tasya Salsabila Tedo Hariscandra Triandini Nurislamiaty Yahya, Arnasli ZulvanFirdaus ZulvanFirdausImanullah