Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Indonesian Journal on Computing (Indo-JC)

Implemetasi Model Autoregressive (AR) Dan Autoregressive Conditional Heteroskedasticity (ARCH) Untuk Memprediksi Harga Emas Ni Luh Ketut Dwi Murniati; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2018.3.2.225

Abstract

Gold is a one of  high selling value items in the market, and it  can be used as an investment item. The price of gold in the market tends to be stable and not undergoing too significant changes which makes gold be a very valuable item. The aim of this research is to predict gold price using AR (1) and ARCH (1) model which are the part of time series methods. The data of gold price is obtained from ANTAM's daily historical website from 2007 - 2017. Here, the basic information about data is given by using descriptive statistic and the estimation of parameters in each model is condacted by using Maximum Likelihood Estimation (MLE). To evaluate the model, Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) are used. In this research, the estimated model of AR (1) and ARCH (1) given as X_t = -0.012X_{t-1}+epsion_t and X_t = epsilon_t sqrt{0.000053+0.011958X^2_{t-1}} respectively. Moreover, the result of MAE and RMSE using AR (1) model are 0.0261 and 0.0342 respectively, meanwhile for ARCH (1) model  are 0.0170 and 0.0251 respectively.
Perbandingan Prediksi Harga Saham dengan model ARIMA dan Artificial Neural Network Bagas Yafitra Pandji; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 2 (2019): September, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2019.4.2.344

Abstract

Kondisi perekonomian dunia mengalami perubahan yang signifikan, mayoritas merupakan dampak dari kenaikan minyak dunia, karena minyak merupakan sumber energi utama di dunia. Kondisi tersebut juga berimbas pada harga saham di pasar modal. Ada beberapa variabel yang mempengaruhi nilai return saham, yang sifatnya linier dan non-linier terhadap return harga saham. Untuk memodelkan observasi yang linier digunakan model time series Autoregressive Moving Average (ARIMA). Selanjutnya, untuk observasi yang non-linier digunakan Artificial Neural Network (ANN). Pada penelitian ini didapatkan perbandingan hasil perhitungan error RMSE dengan model ARIMA (1, 0, 0), dan ARIMA (2, 0, 0), masing-masing sebesar 1,3738, 1.5514, sedangkan ANN dengan 16 hidden layer sebesar 4.6814. Hasil dari penelitian ini model ARIMA (1, 0, 0) lebih akurat dibandingkan metode ANN dalam prediksi harga saham PT. Bumi Citra Permai Tbk.Kata Kunci: ARIMA, ANN, Prediksi, Saham
Implementasi Genetic Algorithm dalam Model ARIMA untuk Memprediksi Observasi Time Series Rangga Arya Pamungkas; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 3 (2019): December, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2019.4.3.353

Abstract

Nilai harga saham selalu berubah-ubah dan berfluktuasi setiap harinya. Untuk menghadapi masalah mengenai ketidakpastian harga saham, perlu dilakukan suatu peramalan time series untuk memprediksi harga saham di masa mendatang. Pada penelitian ini, metode yang digunakan untuk memprediksi harga saham adalah metode Autoregressive Moving Average (ARIMA). Untuk meningkatkan akurasi dari prediksi harga saham, akan diimplementasikan Genetic Algorithm (GA) pada model ARIMA terbaik yang didapatkan dari proses ARIMA. Hasil dari penelitian ini menunjukkan bahwa prediksi harga saham dengan menggunakan model ARIMA (1,1,1) memiliki nilai Root Mean Square Error (RMSE) sebesar 418.1314. Sedangkan hasil prediksi harga saham dengan mengimplementasikan GA pada model ARIMA (1,1,1) dengan 600 generasi, 1200 generasi, 1800 generasi, 2400 generasi, dan 3000 generasi masing-masing memiliki nilai RMSE berturut-turut sebesar 5827.738, 1319.903, 1080.704, 563.7984, dan 371.0107. Hasil yang didapat menunjukkan bahwa pengimplementasian GA pada ARIMA dengan 3000 generasi dapat meningkatkan akurasi prediksi harga saham, yaitu dengan memiliki nilai RMSE sebesar 371.0107.Kata Kunci: GA, Harga Saham, Model ARIMA, Prediksi, RMSE
Clustering of Earthquake Prone Areas in Indonesia Using K-Medoids Algorithm Fiona Ramadhani Senduk; Indwiarti Indwiarti; Fhira Nhita
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 3 (2019): December, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2019.4.3.359

Abstract

Located right above the ring of fire makes Indonesia prone to natural disasters, especially earthquakes. With the number of earthquakes that have occurred, disaster mitigation is very much needed. The use of data mining methods will certainly help in disaster mitigation. One method that can be used is clustering. The clustering algorithm used in this study is k-Medoids, and comparison with the k-means algorithm is also carried out. The data used are earthquake data from all regions in Indonesia during 2014-2018 that were recorded by the United State Geological Survey (USGS). The results obtained showed that k-medoids giving better silhouette results and computational time than k-means. For the k-medoids cluster results, the highest value of silhouette was 0.4574067 with k = 6. The analysis of each cluster is presented in this paper.Keywords: clustering,data mining, earthquake, k-medoid.
Penerapan Analisis Klaster untuk Seleksi Aset dalam Optimasi Portofolio Investasi Saham varid vaya yusuf; irma palupi; indwiarti indwiarti
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 2 (2020): September, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.2.438

Abstract

Manfaat diversifikasi dapat dioptimalkan dengan mengategorikan aset ke dalam kelas-kelas tertentu. Di dalam pasar keuangan, terdapat struktur hirarki antar saham dan dapat dianalisis dengan mengobservasi serangkaian harga saham yang saling berkorelasi. Penelitian terdahulu banyak berfokus pada dampak analisis klaster terhadap performa portofolio, namun sedikit yang meninjau sisi seleksi aset dalam benchmark-nya. Penelitian ini mengajukan tiga skenario alternatif seleksi aset untuk proses konstruksi portofolio berbasis klaster sebagai sudut pandang baru dalam penyusunan benchmark konstruksi portofolio. Dalam pelaksanaannya, digunakan ward’s method untuk melakukan klasterisasi terhadap saham berdasarkan data in-sample dari 606 perusahaan tercatat di BEI. Dilanjutkan dengan konstruksi portofolio dengan tangency portfolio sebagai preferensi portofolio optimal dan seleksi aset dengan tiga skenario alternatif. Performa portofolio diukur menggunakan rasio Sharpe dan rasio terhadap data out-sample. Analisis klaster yang dilakukan menunjukkan kualitas yang luar biasa dalam kelompokkelompok saham yang terbentuk. Portofolio dengan analisis klaster memberikan performa yang sangat baik, melebihi portofolio tanpa analisis klaster.