Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Informatika Jurnal Nasional Komputasi dan Teknologi Informasi Media Informatika SEMINAR TEKNOLOGI MAJALENGKA (STIMA)
Ali Akbar Rismayadi, Ali Akbar
Unknown Affiliation
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Neuroscience Transportation

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Media Informatika

 1 
Perbandingan Kinerja Metode Machine Learning Support Vector Machine (SVM), Random Forest, dan K-Nearest Neighbors (KNN) dalam Prediksi Harga Saham Apple Rismayadi, Ali Akbar; Febrianto, Rudhi Wahyudi; Raharja, Agung Rachmat; Hariyanti, Ifani
Media Informatika Vol 23 No 3 (2024)
Publisher : P3M STMIK LIKMI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37595/mediainfo.v23i3.299

Abstract

Penelitian ini mengevaluasi kinerja tiga model machine learning SVM, Random Forest, dan KNN untuk memprediksi harga saham Apple. Menggunakan data historis saham, modelmodel tersebut dinilai berdasarkan metrik utama: Mean Squared Error (MSE), Mean Absolute Error (MAE), dan R-Squared (R²). Hasil penelitian menunjukkan bahwa SVM adalah model dengan kinerja terbaik, dengan MSE sebesar 0.2637, MAE sebesar 0.2710, dan R² sebesar 0.9999, yang mencerminkan akurasi prediksi yang sangat baik dan keandalan yang tinggi. Model Random Forest menunjukkan kinerja yang cukup kompetitif dengan MSE sebesar 0.4781, MAE sebesar 0.3852, dan R² sebesar 0.9998. Sebaliknya, model KNN memiliki tingkat kesalahan tertinggi, dengan MSE sebesar 0.7938 dan R² sebesar 0.9997, sehingga kurang cocok untuk dataset ini. Temuan ini menegaskan bahwa SVM adalah model yang paling andal untuk memprediksi harga saham Apple secara akurat. Penelitian ini memberikan wawasan penting dalam pemilihan model pembelajaran mesin untuk prediksi deret waktu finansial, yang dapat mendukung pengambilan keputusan yang lebih baik dalam analisis pasar saham.
Co-Authors Agung Rachmat Raharja Dedy, Asep fauzan, Muhamad Rizal Febrianto, Rudhi Wahyudi Fitri Khoirunnisa Hariyanti, Ifani Irawan, Rivaldy Sobri, Muhammad Ali Sulaiman, Aqil Tama