Rekomendasi Aksi Saham dengan Pendekatan Teknikal pada PT Telekomunikasi Indonesia Tbk (TLKM) menggunakan Algoritme Learning Vector Quantization (LVQ) 2.1

Novandi Kanasya, Valen (2021) Rekomendasi Aksi Saham dengan Pendekatan Teknikal pada PT Telekomunikasi Indonesia Tbk (TLKM) menggunakan Algoritme Learning Vector Quantization (LVQ) 2.1. Sarjana thesis, Universitas Brawijaya.

Abstract

Saham merupakan salah satu alat yang digunakan dalam melakukan transaksi jual beli dalam pasar modal. Dalam melakukan kegiatan jual beli saham selalu menginginkan keuntungan yang memiliki sedikit risiko kegagalan. Oleh karena itu, diperlukan analisis guna mendapatkan rekomendasi yang memungkinkan terhadap saham tersebut. Hasil analisis akan memberikan rekomendasi yang dapat digunakan oleh pihak investor untuk melakukan aksi pembelian saham, menunggu, ataupun menjual saham yang dimiliki. Analisis dapat menggunakan algoritme klasifikasi salah satunya Learning Vector Quantization. Faktor pendekatan teknikal yang menjadi parameter pada penelitian ini terdiri dari Harga pembuka, tertinggi, terendah, penutup, volume, adj. closed, dan persentase perubahan. Proses diawali dengan inisialisasi data masukan. Kemudian melakukan proses normalisasi, Menentukan jaringan pemenang, memperbaharui bobotnya dan mengurangi nilai α, hingga mencapai epoch atau nilai α tertentu. Pengujian dilakukan terhadap beberapa parameter guna mengetahui pengaruh parameter tersebut terhadap akurasi. Pengujian terbaik didapatkan dengan menggunakan data latih sebanyak 175 data latih, nilai learning rate 0,1 , dan iterasi sebesar 1000 menghasilkan nilai akurasi sebesar 63,64%.

Item Type:	Thesis (Sarjana)
Identification Number:	052115
Subjects:	000 Computer science, information and general works > 004 Computer science
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Unnamed user with username anik
Date Deposited:	25 Oct 2021 02:40
Last Modified:	24 Feb 2022 01:31
URI:	http://repository.ub.ac.id/id/eprint/184881

Text (DALAM MASA EMBARGO) VALEN NOVANDI KANASYA.pdf Restricted to Registered users only until 31 December 2023. Download (4MB)

Actions (login required)

View Item