APLIKASI PREDIKSI HARGA SAHAM APPLE, IBM, DELL DAN HP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS

Transkripsi

1 APLIKASI PREDIKSI HARGA SAHAM APPLE, IBM, DELL DAN HP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS Naila Fitriah Teknologi Industri Teknik Informatika

2 AGENDA Saham? Manfaat Prediksi Saham KNN? 2 Metode KNN Contoh Kasus Tujuan Penulisan Batasan Masalah Diagram Alur Aplikasi KNN Kesimpulan dan Saran

3 Saham Saham merupakan surat berharga sebagai tanda kepemilikan atas perusahaan penerbitnya (Ang, 1997). Saham juga berarti sebagai tanda penyertaan atau pemilikan seseorang atau badan dalam suatu perusahaan terbuka (Darmadji dan Fakhruddin, 01).

4 Manfaat Saham 1. Untuk memperoleh dividen, yaitu bagian dari keuntungan perusahaan yang dibagikan kepada pemilik saham. 2. Untuk memperoleh capital gain, yaitu keuntungan yang diperoleh dari selisih jual dengan harga beli. 3. Manfaat non finansial, yaitu timbulnya kebanggaan dan kekuasaan memperoleh hak suara dalam menentukan jalannya perusahaan. (Darmadji dan Fakhruddin, Pasar Modal di Indonesia, Pendekatan Tanya Jawab, 01)

5 Prediksi Harga Saham Prediksi harga saham adalah suatu proses menganalisis dan menentukan harga suatu saham dimasa yang akan datang. Dibutuhkan analisa untuk mengukur nilai saham dengan menggunakan analisa teknikal sehingga dapat membantu dalam memprediksi harga saham. Tanggal Akses: 24 Juni 12

6 K-Nearest Neighbors K-Nearest Neighbors (KNN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasi objek baru berdasarkan atribut dan sampel latih. Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, 05

7 Metode KNN 1. Metode Simple Unweighted Voting Tentukan K (Jumlah tetangga terdekat). Hitung Jarak antara data yang diuji dengan data training. Urutkan berdasarkan jarak terdekat dan tentukan apakah termasuk dalam K (jumlah tetangga terdekat). Hitung Rata-rata dari data yang termasuk dalam K. Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, 05

8 Metode KNN 2. Metode Weighted Voting Tentukan K (Jumlah tetangga terdekat). Hitung Jarak antara data yang diuji dengan data training. Urutkan berdasarkan jarak terdekat dan tentukan apakah termasuk dalam K (jumlah tetangga terdekat). Menghitung bobot dari data yang termasuk dalam K. Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, 05

9 Pengukuran Jarak Euclidean Manhattan City Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, 05

10 Contoh Kasus Data X (5.0), berapa Y? K = 3

11 1. Menghitung Jarak

12 2. Me-ranking Berdasarkan K K=3, Ambil 3 data terdekat

13 4. Menghitung Prediksi Metode Simple Unweighted Voting Data X (5.0): Metode Weighted Voting

14 Tujuan Penulisan Menghasilkan aplikasi yang dapat membantu memprediksi besarnya harga penutupan saham menggunakan algoritma K-Nearest Neighbors (KNN) sehingga bisa dilakukan langkah-langkah strategis yang berkaitan dengan perubahan harga saham. Bab 1, Halaman 3

15 Batasan Masalah Menggunakan bahasa pemrograman C#.NET Empat perusahaan komputer yaitu APPLE, IBM, DELL, dan HP yang akan diprediksi dengan menggunakan Algoritma K-Nearest Neighbors (KNN). Data yang dipakai adalah daftar harga pembukaan dan penutupan saham perusahaan pada bulan Januari tahun 00 hingga Juli tahun 12 Bab 1, Halaman 3

16 Diagram Alur Program Mulai Inisialisasi Program memprediksi Pilih Prediksi Pilih Data Tentukan prediksi saham Menampilkan data Harga Saham Menghitung prediksi dengan algoritma KNN Edit data Keluar Menghitung kesalahan (error) Simpan data ke dalam database Output Update database Selesai Bab 3, Halaman 29

17 Aplikasi KNN Tab Data Lampiran, Halaman 69

18 Aplikasi KNN Tab Menghitung Jarak Lampiran, Halaman 69

19 Aplikasi KNN Tab Me-Ranking/Mengurutkan data Berdasarkan K Lampiran, Halaman 69

20 Aplikasi KNN Tab Menghitung Bobot dan Hasil Lampiran, Halaman 69

21 Hasil Prediksi Harga Saham APPLE 18 Juni 31 Juli 12 Tanggal K Open Price Close Price Fluktuasi Hasil Prediksi (Simple,Weighted) Fluktuasi (Simple, Weighted) , Naik, Naik Naik , Naik, Naik , Turun, Naik , Turun, Turun Naik , Turun, Turun , Turun, Turun Bab 4, Halaman 50

22 Analisa Prediksi Benar K Metode % Prediksi Benar 5 Simple Unweighted Voting 5/ x 0% = 50% 6/ x 0% = 60% 4/ x 0% = 40% 5 Weighted Voting 6/ x 0% = 60% 5/ x 0% = 50% 6/ x 0% = 60% Bab 4, Halaman 50

23 Analisa Rata-Rata Error Tanggal K Error (Simple) Error (Weighted) Tanggal K Error (Simple) Error (Weighted) % 59.4% RATA-RATA ERROR 50.18% 55.38% 60.38% 60.04% Bab 4, Halaman 52

24 Kesimpulan Prediksi kenaikan atau penurunan harga saham Metode Simple Unweighted Voting: K terbaik : K=; Jumlah persentase prediksi benar: 60%. Rata-rata error terkecil: 51.31% dengan K=. Metode Weighted Voting: K terbaik: K=5 dan K=; Jumlah persentase prediksi benar: 60%. Rata-rata error terkecil: 55.38% dengan K=. Bab 5, Halaman 54

25 Saran Error rate (rata-rata error terkecil) yang dihasilkan Algoritma K-Nearest Neighbors > 50%. Melakukan prediksi menggunakan algoritma lain, misal: Neural Network dan Decision Tree untuk mendapatkan hasil prediksi (rata-rata error terkecil) yang lebih baik dari algoritma K-Nearest Neighbors. Bab 5, Halaman 55