Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
Perkembangan teknologi dalam bidang nanoteknologi sangatlah berkembang pesat. Single electron transistor (SET) adalah salah satu aplikasinya. SET beroperasi menggunakan prinsip coulomb blockade. Coulomb blockade muncul pada tegangan source-drain yang sangat rendah. Coulomb blockade dapat dihilangkan dengan mengubah tegangan gate dari dalam ke luar coulomb blockade. Di luar coulomb blockade, arus dapat mengalir antara source dan drain. Pada tegangan source-drain (Vds) yang diberikan, arus SET dapat dimodulasikan dengan tegangan gate (Vg). Dengan menggeser tegangan gate, arus dapat berosilasi antara nol (coulomb blockade) dan tidak nol (no coulomb blockade). Osilasi ini dikenal dengan coulomb oscillation. Dalam skripsi ini, analisa coulomb oscillation dari single electron transistor (SET) disimulasikan dengan menggunakan perbandingan 2 tegangan bias. Yang pertama adalah tegangan bias yang melewati coulomb blockade dan yang kedua adalah tegangan bias yang tidak melewati coulomb blockade. Struktur divais SET yang digunakan adalah struktur double barrier tunnel junction (DBJT). Simulasi menggunakan Matlab R2009a. Salah satu hasil yang diperoleh dari simulasi yang dilakukan ini adalah dihasilkan puncak gunung sebesar 61.35 pA yang menggantikan lembah pada coulomb oscillation ketika menggunakan tegangan bias 0.0197 volt. Bentuk puncak gunung pada coulomb oscillation ini ditentukan oleh perbandingan tinggi dari diamonds yang dilewati oleh tegangan bias yang dibentuk dari diagram stabilitas. Tinggi diamonds pada diagram stabilitas ini ditentukan oleh besar kapasitansi, background charge, dan tegangan gate. ......Technology development in the field of nanotechnology is growing rapidly. Single Electron Transistors (SET) is one of the application. SET operates using principle of coulomb blockade. Coulomb blockade appears at very low sourcedrain voltage. The Coulomb blockade can be removed by the changing of gate voltage from inside Coulomb blockade to the outside. Outside the Coulomb blockade, a current can flow the between the source and drain. At a given sourcedrain voltage V, the SET current can be modulated by gate voltage Vg. By sweeping the gate voltage, the currents oscillate between zero (Coulomb blockade) and non-zero (no Coulomb blockade). This oscillation is known by coulomb oscillation. In this script, analysis of coulomb oscillation of single electron transistor (SET) simulated by using comparison of two bias voltage. First is bias voltage passing through the coulomb blockade and second is bias voltage that does not pass through coulomb blockade. Structure of the SET device used is the structure of double barrier tunnel junction (DBJT). Simulation uses Matlab R2009a. One of the results obtained from a this simulation is produced a mountain peak of 61.35 pA that replaces the valley on coulomb oscillation when using bias voltage 0.0197 volts. The form of the peak mountain on coulomb oscillation is determined by the ratio of the height of the diamonds that are bypassed by bias voltage which is formed of the stability diagram. Height of the diamonds on stability diagram determined by large capacitance, background charge, and gate voltage.