Komparasi Prediksi Saham Studi Kasus di Bank Rakyat Indonesia dengan menggunakan SAS Visual Analytics
Agga Pagunnata Panuntun
1 Sistem Informasi, Universitas Multimedia Nusantara, Tangerang, Indonesia
Abstract—Penelitian ini membahas tentang pentingnya prediksi harga saham dalam menghadapi pergerakan ekonomi dan risiko pasar. Saham merupakan instrumen populer dalam pasar keuangan, dengan potensi keuntungan yang tinggi dan menjadi pilihan investasi yang diminati. Prediksi harga saham membantu investor mengurangi risiko investasi, membuat keputusan yang lebih baik, dan mengidentifikasi peluang investasi yang menguntungkan. Dalam penelitian ini, kami menggunakan SAS Visual Analytics sebagai alat analisis data untuk melakukan analisis dan prediksi terhadap data saham. Melalui fitur-fitur yang kuat dan intuitif dari SAS Visual Analytics, kami menggali wawasan mendalam dari data pasar saham dan membuat prediksi yang akurat. Hasil analisis dan prediksi yang diperoleh melalui penggunaan SAS Visual Analytics dijelaskan dalam jurnal ini, serta signifikansi dan kontribusi alat ini dalam menganalisis dan memprediksi pergerakan harga saham. Berdasarkan hasil penelitian, model Decision Tree memberikan hasil terbesar dengan nilai sebesar 4,943.2967, sedangkan model Random Forest memberikan hasil terkecil dengan nilai sebesar 4,919.6130. Penelitian ini diharapkan dapat membantu dalam memperoleh hasil prediksi pergerakan saham yang akurat untuk saat ini maupun di masa mendatang.
Index Terms— Saham, prediksi, Random Forest, Regresi Linier, Decision Tree dan Gradient Boosting I. INTRODUCTION (LATAR BELAKANG)
Salah satu kategori sekuritas yang sering diperdagangkan di pasar saham adalah saham.
Perusahaan yang tumbuh dengan baik biasanya akan menawarkan imbal hasil investasi. Saham adalah pilihan investasi yang diminati karena potensi keuntungannya yang tinggi dan juga karena saham dapat menjadi sumber pendapatan utama di masa pensiun atau hari tua. Akibatnya, banyak orang menjadi tertarik untuk berinvestasi saham[1].
Maka dari itu Saham menjadi instrumen populer dalam pasar keuangan dan pilihan pendanaan perusahaan serta investasi yang menguntungkan. Prediksi harga saham penting bagi investor menghadapi pergerakan yang dipengaruhi ekonomi dan risiko pasar. Dengan melakukan prediksi, investor dapat mengurangi risiko investasi, mengambil keputusan yang lebih baik berdasarkan pemahaman yang lebih baik
tentang pergerakan harga saham, serta mengidentifikasi peluang investasi yang menguntungkan. Dengan memperhatikan faktor- faktor ini, prediksi harga saham membantu investor merencanakan strategi investasi yang efektif dan mengikuti tren pasar yang sedang berkembang. Analisis fundamental dan teknikal digunakan untuk memahami perusahaan dan tren harga. Model seperti Random Forest, Regresi Linier, Decision Tree dan Gradient Boosting digunakan untuk meminimalkan kesalahan dalam memprediksi tren harga saham[2].
SAS Visual Analytics adalah sebuah alat analisis data yang populer dan efektif dalam industri saat ini. Dalam penelitian ini, kami memanfaatkan kekuatan SAS Visual Analytics untuk melakukan analisis dan prediksi terhadap data saham. Dengan menggunakan fitur-fitur yang kuat dan intuitif dari SAS Visual Analytics, kami dapat menggali wawasan yang mendalam dari data pasar saham dan membuat prediksi yang akurat.
Dalam jurnal ini, kami memaparkan hasil analisis dan prediksi yang diperoleh melalui penggunaan SAS Visual Analytics, dan menjelaskan signifikansi serta kontribusi alat ini dalam menganalisis dan memprediksi pergerakan harga saham.
II. EASEOF USE (DIGANTIDENGAN
LITERATURE STUDY (TINJAUANPUSTAKA) A. Random Forest
Random Forest merupakan pengembangan dari metode Decision Tree dengan beberapa Decision Tree. Metode ini melibatkan pelatihan setiap Decision Tree dengan sampel individu, dan setiap atribut didistribusikan ke pohon yang dipilih secara acak dari subset atribut. Random Forest memiliki proses seleksi fitur yang memungkinkan untuk mengambil fitur terbaik.
Ini akan memungkinkan model klasifikasi untuk bekerja lebih baik[3].
B. Regresi Linear
Metode regresi linier sederhana digunakan untuk melihat bagaimana satu variabel independen (bebas) dan variabel dependen (terikat) berhubungan[4].
C. Decision Tree
Salah satu pendekatan yang paling mudah diinterpretasikan oleh manusia adalah Decision Tree. Pohon keputusan adalah model prediksi yang menggunakan struktur pohon atau struktur hirarki. Idenya adalah mengubah data ke dalam pohon keputusan dan aturan keputusan[5].
D. Gradient Boostng
Gradient Boosting adalah metode pembelajaran yang diawasi dan berbasis pohon keputusan dikenal sebagai peningkatan progresif. Algoritme ini dimulai dengan membuat pohon klasifikasi awal dan kemudian mengubah pohon baru dengan mengurangi fungsi kerugian. Konfigurasi hyperparameter pada tahap awal diperlukan untuk gradient boosting; hasil prediksi gradient boosting dipengaruhi oleh kombinasi hyperparameter yang ideal[6].
III. METHODOLOGY (ALUR PENELITIAN)
Gambar 3.1 CRISP-DM
Untuk melakukan penelitian ini, metode Cross-Industry Standard Process for Data Mining (CRISP-DM) adalah pilihan yang tepat. CRISP- DM adalah metode yang menyediakan proses standar dalam data mining untuk memecahkan masalah bisnis, dan setiap tahapan atau fasenya didefinisikan dengan jelas dan terstruktur. Selain itu, metode ini memiliki metodologi data mining yang lengkap dan terdokumentasi dengan baik[7].
IV. RESULT AND ANALYSIS (HASIL DAN ANALISIS)
A. Business Understanding
Saham adalah pilihan investasi yang diminati karena potensi keuntungannya yang tinggi dan juga karena saham dapat menjadi sumber pendapatan utama di masa pensiun atau hari tua. Akibatnya, banyak orang menjadi tertarik untuk berinvestasi saham. Memahami pentingnya prediksi harga saham bagi investor dan keuntungan yang dapat diperoleh dari penggunaan SAS Visual Analytics dalam analisis dan prediksi data saham. Maka dari itu untuk mendapatkan hasil dari prediksi dengan menggunakan model Random Forest, Regresi Linier, Decision Tree
dan Gradient Boosting untuk mendapatkan hasil yang diinginkan.
B. Data Understanding
Data yang dikumpulkan untuk penelitian ini bersumber dari data www.finance.yahoo.com Data yang dipakai pada penelitian ini yaitu terbaru dari Data BBRI.JK Data dari tahun 2022- 2023. Data ini diambil pada bulan April 2023.
Data yang didapat terdapat data bersih terdiri dari 7 Variable dan 249 kolom.
Gambar 4.1 Data dari BBRI.JK C. Data Preparation
Tahapan awal dalam pembuatan sebuah model yaitu menyiapkan data sesuai dengan kebutuhan penelitian. Langkat pertama yaitu mengecek SAS visual analytics. Data yang didapat Memakai format .csv yang merupakan data set dengan file csv.
Gambar 4.2 Details
Gambar 4.3 Manage Coloums Details
Pada Gambar 4.2 dan 4.3 Terdapat kolom yang kosong yaitu kolom Label dan Format. Lalu dengan menggunakan Manage Columns Dilakukan Hidden Columns dikarenakan kolom yang kosong tidak digunakan.
Gambar 4.4 Sample Data
Gambar 4.5 Manage Data dari Sample Data
Gambar 4.6 Hasil dari melakukan Hidden Columns
Pada Gambar 4.4 dan 4.5 melakukan Hidden Columns untuk data yang tidak digunakan yaitu data Adj Close. Sesudah membersihkan data yaitu melakukan EDA (Exploratory Data Analysis).
Na me
Min Max Avrage Sum
Clo se
4,404.0 0
4,980.0 0
4,566.2 5
1,132,43 0.00 Hig
h
4,090.0 0
5,025.0 0
4,608.2 5
1,142,84 5.00 Lo
w 3,960.0
0 4,920.0
0 4,521.9
4 1,121,44
0.00 Ope
n 4,010.0
0 5,000.0
0 4,563.0
6 1,131,64
0.00 Vol
um e
43,581,
100.00 594,601
,900.00 161,650
,358.06 40,089,2 88,800.0 0 Tabel 4.1 Min, Max, Avrage, Sum
Bisa dilihat hasil dari Tabel 4.1 Hasil dari Min, Max, Avrage, dan Sum. Hasil bisa dilihat dari Sumnya yaitu Close sebesar 1,132,430.00, High sebesar 1,142,845.00, Low sebesar 1,121,440.00, Open sebesar 1,131,640.00, dan Volume sebesar 40,089,288,800.00.
Gambar 4.7 Correlation of Selected Measures Bisa dilihat pada gambar 4.7 yang memiliki Strong yaitu High dan untuk yang week
yaitu Volume. Dan yang berada ditengah yaitu Low dan Open.
Gambar 4.7 Close by Date
Gambar 4.8 Frequency of Close D. Modeling
Pada tahapan modelling data yang telah dibersihkan dan digabungkan dilakukan proses dengan memakai model Random Forest, Regresi Linier, Decision Tree dan Gradient Boosting untuk mendapatkan hasil yang diinginkan.
Gambar 4.9 Random Forest
Bisa dilihat pada gambar 4.9 yaitu hasil dari Random Forest dibagian Variable Importance mendapatkan hasil Variable High dengan Importance sebesar 3,752,288.0487 dan Hasil Average Squared Error sebesar 1,832.7066 dan Hasil Predict Average sebesar 4,919.6130.
Gambar 4.10 Regresi Linear
Bisa dilihat pada gambar 4.10 yaitu hasil dari Regresi Linear dibagian Fit Summery terdapat hasil Effect High dan hasil dari Studentized Deleted Residual sebesar 2.8247793978 dan hasil Hasil Predict Avarage sebesar 4,938.7351.
Gambar 4.11 Decision Tree
Bisa dilihat pada gambar 4.11 yaitu hasil dari Decision Tree dibagian Tree terdapat High dengan Avarage sebesar 4,566.2500 dan hasil dari Variable Importance yaitu High dan Hasil dari Predicted Avarage sebesar 4,943.2967
Gambar 4.12 Gradient Boosting
Bisa dilihat pada gambar 4.12 yaitu hasil dari Gradient Boosting dibagian hasil Variable Importance yaitu High dan hasil dari Avarage Squad Error sebesar 42,732.3587 dan hasil dari Predicted Avarage sebesar 4,931.0987.
E. Evaluation
Gambar 4.13 Model Comparasion
Gambar 4.14 Perbandingan Model
Pada gambar Gambar 4.13 dan 4.14 dengan melakukan penggabungan model dengan menggunakan Model Comparasion dan melakukan perbandingan model dengan mendapatkan hasil dari yang terbesar yaitu Decision Tree dan Terendah yaitu Random Forest dengan hasil Decision Tree sebesar 4,943.2967 dan Random Forest sebesar 4,919.6130.
F. Deployment
Pada tahap ini, data yang sudah diprediksi akan digunakan untuk memprediksi hasil dari menganalisis dan memprediksi pergerakan harga saham, serta merencanakan strategi investasi yang efektif dan mengikuti tren pasar yang sedang berkembang.
V. CONCLUSION (KESIMPULAN)
Berdasarkan hasil yang diperoleh yaitu model yang mendapatkan hasil terbesar yaitu Decision Tree sebesar 4,943.2967 dan yang terkecil yaitu Random Forest sebesar 4,919.6130 dan dengan ini dapat diharapkan penelitian ini dapat membantu untuk mendapatkan hasil dari pergerakan saham yang sekarang maupun berikutnya.
REFERENCES (REFERENSI)
.[1] I. Himawan, O. Nurdiawan, and G. Dwilestari,
“Algoritma Regresi Linier Berganda,” vol. 10, no. 3, 2022.
[2] B. I. Triyunanto, S. Suparti, and R. Santoso,
“Implementasi Paket Shiny Pada Pemodelan Multiscale Autoregressive Untuk Data Harga Saham Bbri,” J.
Gaussian, vol. 10, no. 3, pp. 315–324, 2021, doi:
10.14710/j.gauss.v10i3.32781.
[3] R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi,
“Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” E-Bisnis J. Ilm.
Ekon. dan Bisnis, vol. 13, no. 2, pp. 67–75, 2020, doi:
10.51903/e-bisnis.v13i2.247.
[4] Harsiti, Z. Muttaqin, and E. Srihartini, “Penerapan Metode Regresi Linier Sederhana Untuk Prediksi Persediaan Obat Jenis Tablet,” JSiI (Jurnal Sist.
Informasi), vol. 9, no. 1, pp. 12–16, 2022, doi:
10.30656/jsii.v9i1.4426.
[5] A. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris,” J. Ilm. Ilmu Komput., vol. 7, no. 2, pp. 45–51, 2021, doi:
10.35329/jiik.v7i2.203.
[6] S. E. Suryana, B. Warsito, and S. Suparti, “Penerapan Gradient Boosting Dengan Hyperopt Untuk Memprediksi Keberhasilan Telemarketing Bank,” J. Gaussian, vol. 10,
no. 4, pp. 617–623, 2021, doi:
10.14710/j.gauss.v10i4.31335.
[7] A. Khumaidi, “Data Mining for Predicting the Amount of Coffee Production Using Crisp-Dm Method,” J. Techno Nusa Mandiri, vol. 17, no. 1, pp. 1–8, 2020, doi:
10.33480/techno.v17i1.1240.
