Evaluasi Algoritma Metode Machine Learning untuk Memprediksi Harga Saham
Keywords:
Machine Learning, Prediksi Harga Saham, Logistic Regression, Random Forest, Linear Regression, Data Visualisasi, Volume PerdaganganAbstract
Penelitian ini mengevaluasi kinerja beberapa algoritma machine learning, yaitu Logistic Regression, Random Forest, Decision Tree, K-Nearest Neighbors (KNN), dan Linear Regression, dalam menganalisis data historis saham Bank Negara Indonesia. Penilaian dilakukan melalui analisis klasifikasi dan regresi dengan menggunakan metrik seperti akurasi, Mean Squared Error (MSE), dan R- squared. Logistic Regression menunjukkan performa terbaik dalam tugas klasifikasi dengan akurasi 60%, meskipun memiliki kelemahan dalam memprediksi kelas "Increase". Untuk regresi, algoritma Linear Regression tidak efektif, dengan nilai R-squared -0.02 dan MSE 0.24. Visualisasi data menunjukkan korelasi tinggi antar fitur harga, serta korelasi moderat negatif antara volume perdagangan dan harga saham. Studi ini menyarankan penelitian lebih lanjut untuk mengeksplorasi dampak variabel volume perdagangan terhadap prediksi harga saham.
References
Brownlee, J. (2020). Machine Learning Mastery With Python: Understand Your Data, Create Accurate Models, and Work Projects End-To-End. Machine Learning Mastery.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
Kelleher, J. D., Namee, B., & D'Arcy, A. (2020). Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies. MIT Press.
Khan, R., & Shah, N. A. (2021). Stock Price Prediction Using Machine Learning Techniques: A Comparative Study. Journal of Financial Analytics and Machine Learning, 4(1), 34–45.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, É. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Yeo, I. K., & Johnson, R. A. (2000). A New Family of Power Transformations to Improve Normality or Symmetry. Biometrika, 87(4), 954–959.
Zhang, G., Eddy Patuwo, B., & Hu, M. Y. (1998). Forecasting with Artificial Neural Networks: The State of the Art. International Journal of Forecasting, 14(1), 35– 62.
