Hasil Pencarian  ::  Simpan CSV :: Kembali

"Globalisasi dan era industri 4.0 telah membawa perkembangan luar biasa diberbagai bidang, termasuk di bidang ekonomi dan keuangan. Pertumbuhanekonomi di abad ke-21 bergantung pada partisipasi masyarakat dalam kegiatanekonomi (misalnya trading, commerce, dan investasi). Di Indonesia, salah satukegiatan ekonomi yang umum dilakukan adalah berinvestasi di pasar saham karenabanyaknya perusahaan yang dapat dipilih oleh investor untuk berinvestasi. Banyakorang yang ingin menanamkan modalnya di pasar saham karena tingkatpengembaliannya yang tinggi, meskipun demikian banyak hal kompleks (noisy timeseries yang terus bergerak dan sifatnya yang sulit untuk diprediksi karena cepatbergerak). Oleh karena itu, tulisan ini akan membahas tentang prediksi harga sahamdengan menggunakan Gauss-Newton Representation Based Algorithm (GNRBA).Metode yang diusulkan menawarkan algoritma yang lebih efektif, implementasiyang lebih sederhana, dan kerumitan yang lebih sedikit dibandingkan denganmetode perhitungan tradisional lainnya. Selain itu, penelitian ini menggabungkanGNRBA dengan Stratified Shuffle Split sebagai metode validasi datanya (datasplitting method). Dengan hasil akurasi di atas 86%, investor dan calon investordiharapkan dapat menggunakan metode yang dibahas dalam penelitian ini untukmembuat keputusan yang tepat dalam berinvestasi.

---

Globalization and industry 4.0 has brought tremendous development in various

fields, including in economics and finance. Economic growth in the 21st century

relies on the participation of the people in economic activities (e.g. trade and

commerce, investing). In Indonesia, one particularly common economic activity is

to invest in the stock market due to the wide array of companies that investors could

choose to invest in. Many people want to invest their capital in the stock market

due to its high return rate, despite its complex movement (noisy time series which

is constantly moving and its unpredictable nature). Therefore, this paper will

discuss about the prediction of stock prices using the Gauss-Newton Representation

Based Algorithm (GNRBA). The proposed method provides users with a more

effective algorithm, simpler implementation, and less complexity compared to the

11 traditional representation. Additionally, this paper combines the GNRBA with

the Stratified Shuffle Split as its data splitting method. With accuracy above 86%,

investors and potential investors could use the methods discussed in this paper to

make an informed decision in investing."

"ABSTRACTKanker serviks adalah salah satu penyebab kematian wanita terbanyak di Indonesia. Kanker serviks memiliki progresi yang lambat, sehingga pada beberapa kasus kanker serviks masih dapat disembuhkan. Maka dari itu, pendeteksian dini sangat diperlukan untuk dapat mengetahui pengobatan yang tepat. Berbagai metode machine learning telah digunakan untuk mengklasifikasi kanker serviks karena kemampuannya untuk mendiagnosis secara efektif. Pada penelitian ini digunakan metode klasifikasi Gauss-Newton Representation Based Algorithm (GNRBA). Pengukuran jarak Euclidean digunakan dalam pemilihan data training. Data yang digunakan adalah data faktor risiko Hospital Universitario de Caracas yang diambil dari Kaggle dataset. Kami menggunakan 4 label tes kanker serviks sebagai variabel target klasifikasi. Berdasarkan hasil uji coba, klasifikasi kanker serviks dengan metode GNRBA mencapai akurasi tertinggi 95,35%, sehingga metode GNRBA dapat menjadi salah satu alternatif untuk membantu praktisi medis dalam mendeteksi kanker serviks.

---

ABSTRACTCervical cancer is one of woman leading cause of death disease in Indonesia. Cervical cancer has slow progression, in some cases it can be prevented by effective treatment. So, timely detection is important to know the effective treatment. Machine learning techniques are being largely use to classify cervical cancer because of its precision and its capability to diagnose effectively. In this research, to identify the classification of cervical cancer, we have proposed a Gauss-Newton Representation Based Algorithm (GNRBA) methods. Euclidean distance measure is used in the subset selection for training samples. This GNBA method is examined on the Hospital Universitario de Caracas cervical cancer database from Kaggle dataset. We have used 4 cervical cancer test labels as the target variables of cervical cancer classification. The experimental results show that the proposed GNRBA method give the 93% accuracy. So, GNRBA method could be an alternative for helping the clinical experts to classify cervical cancer."

"Saham merupakan instrumen investasi yang menawarkan tingkat keuntungan yang menarik, namun memiliki risiko kerugian yang tinggi. Hal ini disebabkan oleh harga saham yang selalu berfluktuasi dan dipengaruhi oleh faktor-faktor tak menentu. Untuk memperoleh keuntungan seperti yang diharapkan, dibutuhkan prediksi pergerakan harga saham yang akurat. Umumnya, investor menggunakan indikator teknikal dalam mengantisipasi pergerakan harga di masa depan. Pada skripsi ini, sebanyak delapan indikator teknikal digunakan dan diproses ke dalam dua pendekatan. Pendekatan pertama memanfaatkan nilai-nilai indikator teknikal yang bersifat kontinu, sementara pendekatan lainnya memanfaatkan kriteria tertentu yang dimiliki oleh setiap indikator teknikal dalam menggambarkan pergerakan harga saham yang bersifat diskrit. Keduanya kemudian dijadikan data input bagi model prediksi dengan menggunakan metode Support Vector Machines yang mengklasifikasi data harga saham ke dalam dua kelas, yaitu naik dan turun. Hasil prediksi tersebut menunjukkan bahwa performa model prediksi yang menerapkan data input bernilai diskrit melampaui performa model prediksi yang menerapkan data input bernilai kontinu, dengan tingkat akurasi tertinggi yang diperoleh ialah sebesar 94,12.

---

Stock is an investment instrument that offers an attractive rate of return, yet has a high risk of loss. This due to the nature of stock prices that are always fluctuate and influenced by uncertain factors. To obtain the expected profit, an accurate prediction of stock price movement is required. Generally, investors use technical indicators to anticipate the future price movement. In this undergraduate thesis, a number of eight technical indicators are used and processed into two approaches. The first approach use the values of technical indicators that are continuous, while the other utilizes certain criteria owned by each technical indicator in describing stock price movement which is a discrete type of value. Both approaches are then used as input data for prediction model using the Support Vector Machines method which classifies the stock price data into two classes, i.e. up and down. The prediction results indicate that the performace of prediction models applying discrete valued of input data exceeds the performance of prediction models which apply continuous valued of input data, with the highest accuracy obtained at 94.12."

"Meningkatnya jumlah investor dari tahun ke tahun di pasar modal berbagai negara mengakibatkan proses pengambilan keputusan dalam membeli saham menjadi salah satu hal yang penting. Tahapan ini merupakan tahapan yang penting karena akan memengaruhi tingkat kekayaan atau pendapatan yang akan diterima oleh seorang investor. Dalam membantu proses pemilihan saham tersebut, seorang investor dapat menggunakan analisa teknikal atau analisa fundamental dalam prosesnya. Namun seiring dengan perkembangan teknologi dan juga kemudahan dalam mengakses data harga indeks saham, maka proses prediksi selanjutnya dapat dilakukan dengan menggunakan analisis big data dalam prosesnya. Penelitian ini akan dilakukan proses prediksi indeks harga saham dengan menggunakan ARIMA dan juga algoritma Long Short-Term Memory untuk pengolahan datanya dan metode web scraping untuk metode pengumpulan data harga indeks saham. Hasil dari penelitian menunjukkan nilai MAPE 1.243% untuk indeks JKSE, 1.005% untuk indeks KLSE, 1.923% untuk indeks PSEI, 1.523% untuk indeks SET.BK dan 3.7944% untuk indeks STI.

---

The increasing number of investors from year to year in the capital markets of various countries has made the decision-making process in buying shares become one of the essential things. This stage is crucial because it will affect the level of wealth or income that an investor will receive. In helping the stock selection process, an investor can use technical analysis or fundamental analysis. However, along with technological developments and the ease of accessing stock index price data, the next prediction process can be carried out using big data analysis. This research will carry out the stock price index prediction process using ARIMA and the Long Short-Term Memory algorithm for data processing and web scraping methods for stock index price data collection methods. The study results showed that the MAPE value was 1.243% for the JKSE index, 1.005% for the KLSE index, 1.923% for the PSEI index, 1.523% for the SET.BK index and 3.7944% for the STI index."

"Pasar modal merupakan salah satu penopang perekonomian di Indonesia dikarenakan pasar modal adalah salah satu sarana penambahan modal bagi perusahaan dalam melaksanakan operasional bisnisnya. Selain itu, pasar modal juga dapat memberikan keuntungan bagi perorangan atau badan usaha investor , yang dapat digunakan untuk biaya hidup di masa kini dan masa depan. Saham adalah salah satu instrumen yang diperjualbelikan di pasar modal yang dapat memberikan keuntungan hingga 20-25 per tahun, namun juga memiliki resiko yang lebih tinggi dibandingkan instrumen lainnya, dikarenakan fluktuasi harga saham yang tinggi. Investor harus berhati-hati dalam memilih waktu yang tepat dalam melakukan transaksi jual beli saham, jika tidak ingin mendapatkan kerugian yang besar. Salah satu teknik dalam menentukan waktu transaksi saham adalah berdasarkan teori Efficient Market Hypothesis EMH yang menyatakan bahwa harga saham merefleksikan informasi yang dipublikasikan terkait saham tersebut. EMH berkaitan erat dengan behavioral economics yang menyatakan bahwa keputusan investor dipengaruhi oleh persepsi atau emosi sentimen dari informasi yang diterimanya. Informasi terkait suatu saham dapat dibaca di media online dalam hal ini artikel berita yang diterbitkan oleh berbagai situs berita di Indonesia. Berdasarkan EMH dan behavioral economis tersebut, penelitian ini bertujuan untuk melihat apakah sentimen media online dapat mengklasifikasikan pergerakan harga saham di Indonesia, dengan ruang lingkup media online yang diteliti adalah www.bisnis.com. Saham yang diteliti adalah saham PT. Bank Central Asia, Tbk BBCA. Metode penelitian yang dilakukan adalah penelitian kuantitatif dengan metodologi eksperimental menggunakan pendekatan analisis sentimen. Proses ekstraksi fitur dari artikel berita bisnis.com dilakukan dengan merepresentasikan artikel berita dalam bentuk vektor menggunakan term frequency tf, term frequency inverse document frequency tf-idf, dan doc2vec. Algoritma klasifikasi yang digunakan adalah naive bayes, k-nearest neighbor KNN, dan support vector machine SVM. Setelah mendapatkan hasil klasifikasi sentimen dari berita, penelitian dilanjutkan dengan membandingkan hasil klasifikasi sentimen tersebut dengan harga aktual saham untuk hari itu sampai dengan lima hari ke depan. Hasil penelitian menunjukkan bahwa representasi vektor menggunakan tf-idf menunjukkan hasil yang lebih baik dengan akurasi klasifikasi SVM sebesar 78,66 . Sementara perbandingan akurasi hasil klasifikasi sentimen berita dengan harga aktual pergerakan saham didapatkan sebesar 63,11 . Hasil ini didapatkan untuk kondisi sentimen berita dan harga saham di hari yang sama. Hal ini menunjukkan bahwa para investor dapat mempertimbangkan sentimen berita terkait saham tertentu di situs www.bisnis.com di hari yang sama untuk melakukan transaksi jual beli saham.

---

Capital market has been acted as one of the pillar for economy growth in Indonesia, because capital market is one of additional capital for the company in carrying out its business operations. In addition, capital markets can also provide benefits to individuals or business groups investors , which its profit can be used for the cost of living in the present and the future. Stock Equity is one of the instruments traded in capital markets that can provide gains up to 20 25 per year, but also have a higher risk than other instruments, due to fluctuations in stock prices are high. Investors should be cautious in choosing the right time to make buying or selling shares, if they do not want to get a big loss.

One of technique in determining time for transaction is Efficient Market Hypothesis EMH , which states that stock price movement reflects related stock rsquo s information published. EMH has correlation with behavioral economics which states that investor decision can be influenced by perception or emotion sentiment of the information which he she read. Some information related to specific stock can be read in online media, such as news article from websites in Indonesia. Based on EMH and behavioral economis, this study aims to see whether the sentiment of online media can classify stock price movements, with the scope of online media that will be studied is www.bisnis.com. Stock price which is studied is belong to PT.Bank Central Asia BBCA.JK.

The research method is quantitative research with experimental methodology using sentiment analysis approach. Feature extraction is done by representing news articles in form of vector using term frequency tf, term frequency inverse document frequency tf df, and doc2vec. Classification algorithm used are naive bayes, k nearest neighbors, dan support vector machine SVM. After getting classification result from news sentiment analysis, this study continue by comparing those classifications with actual price of stock that day until five days forward.

The result shows that vector representation using tf idf is better with classification accuracy 78,66. Meanwhile, comparation between news sentiments classification with actual price stock shows 63,11 within the same day. This result means that news article sentiment related to spesific stock from www.bisnis.com can be used as reference for investors in determining their participation in stocks purchase transaction."

"

Meskipun teknologi telah mempengaruhi hampir semua aspek industri finansial, penelitian yang terfokus pada penggunaan teknologi pemrosesan teks dan analisis sentimen dalam konteks prediksi harga saham masih belum banyak dilakukan. Manfaat dan potensi dari penelitian semacam ini memiliki pengaruh yang tinggi, terutama karena analisis sentimen telah menjadi komponen yang penting dalam memprediksi tren pasar saham. Dalam penelitian ini, penulis mengusulkan penerapan metode feature engineering dalam memprediksi harga saham dengan memanfaatkan hasil analisis sentimen menggunakan FinBERT, lalu hasilnya akan dijadikan fitur oleh model BiLSTM. FinBERT adalah model berbasis BERT yang telah dilatih khusus untuk memproses dan menginterpretasi teks keuangan, sementara BiLSTM adalah arsitektur jaringan saraf berulang yang mampu mengatasi masalah yang ada pada jaringan saraf berulang standar seperti vanishing gradient dan efektif dalam mengolah data sekuensial. Penelitian ini menggabungkan kedua teknik ini untuk menciptakan model yang mampu memprediksi pergerakan harga saham berdasarkan analisis sentimen berita keuangan dengan nilai rata-rata MSE yang lebih rendah. Feature engineering digunakan dalam penelitian ini untuk mengekstrak dan mengolah informasi yang relevan dari dataset oleh model FinBERT untuk digunakan pada model BiLSTM. Dengan menggunakan metode feature engineering, ditemukan bahwa model BiLSTM yang menggunakan fitur sentimen analisis memiliki performa tertinggi dengan memiliki rata-rata nilai MSE terkecil dalam memprediksi tujuh saham yang memiliki karakteristik berbeda dengan nilai 3.43, nilai tersebut merupakan rata-rata terkecil dibandingkan tiga model lain dalam penelitian ini seperti LSTM dengan nilai MSE 4.04, Random Forest dengan nilai MSE 9.77, dan SVM dengan nilai MSE 12.56. Selanjutnya, proses optimisasi model BiLSTM menggunakan Optuna ditemukan nilai hyperparameter terbaik dalam menghadapi tujuh jenis saham yang berbeda, sehingga model mampu memprediksi lebih akurat dengan penurunan rata-rata nilai MSE hingga 40.55%. Sebagai bentuk validasi akhir pada penelitian ini telah dilakukan uji fold untuk mendapatkan model yang tidak overfitting dan memiliki rata-rata nilai MSE terkecil dengan variasi nilai hyperparameter batch size. Ditemukan batch size 16 merupakan ukuran paling optimal untuk tipe data NVDA,XOM dan TSLA dengan rata-rata MSE terkecil 0.64, 0.35, 0.05 sedangkan batch size 24 merupakan ukuran paling optimal untuk tipe data saham AAPL, AMZN, GOOG dan GOOGL dengan rata-rata MSE terkecil 0.028, 0.02, 0.03, 0.04, dan 0.03. Dalam menggunakan fitur sentimen analisis berhasil membuktikan menurunkan nilai MSE pada masing-masing jenis saham hingga rata-rata penurunan nilai MSE mencapai 33.10% dari semua jenis variasi data saham tanpa menggunakan fitur sentimen.

---

Although technology has influenced nearly all aspects of the financial industry, there is still a lack of research focusing on the use of text processing technology and sentiment analysis in the context of stock price prediction. The benefits and potential of such research are significant, especially as sentiment analysis has become a crucial component in predicting stock market trends. In this study, the authors propose the application of feature engineering to predict stock prices by utilizing sentiment analysis results using FinBERT, which are then used as features by the BiLSTM model. FinBERT is a BERT-based model specifically trained to process and interpret financial text, while BiLSTM is a recurrent neural network architecture capable of overcoming problems inherent in standard recurrent neural networks, such as the vanishing gradient, and is effective in processing sequential data. This study combines these two techniques to create a model capable of predicting stock price movements based on sentiment analysis of financial news with a lower average MSE value. Feature engineering is used in this study to extract and process relevant information from the dataset by the FinBERT model to be used in the BiLSTM model. By using feature engineering, it was found that the BiLSTM model using sentiment analysis features has the highest performance, having the lowest average MSE value in predicting seven stocks with different characteristics, with a value of 3.43, which is the smallest average compared to the three other models in this study, such as LSTM with an MSE value of 4.04, Random Forest with an MSE value of 9.77, and SVM with an MSE value of 12.56. Furthermore, the optimization process of the BiLSTM model using Optuna found the best hyperparameters in dealing with seven different types of stocks, enabling the model to predict more accurately with an average reduction in MSE value up to 40.55%. As a final form of validation in this study, a fold test was conducted to obtain a model that is not overfitting and has the smallest average MSE value with variations in hyperparameter batch size values. It was found that a batch size of 16 is the most optimal size for NVDA, XOM, and TSLA data types with the smallest average MSE of 0.64, 0.35, 0.05, while a batch size of 24 is the most optimal size for AAPL, AMZN, GOOG, and GOOGL stock data types with the smallest average MSE of 0.028, 0.02, 0.03, 0.04, and 0.03. Using sentiment analysis features proved to reduce the MSE value for each type of stock to an average reduction in MSE value reaching 33.10% from all types of stock data variations without using sentiment features

"

"Memiliki model prediksi yang baik akan memberikan keuntungan tersendiri bagi investor dan perusahaan dalam mengambil keputusan. Support Vector Machine SVM adalah salah satu algoritma pembelajaran mesin yang diawasi yang dapat digunakan untuk klasifikasi atau regresi. Banyak penelitian menunjukkan bahwa prediksi menggunakan model Support Vector Machine SVM lebih akurat daripada model lainnya. Penelitian terbaru menunjukkan bahwa kinerja tertinggi dari sistem prediksi terjadi ketika periode input indikator teknikal sama dengan periode perkiraan. Dengan menggunakan kombinasi dari periode perkiraan dan periode input indikator teknikal dengan kerangka waktu yang lebih banyak dan Support Vector Machine SVM , penelitian ini ingin mengetahui seberapa besar akurasi yang dihasilkan SVM untuk memprediksi pergerakan harga saham-saham di pasar Indonesia, apakah kinerja tertinggi dari sistem prediksi terjadi ketika periode input indikator teknikal sama dengan periode perkiraan, dan apakah aplikasi penggunaan SVM untuk perdagangan dapat memberikan hasil yang lebih baik dibandingkan strategi buy and hold. Data transaksi saham yang kami gunakan dari Maret 2006 hingga Februari 2018 untuk tiga puluh satu saham perusahaan dan menggunakan kombinasi dua puluh delapan periode perkiraan dan tiga puluh periode input indikator teknikal. Hasil penelitian yang diperoleh yaitu model prediksi dapat memberikan hasil akurasi yang baik karena sebanyak 25 dari 31 saham memberikan hasil akurasi lebih dari 50 tetapi kinerja tertinggi model prediksi tidak terjadi saat periode input indikator teknikal sama dengan periode perkiraan dan diperoleh 21 saham yang memberikan imbal hasil signifikan ketika menggunakan aplikasi model prediksi SVM untuk melakukan perdagangan dibandingkan strategi buy and hold.

---

Having a good predictive model will provide its own advantages for investors and companies in making decisions. Support Vector Machine SVM is one of the supervised machine learning algorithms that can be used for classification or regression. Many studies have shown that predictions using the Support Vector Machine SVM model are more accurate than other models. Recent research shows that the highest performance of the prediction system occurs when the technical indicator input period is equal to the forecast period. Using a combination of forecast periods and technical indicator input periods with more time frames and Support Vector Machine SVM , this study wanted to know how much accuracy SVM generates to predict the movement of stock prices in the Indonesian market, what is the highest performance of the prediction system occurs when the technical indicator input period is equal to the forecast period, and whether the application of SVM usage for trade can give better results than the buy and hold strategy. We used stock transaction data from March 2006 to February 2018 for the thirty one shares of the companies and using a combination of twenty eight forecast periods and thirty periods of input of technical indicators. The result of the research is prediction model can give good accuracy result because 25 of 31 stocks give accurate result more than 50 but highest performance prediction model does not occur when technical indicator input period is same with forecast period and 21 stocks yield return significant when applying SVM prediction model to trade compared to buy and hold strategy."

"Investasi saham merupakan salah satu jenis investasi yang paling populer karena saham memberikan tingkat keuntungan yang tinggi dibandingkan dengan jenis investasi lainnya, tetapi saham juga memiliki tingkat risiko yang tinggi. Fluktuasi harga saham memberikan peluang bagi investor untuk mendapatkan keuntungan yang tinggi. Dibutuhkan sebuah model prediksi harga saham untuk melihat pergerakan harga saham di masa yang akan datang, sehingga investor dapat menentukan waktu yang tepat untuk membeli, menahan, dan menjual saham mereka. Dengan demikian, mereka terlepas dari risiko kerugian dan memperoleh keuntungan yang besar. Terdapat beberapa studi yang membahas tentang prediksi harga saham menggunakan machine learning. Salah satunya yaitu menggunakan Support Vector Regression (SVR). Oleh karena itu, pada skripsi ini akan diuji penerapan SVR menggunakan Particle Swarm Optimization (PSO) sebagai seleksi fitur dalam memprediksi harga saham di Indonesia. Pada skripsi ini digunakan data historis saham harian dari Jakarta Stock Index dan beberapa saham pada sektor real estate dan properti. Beberapa indikator teknikal digunakan sebagai fitur dalam memprediksi harga saham. Studi ini menunjukkan bahwa prediksi harga saham menggunakan SVR dengan PSO sebagai seleksi fitur memiliki kinerja yang baik untuk semua data, fitur, dan jumlah data training yang digunakan pada skripsi ini memiliki nilai error yang kecil. Oleh karena itu, diperoleh model yang akurat untuk memprediksi harga saham di Indonesia.

---

Stock investing is one of the most popular types of investments since it provides the highest return among all investment types, although it is associated with considerable risk. Fluctuating stock prices provide an opportunity for investors to make a high profit. A stock price prediction model is needed to see future stock price movements, so investors can decide the right time to buy, hold, and sell their stocks which regardless of the risk of loss and gain a big profit. Several studies have focused on the prediction of stock prices using machine learning. One of them is Support Vector Regression (SVR). Therefore, this study examines the application of SVR using Particle Swarm Optimization (PSO) as feature selection in predicting Indonesian stock price. This thesis used historical daily stock data from Jakarta Stock Index (JKSE) and several real estates and property stock sectors. Some technical indicators are used as a feature in predicting stock price. The study found that stock price prediction using SVR with PSO as feature selection showed good performances for all data, features and the amount of training data used by the study have relatively low error probabilities. Therefore, an accurate model is obtained to predict stock price in Indonesia."

"Penelitian ini dilakukan untuk melihat pengaruh pergerakan tingkat inflasi terhadap pergerakan Indeks Harga Saham Gabungan IHSG dan signifikansinya pada negara-negara di ASEAN-5. Pada awalnya dilakukan uji stasioneritas pada data tingkat inflasi dan return IHSG negara-negara ASEAN-5 dengan periode 15 tahun, yaitu dari tahun 2003 hingga tahun 2017. Setelah itu, uji regresi dilakukan dengan menggunakan metode ARDL untuk melihat pengaruh dari pergerakan tingkat inflasi terhadap pergerakan IHSG negara-negara ASEAN-5. Setelah mendapatkan pengaruhnya, dilakukan pengujian signifikansi dari inflasi dalam mempengaruhi pergerakan IHSG dengan menggunakan Wald Test. Setelah penelitian ini dilakukan, didapatkan hasil bahwa terdapat pengaruh negatif dari pergerakan tingkat inflasi terhadap pergerakan IHSG di negara Indonesia, Singapura, dan Thailand. Sementara itu, terdappat pengaruh positif dari pergerakan tingkat inflasi terhadap pergerakan IHSG di negara Malaysia dan Filipina. Semua model yang diuji signifikansinya mendapatkan hasil bahwa variabel tingkat inflasi signifikan dalam mempengaruhi pergerakan IHSG di negara Indonesia, Singapura, Thailand, dan Malaysia. Sementara itu, di Filipina, tingkat inflasi tidak signifikan dalam mempengaruhi pergerakan IHSG.

---

This study was conducted to see the influence of inflation rate movement on the movement of Composite Stock Price Index and its significance in countries in ASEAN 5. Initially, stationary test was conducted on inflation rate data and return of IHSG of ASEAN 5 countries with a period of 15 years, ie from 2003 to 2017. After that, regression test was done by using ARDL method to see the effect of inflation rate movement on the movement of IHSG of ASEAN 5 countries. After getting the influence, do the significance test of inflation in influencing the movement of IHSG by using Wald Test. After this research is done, it is found that there is a negative influence of the movement of inflation rate on Composte Stock Price Indexs movement in Indonesia, Singapore and Thailand. Meanwhile, there is a positive influence of the inflation rates movement on Composite Stock Price Indexs movement in Malaysia and the Philippines. All the models tested for its significance to obtain the result that the variable rate of inflation is significant in influencing the movement of Composite Stock Price Index in the countries of Indonesia, Singapore, Thailand, and Malaysia. Meanwhile, in the Philippines, the inflation rate is not significant in affecting the movement of Composite Stock Price Index. "

"Prediksi harga saham memiliki manfaat terhadap investor untuk dapat melihat bagaimana investasi saham pada sebuah perusahaan di masa yang akan datang. Prediksi harga saham membantu para investor dalam pengambilan keputusan. Untuk melakukan prediksi harga saham digunakan pendekatan analisis teknis dengan menggunakan metode ridge regresi dan kernel ridge regresi. Ridge regresi merupakan metode regresi yang dapat mengatasi terjadinya masalah multikolinieritas. Kernel ridge regresi merupakan kombinasi antara metode kernel dan ridge regresi dengan memetakan input data ke ruang yang berdimensi lebih tinggi. Pada skripsi ini, diimplementasikan metode ridge regresi dan kernel ridge regresi untuk memprediksi harga saham dengan variabel-variabel regresornya merupakan nilai harga saham pada k-hari sebelumnya. Hasil implementasi pada data yang digunakan dalam skripsi ini menunjukkan bahwa metode kernel ridge regresi memberikan tingkat akurasi rata-rata yang lebih baik dibandingkan metode ridge regresi.

---

Prediction of stock prices has benefits for investors to be able to see how the stock investment in a company in the future. Prediction of stock prices help investors in making decisions. Prediction of stock price used technical analysis approach using kernel ridge regression and ridge regression. Ridge regression is a regression method that can solve the multicollinearity problem. Kernel ridge regression is a combination of ridge regression and kernel methods to map the input data into a higher dimensional space. In this skripsi, the method is implemented to predict the stock price which is the variables regressors based on a value stock price on the previous day. The result of implementation, in this skripsi, indicates that kernel ridge regression method better than ridge regression method."