Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknik ITS Jurnal Buana Informatika JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Simantec Indonesian Journal of Electrical Engineering and Computer Science Sewagati
Handayani Tjandrasa
Unknown Affiliation
Arts Humanities Computer Science & IT Dentistry Education Engineering Languange, Linguistic, Communication & Media Library & Information Science Public Health Social Sciences Other

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Simantec

 1 
PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yuli Kurniawati; Handayani Tjandrasa; Isye Arieshanti
Jurnal Simantec Vol 4, No 1 (2014)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v4i1.1345

Abstract

ABSTRAKDalam pasar saham, harga suatu saham dapat berubah secara cepat dari waktu ke waktu. Para pemilik saham diharapkan dapat segera memutuskan kapan saham sebaiknya dijual atau tetap dipertahankan. Karenanya prediksi pergerakan harga saham sampai saat ini masih menjadi topik hangat untuk diperbincangkan dalam dunia jual beli saham. Model prediksi pergerakan harga saham yang akurat dapat membantu para investor dalam pertimbangan pengambilan keputusan transaksi saham. Di dalam praktiknya, harga suatu saham dapat diprediksi dengan menggunakankonsep analisa teknikal.Analisa teknikal didasarkan pada prinsip penggunaan data histori harga saham untuk memprediksi pergerakan saham dimasa mendatang.Tujuan penelitian ini adalah mengimplementasikan metode Support Vector Regression dalam analisa teknikal untuk memprediksi pergerakan harga saham di masa mendatang. Support Vector Regression (SVR) merupakan pengembangan dari metode support vector machine untuk kasus regresi. Metode ini mampu mengatasi overfitting serta mampu menunjukkan performa yang bagus.Dari serangkaian uji coba yang dilakukan, dapat disimpulkan bahwa metode SVR dapat memprediksi pergerakan harga saham dengan cukup baik. Hal ini terlihat dari nilai NRMSE terbaik yang didapatkan sebesar 0.14.Kata kunci: Analisa Teknikal,Prediksi harga saham, Regresi, SVR.ABSTRACTInstockmarkets, the priceof a stockcanchangerapidlyover time. The investor may decide when the stock should be sold or retained.For this reason, thestockprice movementpredictionis stilla hot topicto be discussedin the world ofbuying and sellingstocks. The modelwhich was accurate forstockprice movement prediction may help investors inconsideration of the decision-making of stock transactions. In practice, stock price may be predicted with the technical analysis approach. Technical analysisis based on the principle of using historical datat o predict stock price movement in the future. The purpose of this study is to implement Support Vector Regression in technical analysis to predict the movement of stock prices. Support Vector Regression(SVR) was the development of support vector machine for regression case. This method was able to overcome the over fitting and be able to show good performance. From a series of experiments, it can be concluded that the SVR method may predict the movement of stock prices pretty well. It can be seen from the best values of NRMSE is 0,14.Keywords: Technical Analysis, Stock price forecasting, Regression, SVR.
PREDIKSI NILAI DENGAN METODE SPECTRAL CLUSTERING DAN CLUSTERWISE REGRESSION Ahmad Yusuf; Handayani Tjandrasa
Jurnal Simantec Vol 4, No 1 (2014)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v4i1.1040

Abstract

ABSTRAKPrediksi nilai adalah hal yang terus dikembangkan dalam penggalian data. Regresi linier merupakan metode dasar dalam memprediksi nilai berdasar variabel-variabel pada data. Salah satu hal yang mempengaruhi kualitas dari hasil regresi adalah persebaran data latih. Data latih terkadang membuat persamaan regresi kurang optimal. Hal ini dapat diantisipasi dengan mengelompokkan data terlebih dahulu kemudian membangun model regresi dari masing-masing kelompok. Pengelompokan data dilakukan dengan menggunakan algoritma Spectral Clustering, sedangkan model regresi dibangun dengan algoritma Clusterwise Regression. Hasil prediksi merupakan hasil perkalian keanggotaan fuzzy data uji dengan persamaan regresi pada masing-masing kelompok. Metode ini diujicobakan terhadap beberapa dataset yang bervariasi yang dibandingkan dengan metode regresi linear biasa. Ukuran pengujian yang digunakan adalah Root Mean Square Error yang menghitung kesalahan dari hasil prediksi. Semakin kecil nilai RMSE suatu metode maka metode tersebut semakin baik. Berdasar pada uji coba yang dilakukan, penggunaan metode yang diusulkan mampu memprediksi nilai dengan kesalahan sekitar 3 sampai 6 persen. Parameter jumlah cluster juga berpengaruh terhadap hasil prediksi yaitu berbanding terbalik dengan nilai RMSE.Kata kunci: Clusterwise Regression, Pengelompokan, Penggalian Data, Prediksi, Regresi, Spectral Clustering.ABSTRACTPredicted values are continuously being developed in data mining. Linear regression is a basic method for predicting the value of variables based on the data. One that affects the quality of the regression is the spread of the data training. Data training sometimes make less optimal regression model. It can be anticipated by clustering the data first and then building the regression model of each cluster. We are using Spectral Clustering for clustering data, whereas regression model is built with Clusterwise Regression algorithm. The prediction result is obtained by multiplying fuzzy membership data testing with the result of regression equation in each group. This method is tested against several variations dataset compared to standard linear regression methods. Measure of the test used is Root Mean Square Error that computes the error of the predicted results. The smaller the RMSE value indicates the method is the better method in predictioning value. Based on experiments performed, the proposed method is able to predict the score with the error about 3 – 6 percent. Number of clusters as parameter affects the prediction, which is inversely proportional to the value of RMSE.Keywords: Clusterwise Regression, Clustering, Data Mining, Prediction, Regression, Spectral Clustering
Co-Authors Adenuar Purnomo Adenuar Purnomo Adhira Riyanti Amanda Ahmad Reza Musthafa Ahmad Yusuf Aldinata Rizky Revanda Altriska Izzati Khairunnisa Hermawan Andika Rahman Teja Ari Wijayanti Chastine Fatichah Dini Adni Navastara Fairuuz Azmi Firas Glenaya Imam Mustafa Kamal Isye Arieshanti Lisa Yuli Kurniawati Mochammad Zharif Asyam Marzuqi Muhammad Alif Satriadhi Nanik Suciati Nanik Suciati Rayssa Ravelia Ricky Eka Putra Risky Dwi Listyo Firmansyah Surya Fadli Alamsyah Wan Sabrina Mayzura Wiwik Anggraeni