Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 118745 dokumen yang sesuai dengan query
cover
Vincent Martin
"Harga saham selalu berfluktuasi setiap waktu. Hal ini merupakan salah satu bentuk ketidakpastian yang terjadi di pasar saham. Risiko akibat dari ketidakpastian ini dapat diminimalisir dengan peramalan harga saham yang dibentuk dengan model linier. Salah satu model linier yang dapat digunakan dalam peramalan harga saham adalah model hybrid ARFIMA-GARCH. Model ini merupakan gabungan dari model ARFIMA dan model GARCH yang sudah pernah digunakan oleh penelitian sebelumnya dan disinyalir memiliki kekurangan dan kelebihan masing-masing. Model ARFIMA baik digunakan untuk peramalan jangka panjang, namun memiliki kendala, yakni adanya volatilitas yang terjadi dalam jangka panjang. Hal ini dapat diatasi oleh model GARCH yang baik digunakan dalam volatilitas pada harga saham dalam jangka panjang. Model GARCH merupakan pengembangan dari model Autoregressive Conditional Heterocedastic (ARCH), di mana model ini menggunakan volatilitas pada data sebelumnya. Berikutnya, model ARFIMA dan GARCH yang digabungkan menjadi model hybrid ARFIMA-GARCH akan digunakan pada penelitian ini untuk peramalan harga saham LQ45. Pada penelitian ini, hanya dua saham dari indeks saham LQ45 yang akan diprediksi harga sahamnya, yakni saham dengan volatilitas harga terkecil dan terbesar. Data harga saham yang digunakan adalah harga penutupan harian saham BBCA (PT Bank Central Asia Tbk.) dan TKIM (PT Tjiwi Kimia Paper Factory Tbk.) pada periode tahun 2017-2021. Hasil peramalan dengan model ARFIMA-GARCH akan dievaluasi nilai erornya menggunakan Root Mean Square Error dan Mean Absolute Percentage Error. Berikutnya, nilai akurasi ini akan dibandingkan dengan nilai akurasi peramalan menggunakan model ARFIMA. Pada akhirnya, diperoleh hasil bahwa peramalan harga saham dengan model ARFIMA-GARCH lebih baik dibandingkan dengan model ARFIMA.

Stock price always fluctuate all the time. This is one form of buffer that occurs in the stock market. The risk resulting from this buffer can be minimized by forecasting stock prices using linear model. One of the linear model that can be used in stock price forecasting is the hybrid ARFIMA-GARCH model. This model is a combination of the ARFIMA model and GARCH model which have been used in previous studies and allegedly each models have advantages and disadvantages. ARFIMA model is good for long-term forecasting, but has a problem, which is the volatility that occurs in the long term. This can be resolved by GARCH model which is good for volatility in stock prices, even for a long term data. GARCH model is a development of Autoregressive Conditional Heterocedastic (ARCH) model, where this model uses volatility in previous data. Furthermore, the ARFIMA and GARCH models are combined into the hybrid ARFIMA-GARCH model which will be used in this study for forecasting LQ45 stock prices. In this study, only two stock prices from LQ45 stock index that will be forecast, stocks which have the smallest and largest price volatility. The price data used is the daily closing price of BBCA (PT Bank Central Asia Tbk.) and TKIM (PT Tjiwi Kimia Paper Factory Tbk.) in 2017- 2021. The ARFIMA-GARCH model forecasting results will be evaluated by using the Root Mean Square Error and Mean Absolute Percentage Error. Next, this error accuracy value will be compared with the forecasting accuracy value using ARFIMA model. In the end, our hypothesis is that the stock price forecasting with ARFIMA-GARCH model is better than ARFIMA model."
Depok: Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Derick Hendri
"Pemodelan dan peramalan harga saham merupakan hal yang sangat penting bagi seorang investor. Harga saham selalu mengalami perubahan seiring berjalannya waktu. Perubahan ini tidak konstan dan sangat berdampak jika diabaikan karena hal tersebut dapat menimbulkan risiko kerugian. Banyak model yang sudah dibuat dengan tujuan untuk meminimalkan risiko kerugian tersebut. Pada penelitian ini, akan digunakan model ARIMA-GARCH untuk meramalkan volatilitas dalam harga saham. Alasan dari penggunaan gabungan kedua model tersebut adalah karena Model ARIMA saja tidak dapat menangani data dengan volatilitas besar dan yang non-linear. Maka, diharapkan bahwa penggunaan dari model gabungan ini dapat menangani masalah tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga penutupan dalam dua saham yang termasuk dari indeks LQ45. Pada penelitian ini, data tersebut akan dimasukkan kedalam model gabungan tersebut untuk mendapat peramalan di hari selanjutnya. Setelah itu, akan digunakan metode Walk Forward untuk mendapat semua hasil peramalannya. Dari hasil tersebut, didapat bahwa pengabungan dari ARIMA (1,1,1)-GARCH (1,1) memberikan perdiksi harga saham yang terbaik untuk kedua saham yang dipilih. Lalu, menggunakan hasil MAE dan RMSE dari saham, dapat disimpulkan bahwa model ARIMA-GARCH merupakan model yang dapat memprediksi harga saham dengan baik.

For an Investor, modelling and forecasting the stock prices are very important. Stock price fluctuate as time goes and these changes vary from one point of time to another. These changes can be really dangerous if ignored because the risk of loss it might create. Many models have been created with the purpose of minimizing the risk of loss. In this study, the ARIMA-GARCH model will be used to predict closing price in the stock prices which contain volatility. The reason for using the combination of the two models is due to ARIMA model unable to handle large volatility along with non-linear data. Thus, it is hoped the use of this combined model can solve this problem. The data that is used on this study is the closing price of 2 stocks that is part of the LQ45 index. In this research, the data will be used on the combined model to get the forecast price of the next day. Then, the rest of the forecast price will be found using a process called Walk Forward. After acquiring all the forecasted price, it is found that the combination of ARIMA (1,1,1)-GARCH (1,1) yield the best result in forecasting the stock prices. Then, by using MAE and RMSE to check the error of the results, it can be concluded that the ARIMA-GARCH model is a model that is able to predict stock prices well."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Vianna Tandriani
"Penelitian ini menguji dampak dari business cycle dan VIX terhadap tingkat return maupun volatilitas untuk pasar saham kawasan developed market dan emerging market. Penelitian ini menggunakan sampel 4 negara terbesar dari kawasan developed market serta 3 negara terbesar dari kawasan emerging market. Dalam melakukan pengujian, peneliti menggunakan GARCH-in-Mean model. Hasil dari penelitian ini menunjukkan bahwa pengaruh business cycle dan VIX lebih signifikan pada tingkat volatilitas ketimbang pada tingkat return. Selain itu, pada periode krisis global 2008, dampak dari krisis lebih besar terhadap pasar saham kawasan emerging market ketimbang pasar saham pada kawasan developed market.

This paper investigates the effect of business cycle and VIX for stock markets rsquo return and volatility in major developed and emerging markets. Researcher employ the effect by using the GARCH in Mean model. The results suggest that the effect of business cycle and VIX are more prominent on stock volatility rather than stock returns. This study also identifies during recent global financial crisis, the magnitude is larger on the emerging markets compared to the developed market."
Depok: Fakultas Ekonomi dan Bisnis Universitas Indonesia, 2017
S66600
UI - Skripsi Membership  Universitas Indonesia Library
cover
Wilsan Wijaya
"Investor membutuhkan suatu model matematis yang dapat digunakan untuk memprediksi perubahan harga saham pada masa mendatang. Salah satu model yang sering digunakan oleh analis dalam memprediksi pergerakan harga saham adalah model runtun waktu. Model local level merupakan salah model runtun waktu dengan tujuan untuk mendapatkan karakteristik nilai komponen unobserved dari data observasi. Filter Kalman merupakan algoritma rekursif yang bertujuan menghitung komponen unobserved dengan variansi minimum dari suatu himpunan data.
Skripsi ini membahas bagaimana mengestimasi solusi dan meramal data pada model local level menggunakan Filter Kalman. Implementasi menggunakan data harga saham historis bank BCA pada http://finance.yahoo.com/. menunjukkan bahwa hasil peramalan kurang baik. Peramalan yang kurang baik disebabkan karakteristik pergerakan harga saham bulanan yang digunakan.

Investor needs a mathematical model to forecast future stock price changes. One of the mostly used models by stock analists to predict stock price movement is time series model. Local level model is one of the time series model which its goal is to obtain unobserved component characteristic from observation. Filter Kalman is a recursive algorithm to compute the unobserved component with the minimum variance from a set of past observations.
This scription shows how to estimate solution and forecast stock price in local level model by applying Kalman Filter. Implementation using BCA?s stock price at http://finance.yahoo.com/. show that estimation is very good and forecasting is less good. It is because the characteristic of stock price movement which was used.
"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2013
S45459
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rika Fiola
"ABSTRACT
Berbagai penelitian terhadap faktor-faktor yang menentukan return dan resiko
telah banyak dilakukan. Capital Asset Pricing Model yang dikembangkan oleh Sharpe
(1964), Lintner (1965) dan Black (1972) telah lama membentuk cara pikir para praktisi
dan akademisi tentang return dan resiko. CAPM menjelaskan bahwa return yang
diharapkan dari suatu sekuritas merupakan suatu fungsi yang positif dan beta pasar dan
beta mampu menjelaskan return suatu sekuritas.
Akan tetapi, terdapat beberapa kontradiksi terhadap model Sharpe-Lintner-Black
ini. Beberapa hasil-hasil penelitian yang dilakukan sehubungan dengan return dan resiko
menunjukkan hasil yang berbeda. Banz (1981) menemukan bahwa market equity
berpengaruh juga terhadap return. Return dan perusahaan kecil lebih tinggi dan beta
estimasi dan return dari perusahaan besar lebih rendah dan beta estimasi.
Penelitian yang dilakukan oleh Fama dan MacBeth (1973) menemukan bahwa
ukuran perusahaan, beta, book-to-market equity, book asset to market equity serta book
asset to book equity mampu menjelaskan rata-rata return saham. Stattman (1980) dan
Rosenberg, Reid dan Lanstein (1985) menemukan bahwa return mempunyai hubungan
positif dengan rasio antara book value dan market value pada saham-saham Amerika.
Kemudian, Cahn, Hamao dan Lakonishok (1991) menemukan terdapatnya suatu
hubungan yang kuat antara hook-to-market equity dengan return pada saham-saham
Jepang Selain itu, hasil penelitian Fama dan French (1992) juga mernmjukkan hasil yang
sama.
Penelitian yang dilakukan pada karya akhir ini bertujuan untuk melihat sejauh
mana variabel beta, size, book-to-market equity, book asset to market equity dan hook
asset to book equity dapat menjelaskan cross-sectionaI rata-rata return saham di
Indonesia, khususnya pada saham-saham LQ 45. Metode yang digunakan dalam
penelitian ini adalah multiple regression, dimana return dijadikan variabel dependen
sedangkan beta, size, book-to-market equity, book asset lo market equity dan book asset
to book equity digunakan sebagai variabel independen.
Dalam penelitian ini, sampel yang dipilih adalah sebanyak 36 perusahaan yang
paling sering muncul di LQ 45 seLama periode 1997 sampai dengan 2001, merupakan non
financial firm, dan tidak pernah mengalami negatif equity. Semua data disusun menjadi
portofolio-portofolio berdasarkan urutan nilai variabel-variabel bebas untuk kemudian
diolah dengan menggunakan Software SPPS Student Version 10.0 for Windows.
Hasil pengujian regresi return terhadap variabel beta saja ternyata
memperlihatkan bahwa beta mampu menjelaskan average return. Sedangkan pada saat
regresi dilakukan terhadap efek size saja, hasil regresi menunjukkan size tidak signifikan
dalam menjelaskan return. Ketika dilakukan regresi return secara bersamaan antara size
dan beta, terlíhat babwa size tetap tidak signifikan. Namun, konsisten dengan hasìl regresi
sebelumnya, variabel beta sangat signifikan dalam menjelaskan rata-rata return.
Pengujian regresi return terhadap book-to-market equity saja menghasiikan
kesimpulan bahwa vanabel In(BE/ME) ini tidak signifikan. Selanjutnya jika regresi
dilakukan secara bersamaan antara size dan book-to-market equity, terlihat bahwa
variabel size dan book-to-market equity tidak relevan dalam menjelaskan average return.
Selanjutnya, pengujian regresi return yang dilakukan terhadap book asset to
market equity saja, diperoleh bahwa hook asset to market equity juga tidak signifikan.
Demikian juga halnya pada saat variabel ln(ME) maupun In(A/ME) diregresikan secara
bersamaan, maka hasil yang diperoleh adalah bahwa kedua variabel tersebut tidak relevan
dalam menjelaskan rata-rata return.
Tidak berbeda dengan pengujian variabel leverage ln(A/ME) sebelumnya,
variabel leverage book asset to book equity, ln(A/BE) juga tidak signifikansi dalam
menjelaskan return. Hal yang sama juga terjadi pada saat variabeL In(A/BE) diregresikan
secara bersamaan dengan size, maka terlihat ketika kedua variabel bebas tersebut tidak
dapat menerangkan perilaku rata-rata return saham.
Setelah dilakukan pengujian regresi return terhadap semua variabel independen,
yang terlihat memberikan kontribusi yang signifikan dalam menjelaskan cross-sectional
rata-rata return hanyalah beta Sedangkan variabel indepeden lainnya (size, book-
market equity, book asset to market equity dan book asset to book equity) tidak mampu
menjelaskan rata-rata return saham. Secara bersamaan semua variabel bebas tersebut
mampu menjelaskan rata-rata return sebesar 83,9%.
Perbedaan yang terjadi antara hasil penelitian pada karya akhir ini dengan hasil
hasil penelitian yang dilakukan oleh Fama dan MacBeth (1973), Fama dan French (1992)
kemungkinan diakíbatkan oleh kondisi pasar yang berbeda, selain itu, periode penetitian
Yang dilakukan adalah pada saat dimana Indonesia mengalami krisis ekonomi sehingga
terdapat suatu ketidakstabilan dalam pasar di Indonesia."
2002
T1892
UI - Tesis Membership  Universitas Indonesia Library
cover
Toto Rahardjo
"Pasar modal merupakan wahana bertemunya pihak-pihak yang membutuhkan dana bagi kepentingan pembiayaan perusahaan dengan pihak-pihak yang memiliki surplus dana, baik dalam jangka menengah dan panjang. Bursa Efek Jakarta (BEJ) - The Newly Emerging Money and Stock Market - diharapkan dapat memainkan dun peranan penting bagi perkembangan dan pertumbuhan ekonomi nasional, yaitu : (1) pengerahan dana bagi sektor swasta, dan (2) alternatif financial asset holdings bagi masyarakat. Untuk itu, Pemerintah mengeluarkan Paket Kebijaksanaan Desember 1987 (PAKDES I) dan kemudian disusul Paket Kebijaksanaan Desember 1988 (PAKDES II) dengan harapan agar terwujud bursa efek yang lebih dinamis dan lebih memberikan kepastian perlindungan hukum bagi semua pelaku yang terlibat didalamnya.
Hal utama yang menjadi kunci penilaian perusahaan yang go-public adalah hubungan positif antara risiko dengan tingkat keuntungan yang di syaratkan . Pada umumnya, investor memiliki sifat tidak menyukai risiko. Mereka akan menuntut tingkat keuntungan lebih besar bila menghadapi peluang investasi yang risikonya lebih tinggi. Meskipun suatu peluang investasi tertentu itu tidak mengandung risiko, para investor tetap mensyaratkan suatu tingkat keuntungan tertentu_HaI ini dikarenakan oleh adanya konsep nilai waktu uang (time value of money), misalnya inflasi.
Suatu hal yang wajar bahwa investor sangat memperhatikan faktor keuntungan dan risiko dari sekumpulan investasi yang dilakukannya (Portfolio). Teori portfolio berkaitan dengan pemilihan portfolio optimal oleh rasional risk-averse investor. Sedangkan teori capital market berkaitan dengan implikasi perubahan harga saham yang dipengaruhi oleh ekspektasi investor. Kedua teori ini memberikan suatu pola spesifikasi dan pengukuran risiko investasi saham dan pula menjelaskan hubungan antara expected security return dan risk.
Systematic risk dari individual security merupakan proporsi dari total risk yang tidak dapat dikurangi dengan cara mengkombinasikan antara suatu saham dengan saham lainnya dalam suatu diversifikasi portfolio - biasanya dinotasikan dengan beta (0). Saham-saham dengan systematic risk yang lebih tinggi cenderung akan dilirik oleh investor asalkan ia mampu memberikan expected return yang lebih tinggi pula. Akibatnya, saham-saham dengan nilai beta tinggi cenderung bernilai rendah di pasar.
Studi ini bertujuan untuk mengetahui apakah terdapat hubungan yang significant antara expected return wham individual (Rit) dengan expected market return (Rmt). Selain itu, ingin membuktikan apakah hubungan antara expected return saham individu (RXt) dengan risikonya (8i) mengikuti hubungan yang drlelnckari oleh Security Market Line (SML} dalam Capital Asset Pricing Model (CAPM).
Metode yang digunakan dalam studi ini mengacu pada metode yang pernah dilakukan oleh Black-Jensen-Scholes (1972) , yakni meliputi analisis time series regression dalam bentuk market model dan analisis cross sectional. Analisis time series regression digunakan untuk mengetahui seberapa jauhkah hubungan antara expected return saham individu (Rit) dengan expected market return (Rrnt). Sedangkan analisis cross sectional digunakan untuk membuktikan apakah hubungan antara expected return saham individu (Rit) dengan systematic risk (Di) mengikuti hubungan yang dijelaskan oleh SML dalam CAPM Jumlah sampel yang digunakan terdiri dan $0 saham perusahaan go-public di BEJ. Data yang digunakan berupa data harga saham mingguan, Index Harga Sahara Gabungan (IHSG) mingguan, serta dividend dan/atau bonus shares dari masing-masing sampel yang terhitung mulai dan Januari 1991 sampai Desember 1993.
Hasil analisis membuktikan bahwa terdapat hubungan yang significant antara Rit dengan Rmt Selain itu, hubungan antara RI! dengan Jai di BET tidak mengikuti hubungan yang dijelaskan oleh SML dalam CAPM Hal ini memberi implikasi bahwa harga saham yang terbentuk di BEJ tidak mencerminkan keadaan yang sebenamya. Selain itu, secara makro ekonomi, sensitivitas IHSG tidak dapat dipakai sebagai indikator sensitivitas kegiatan industri dalam perekonomian nasional."
Depok: Fakultas Ekonomi dan Bisnis Universitas Indonesia, 1995
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Ilwa Nuzul Rahma
"ABSTRAK
Penelitian ini mengembangkan permodelan gelembung harga saham rasional dan irasional menggunakan model state-space dengan markov switching. Gelembung harga saham merupakan unobserved variable yang dapat ditentukan dengan pendekatan teori ekspektasi rasional dimana dalam penelitian ini gelembung harga saham ditentukan oleh informasi ekstraneus yang terdiri dari faktor eksternal dow jones Index dan Hangseng Index dan faktor internal faktor politik dan keamanan . Untuk menganalisis unobserved variable tersebut digunakan model state-space yaitu Kalman Filter. Selain itu gelembung harga saham dapat megalami perubahan struktural yang juga bersifat unobserved yaitu adanya gelembung harga saham irasional. Dikarenakan gelembung irasional juga bersifat unobserved maka digunakan model markov switching.Untuk melihat bagaimana model state space dengan markow switching bekerja, penelitian ini menerapkan model tersebut pada data harga saham Indonesia periode Januari 1989 hingga Desember 2013. Hasil estimasi model menunjukan bahwa DJIA berpengaruh positif signifikan terhadap gelembung harga saham di Indonesia, sedangkan HSI tidak berpengaruh signifikan. Dari faktor internal, faktor politik berpengaruh negatif signifikan terhadap gelembung harga saham di Indonesia, sedangkan faktor keamanan tidak berpengaruh signifikan. Dengan permodelan ini, gelembung harga saham rasional dan irasional dapat di identifikasi di pasar modal Indonesia namun gelembung harga saham tidak terjadi setiap tahun selama periode penelitian.

ABSTRACT
This paper develops a model of rational and irrational stock price bubbles using State Space Model with Markov Switching. Stock price bubbles are the unobserved variables that can be determined with rational expectations theory approach, which in this study is determined by stock price bubbles extraneous information consisting of external factors Dow Jones Index and the Hang Seng Index and internal factors political and security factors . A state space model, Kalman filter, is used to analyze this unobserved variables. Stock price bubbles may undergo structural changes that are also unobserved, namely the irrational stock price bubble. Thus, due to this unobserved nature, the Markov switching model is used to analyze this unobserved structural changes. To see how the model state space with Markov switching works, this study applies the model to the Indonesian stock price data from the period of January 1989 to December 2013. The result of the model estimation shows that the external factor, DJIA has significant positive effects, whereas HSI has no significant effect on the stock price bubble in Indonesia. The result from internal factors shows that a political factor has significant negative effect, whereas the safety factor has no significant effect on the stock price bubble in Indonesia. Furthermore, this model could help identify the rational and irrational stock price bubble in the Indonesian stock market, nonetheless, this stock price bubbles do not occur every year during the study period."
2015
D1719
UI - Disertasi Membership  Universitas Indonesia Library
cover
Manulang, Jona Martinus
"Tingkat Mortalitas merupakan salah satu indikator penting dalam pengambilan keputusan pada beberapa bidang, seperti pemerintahan, ekonomi, dan aktuaria. Oleh karena itu, penelitian ini bertujuan untuk menerapkan model Lee-Carter pada data tingkat mortalitas Indonesia kemudian meramalkan tingkat mortalitas Indonesia pada masa mendatang dengan bantuan metode ANFIS. Proses peramalan tersebut akan diimplemantasikan dalam perangkat lunak R, dan hasil akhir dari penelitian ini adalah tabel yang berisi peramalan tingkat mortalitas di Indonesia.

Mortality rate is one of the important indicators in decision making in several areas, such as government, economy, and actuary. Therefore, this study aims to apply the Lee Carter model to Indonesia 39 s mortality rate data and then forecast future mortality rates in Indonesia with the help of ANFIS method. The forecasting process will be implemented in R software, and the final result of this study will be formed into a table that contains forecasting mortality rates in Indonesia."
Depok: Universitas Indonesia, 2018
T52090
UI - Tesis Membership  Universitas Indonesia Library
cover
Andini Pusparini
"ABSTRAK
Regulasi price limit seharusnya dapat mengurangi gejala volatilitas harga saham yang berlebihan ketika market dalam keadaan tidak baik. Penelitian ini dimaksudkan untuk menganalisis pengaruh price limit terhadap pergerakan harga saham pada satu hari perdagangan yang pada hari itu harga saham bergerak sempat menyentuh batas maksimal atau batas minimal transaksi harian. Penilitian ini menggunakan data seluruh saham yang ada di Bursa Efek Indonesia selama periode 2008 ndash; 2015 dan menggunakan metode Overreaction Hypothesis yang dikemukakan Huang 2001 . Hasil dari penelitian ini menunjukan bahwa regulasi price limit di Bursa Efek Indonesia belum efektif mengurangi volatilitas yang terlihat dari tidak adanya gejala overreaction.

ABSTRACT
Price limits regulation should reduce the symptoms of excessive stock price volatility when market in bad condition. This research is to analyze the effect of price limit on stock price movements on the day of trading that the price had touched the maximum or minimum daily limit transactions. This research used data of all existing shares in the Indonesian Stock Exchange during the period 2008 2015 and use the Overreaction Hypothesis method that proposed by Huang 2001 . The results of this study indicate that the limit price regulation in the Indonesian Stock Exchange has not been effective in reducing the volatility seen from the absence of overreaction symptoms.
"
Depok: Fakultas Ilmu Sosial dan Ilmu Politik Universitas Indonesia, 2016
S66531
UI - Skripsi Membership  Universitas Indonesia Library
cover
Vincentius Ryan Cokrodiharjo
"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."
Jakarta: Fakultas Ekonomi dan Bisnis Universitas Indonesia, 2018
T50434
UI - Tesis Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>