Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi Differensial
Perdagangan saham berdasarkan Indeks Harga Saham Gabungan (IHSG) di Indonesia adalah area dinamis dan kompleks. Prediksi pergerakan harga IHSG memiliki volatilitas pasar saham yang tinggi. Penggunaan Hybrid Weighted Fuzzy Time series Hidden Markov Model (WFTS-HMM) dengan Algoritma Evolusi Diferensi...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2024-08-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Subjects: | |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8867 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1823858619413692416 |
|---|---|
| author | Alya Fitri Syalsabilla Suci Astutik Agus Fachrur Rozy |
| author_facet | Alya Fitri Syalsabilla Suci Astutik Agus Fachrur Rozy |
| author_sort | Alya Fitri Syalsabilla |
| collection | DOAJ |
| description |
Perdagangan saham berdasarkan Indeks Harga Saham Gabungan (IHSG) di Indonesia adalah area dinamis dan kompleks. Prediksi pergerakan harga IHSG memiliki volatilitas pasar saham yang tinggi. Penggunaan Hybrid Weighted Fuzzy Time series Hidden Markov Model (WFTS-HMM) dengan Algoritma Evolusi Diferensial (DE) menjanjikan solusi dengan pendekatan terbaru. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi harga IHSG melalui optimasi model hybrid.. Penelitian menggunakan data IHSG tiap bulan dari Januari hingga Desember 2023 dari situs www.yahoo.finance.com. Prediksi yang dihasilkan dari Model Hybrid WFTS-HMM dioptimasi dengan Algoritma ED memiliki tingkat kesalahan prediksi yang lebih rendah (1.45%) dibandingkan dengan model tanpa DE (1.49%).
Abstract
Stock trading based on IHSG in Indonesia is a dynamic and complex area. Predicting IHSG price movements entails high stock market volatility. Utilizing the Hybrid WFTS-HMM Model with the DE Algorithm promises a cutting-edge approach. This research aims to enhance the prediction of IHSG price through hybrid model optimization and performance evaluation. The study employs IHSG monthly data from January to December 2023 from www.yahoo.finance.com. Forecasting from the Hybrid WFTS-HMM Model with the DE Algorithm has lower prediction error (1.45%) compared to the model without DE (1.49%).
|
| format | Article |
| id | doaj-art-50edc535ff814bfcafab8c18c20d5303 |
| institution | Kabale University |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| publishDate | 2024-08-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj-art-50edc535ff814bfcafab8c18c20d53032025-02-11T10:37:14ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792024-08-0111410.25126/jtiik.1148867Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi DifferensialAlya Fitri Syalsabilla0Suci Astutik1Agus Fachrur Rozy2Universitas Brawijaya, MalangUniversitas Brawijaya, MalangUniversitas Brawijaya, Malang Perdagangan saham berdasarkan Indeks Harga Saham Gabungan (IHSG) di Indonesia adalah area dinamis dan kompleks. Prediksi pergerakan harga IHSG memiliki volatilitas pasar saham yang tinggi. Penggunaan Hybrid Weighted Fuzzy Time series Hidden Markov Model (WFTS-HMM) dengan Algoritma Evolusi Diferensial (DE) menjanjikan solusi dengan pendekatan terbaru. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi harga IHSG melalui optimasi model hybrid.. Penelitian menggunakan data IHSG tiap bulan dari Januari hingga Desember 2023 dari situs www.yahoo.finance.com. Prediksi yang dihasilkan dari Model Hybrid WFTS-HMM dioptimasi dengan Algoritma ED memiliki tingkat kesalahan prediksi yang lebih rendah (1.45%) dibandingkan dengan model tanpa DE (1.49%). Abstract Stock trading based on IHSG in Indonesia is a dynamic and complex area. Predicting IHSG price movements entails high stock market volatility. Utilizing the Hybrid WFTS-HMM Model with the DE Algorithm promises a cutting-edge approach. This research aims to enhance the prediction of IHSG price through hybrid model optimization and performance evaluation. The study employs IHSG monthly data from January to December 2023 from www.yahoo.finance.com. Forecasting from the Hybrid WFTS-HMM Model with the DE Algorithm has lower prediction error (1.45%) compared to the model without DE (1.49%). https://jtiik.ub.ac.id/index.php/jtiik/article/view/8867Hidden MarkovWeighted Fuzzy Time Series Evolusi DifferensialMAPE |
| spellingShingle | Alya Fitri Syalsabilla Suci Astutik Agus Fachrur Rozy Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi Differensial Jurnal Teknologi Informasi dan Ilmu Komputer Hidden Markov Weighted Fuzzy Time Series Evolusi Differensial MAPE |
| title | Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi Differensial |
| title_full | Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi Differensial |
| title_fullStr | Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi Differensial |
| title_full_unstemmed | Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi Differensial |
| title_short | Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi Differensial |
| title_sort | optimalisasi prediksi harga ihsg menggunakan hybrid weighted fuzzy time series hidden markov model dengan algoritma evolusi differensial |
| topic | Hidden Markov Weighted Fuzzy Time Series Evolusi Differensial MAPE |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8867 |
| work_keys_str_mv | AT alyafitrisyalsabilla optimalisasiprediksihargaihsgmenggunakanhybridweightedfuzzytimeserieshiddenmarkovmodeldenganalgoritmaevolusidifferensial AT suciastutik optimalisasiprediksihargaihsgmenggunakanhybridweightedfuzzytimeserieshiddenmarkovmodeldenganalgoritmaevolusidifferensial AT agusfachrurrozy optimalisasiprediksihargaihsgmenggunakanhybridweightedfuzzytimeserieshiddenmarkovmodeldenganalgoritmaevolusidifferensial |