278
Analisis Data Mining Untuk Prediksi Harga Saham:
Perbandingan Metode Regresi Linier Dan Pola Historis
Data Mining Analysis for Stock Price Prediction: A Comparison of Linear Regression Method and Historical Patterns
Albert Riyandi1, Aripin2, Ivan Nur Ardiansyah3, Rahmad Dany4, Yusrizal5
1Sistem Informasi, Fakultas Teknologi Informasi, Universitas Nusa Mandiri
2,3,4,5
Sistem Informasi, Fakultas Teknik dan Informatika, Universitas Bina Sarana Informatika E-mail: 1[email protected], 2[email protected], 3[email protected],
4[email protected], 5[email protected] Abstrak
Data mining menjadi salah satu teknik yang cukup menjanjikan dalam proses pembacaan dan pengumpulan data. Data menjadi asset penting yang dapat digunakan untuk mencari pola, guna memproyeksikan strategi dalam membangun proses pengembangan bisnis.
Seperti halnya proyeksi investasi saham menjadi penting dalam pemilihan investasi yang tepat.
Dalam prosesnya, investasi saham harus memiliki aspek kemampuan untuk memprediksi pergerakan harga saham. Namun, kemampuan tersebut di batasi dengan adanya ketidaktahuan masyarakat dalam mengelola investasi tersebut. Salah satu investasi saham yang menarik terutama di masa pandemi salah satunya adalah saham Microsoft. Dengan membandingkan hasil metode regresi linier dan pola historis prediksi yang dihasilkan bisa jauh lebih akurat. Dari dataset analisis harga saham Microsoft yang diambil sejak tahun 2018-2023 terdapat kesimpulan harga saham terendah Microsoft bulan November 2022 sebesar 217,826, saham tertinggi bulan Mei 2023 sebesar 309,948 dan rata-rata harga sebesar 260,787. Dari perhitungan tersebut didapatkan prediksi saham Microsoft tanggal 15 Mei 2023 menggunakan regresi linier sebesar 306,976 dan pola historis sebesar 260,136 sehingga terdapat gap 46,84. Dari perbandingan ini, disimpulkan bahwa gap perhitungan manual dengan regresi linier jauh lebih kecil dibandingkan pola historis, dengan selisih masing-masing sebesar 0,054 dan 46,786.
Sehingga menegaskan bahwa penggunaan metode regresi linier memberikan prediksi yang lebih akurat dibandingkan pola historis.
Kata kunci: Data Mining, Prediksi Saham, Regresi Linear, Pola Historis
Abstract
Data mining has become one of the promising techniques in data reading and collection processes. Data serves as a crucial asset that can be utilized to identify patterns and project strategies in building business development processes. Similar to stock investment projections being essential in making appropriate investment choices, the ability to predict stock price movements is crucial for stock investments. However, this ability is limited by the public's lack of knowledge in managing such investments. One of the attractive stock investments, especially during the pandemic, is Microsoft's stock. By comparing the results of linear regression and historical pattern predictions, more accurate predictions can be achieved. Based on the analysis of Microsoft's stock price dataset from 2018 to 2023, it is concluded that the lowest stock price for Microsoft occurred in November 2022, at 217.826, the highest in May 2023, at 309.948, and the average price at 260.787. Using linear regression, the predicted Microsoft stock price for May 15, 2023, is 306.976, while the historical pattern prediction yields 260.136, resulting in a gap of 46.84. Comparatively, the manual calculation with linear regression shows a much smaller difference compared to the historical pattern, with respective differences of 0.054 and 46.786. Therefore, it can be inferred that the use of linear regression provides more accurate predictions compared to historical patterns.
279
Keywords: Data Mining, Stock Predictions, Linear Regression, Historical Patterns
1. PENDAHULUAN
Seiring dengan perkembangan teknologi, data mining menjadi salah satu teknik yang cukup menjanjikan dalam proses pembacaan dan pengumpulan data. Dalam konteks ini, analisis menjadi salah satu langkah yang dapat digunakan dalam proses pengambilan keputusan berdasarkan metode dan model dari data yang digunakan. Data menjadi aset penting yang dapat digunakan untuk mencari pola guna memproyeksikan strategi atau kebijakan yang dilakukan dalam membangun proses pengembangan bisnis secara cermat.
Seperti halnya investasi saham yang menjadi ladang pencaharian bagi sejumlah kalangan. Saham merupakan sebuah investasi berbentuk surat berharga yang menjadi bukti sah dalam suatu transaksi. Investasi ini banyak digandrungi oleh beberapa kalangan masyarakat, dikarenakan pertumbuhan modal jangka panjang, dividen, dan perlindungan nilai tukar mata uang terhadap inflasi sangat menjanjikan. Sehingga investasi ini menjadi suatu pertimbangan dalam memanajemen keuangan bagi masyarakat kalangan atas [1].
Disamping itu, terdapat aspek penting dalam investasi saham yang harus diketahui oleh masyarakat, yakni kemampuan untuk memprediksi pergerakan harga saham dimasa depan berdasarkan data fluktuatif yang ada. Memprediksi harga saham merupakan tantangan yang kompleks karena dipengaruhi oleh banyak factor, seperti pertumbuhan ekonomi, kondisi industri, peristiwa global, dan lain sebagainya.
Disisi lain, juga terdapat sejumlah kendala atau masalah yang terjadi kepada trader atau investor dalam mengelola atau menggunakan saham tersebut. Permasalahan-permasalahan yang timbul berupa:
1. Ketidaktahuan masyarakat dalam mengelola atau menggunakan investasi,
2. Adanya akses yang diberikan kepada pihak ketiga dalam mengelola akun investasi 3. Banyaknya pola-pola prediksi yang dapat membingungkan para trader khususnya pemula.
Untuk itu, dibutuhkan sebuah metode dalam analisis prediksi guna menunjang akurasi pergerakan harga saham yang fluktuatif. Metode tersebut merupakan sebuah teknik dalam data mining yang sering digunakan oleh para analis, seperti pola regresi linier dan pola historis.
Nantinya, hasil dari kedua pola tersebut akan diperbandingkan guna mencapai satu kesimpulan metode atau pola mana yang lebih akurat dalam memprediksi harga saham.
1.2 Studi Literatur
1.2.1 Data Mining
Data mining merupakan contoh disipilin ilmu yang mempelajari metode-metode untuk mengekstrak pengetahuan dari sekumpulan database, dan mampu memberikan informasi penting yang bersifat implisit [2].
1.2.2 Prediksi Harga Saham
Prediksi atau peramalan merupakan langkah dalam menganalisis data hsitoris untuk berbagai bidang termasuk bisnis, industri, ekonomi, ilmu lingkungan, dan keuangan [3].
Sedangkan, menurut Kamus Besar Bahasa Indonesia (KBBI), prediksi merupakan hasil dari kegiatan meramal atau memperkirakan yang berupa metode ilmiah ataupun subjektif belaka [4].
Dalam konteks prediksi harga saham, transaksi jual beli saham merupakan salah satu bentuk invetasi favorit yang dilakukan oleh banyak investor. Namun ada risiko yang harus dihadapi, seperti capital loss atau risiko turunnya harga dan risiko likuiditas terhadap perusahaan yang mengeluarkan saham tersebut [5].
280 1.2.3 Regresi Linier
Regresi linier atau Linear Regression merupakan sebuah algoritma yang digunakan untuk mengukur dan memprediksi hubungan antara korelasi serta koefisien dua variable melalui satu garis lurus [6].
Dalam prosesnya, data yang dijadikan bahan perhitungan untuk pola prediksi akan dibagi menjadi dua bagian, yakni data training dan data testing dengan perbandingan 80:20 [7].
Sehingga, dampak dari penggunaan analisis ini dapat digunakan untuk memutuskan bagaimana langkah yang diambil [8].
1.2.4 Pola Historis
Pola historis sering dikaitkan dengan metode Moving Average. Metode ini merupakan suatu bentuk analisis pergerakan nilai sebuah data lampau yang diterapkan pada penggunakaan sejumlah aspek kegiatan. Sehingga dalam praktinya, metode ini dapat menghitung harga rata- rata suatu asset dalam periode tertentu, kemudian menghubungkannya dalam bentuk garis [9].
2. METODE PENELITIAN 2.1 Sumber Data
Pada penelitian ini, data yang digunakan merupakan data sekunder yang berasal dari website Kaggle, yang berjudul Microsoft Stock from 1986 to 2023, dengan jumlah data sebanyak 9.369 [10], namun pada kesempatan ini, hanya 1.035 data yang digunakan.
2.2 Prepocessing Data
Prepocesing Data merupakan langkah penting dalam memprediksi harga saham Microsoft melalui regresi linier dan pola historis. Ada beberapa langkah yang dilakukan, guna mengakuratkan hasil yang diperoleh, seperti:
1. Penanganan Data Hilang
Pada tahap ini, Anda akan memeriksa dan menangani data yang hilang dalam dataset harga saham Microsoft. Ini bisa melibatkan mengisi nilai yang hilang dengan metode seperti nilai rata-rata harga saham pada hari sebelumnya atau sesudahnya.
Contoh: Jika pada tanggal tertentu tidak ada data harga saham yang terekam, bisa mengisi nilai tersebut dengan harga saham pada hari sebelumnya.
2. Pengecekan Outlier
Memeriksa nilai-nilai yang ekstrim atau tidak biasa dalam data harga saham. Outlier dapat mempengaruhi prediksi yang akurat.
Contoh: Jika pada suatu hari harga saham Microsoft tiba-tiba naik atau turun secara signifikan tanpa alasan yang jelas, ini mungkin menjadi outlier.
3. Pemilihan Fitur:
Menentukan fitur-fitur yang paling relevan dalam memprediksi harga saham Microsoft, seperti volume perdagangan harian, rasio keuangan, atau berita terkait perusahaan.
Contoh: Memilih volume perdagangan harian, harga penutupan sebelumnya, dan rasio laba bersih terhadap pendapatan sebagai fitur-fitur untuk prediksi.
4. Pemisahan Data:
Pisahkan data harga saham menjadi dua bagian: data untuk pelatihan dan data untuk pengujian
Contoh: Memisahkan data harga saham dengan perbandingan 80 untuk pelatihan, dan 20 untuk pengujian.
281 5. Penanganan Multi Kolineraitas:
Identifikasi korelasi tinggi antara fitur-fitur yang mungkin mempengaruhi prediksi harga saham. Pertimbangkan untuk menghilangkan atau menggabungkan fitur-fitur ini
Contoh: Mempertimbangkan pengaruh external yang akan mempengaruhi prediksi pergerakan harga saham.
6. Scaling Tanggal/Waktu:
Konversi tanggal menjadi selisih dalam hitungan hari sejak tahun 2018 untuk membantu dalam pemodelan.
Contoh: Mengubah tanggal berdasarkan tanggal harga saham terakhir per 15 Mei 2023 yang diurutkan sampai 3 Januari 2018.
2.3 Rumus Matematis
2.3.1 Rata-Rata
X/Y = ΣJumlah Nilai X atau Y ΣJumlah Data Training⁄ (1)
Dimana X/Y adalah nilai rata-rata dari variable X(independent) dan Y(dependen).
2.3.2 Koefisien Regresi
b = (nΣXY − (ΣX(ΣY (nΣX⁄ − (ΣX (2) Dimana b adalah nilai koefisien regresi(slope) yang didapat dari hasil pembagian antara selisih jumlah X dan Y dengan selisih hasil kuadrat jumlah nilai X.
2.3.3 Konstanta Regresi
a = Ymean − (bXmean (3)
Dimana adalah nilai konstanta regresi(intercept) yang didapat dari hasil pengurangan nilai rata-rata Y dengan hasil kali antara slope dengan rata-rata nilai X.
2.3.4 Persamaan Linear
Y = a + bX (4)
Dimana Y adalah nilai prediksi yang didapat dari hasil penjumlahan antara nilai intercept dengan hasil kali natara slope dengan nilai masing-masing X.
2.3.5 Root Mean Squared Error
RMSE = $%1
n' ∗ Σ(Y − Y
(5)
Dimana R)*+ adalah nilai performa dari Root Mean Squared Error yang didapat dari hasil akar dari perhitungan Mean Squared Error.
282 2.3.6 Simple Moving Average
SMA =Σnilai X n
(6)
Dimana *)- adalah nilai Simple Moving Average yang didapat dari hasil pembagian antara jumlah nilai X dengan jumlah data testing.
3. HASIL DAN PEMBAHASAN 3.1 Deskripsi Data
Berdasarkan data sekunder yang telah dijelaskan pada metode sebelumnya, maka ditentukan variable-variabel yang akan digunakan guna mempengaruhi hasil prediksi. Variable- variabel tersebut adalah variable independent dan variable dependen. Dalam kasus ini, variable independent akan diwakili oleh kolom High, dan variable dependen akan diwakili oleh kolom Open.
Berikut gambaran dataset harga saham Microsoft!
Gambar 1. Microsoft Stock Price Dataset 3.2 Uji Regresi Linier
3.2.1 Uji Regresi Linier Matematis
Berdasarkan uji regresi linier secara matematis, ada 6 tahapan yang harus dilakukan dalam memprediksi harga saham Microsoft, yakni:
1. Mengelompokkan data menjadi data training dan data testing
Berdasarkan penjabaran sebelumnya, maka dataset yang berjumlah 1.035 data, dibagi menjadi 2 bagian, dengan perbandingan 80:20. 80 disini adalah persentase data training yang berjumlah 1.080 data, dan sisanya adalah data testing sebanyak 270 data.
Berikut gambaran pembagian data training dan data testing!
283
Gambar 2. Data Training (Kiri) dan Data Testing (Kanan) 2. Menentukan jumlah dan nilai rata-rata masing-masing variable
Berdasarkan perhitungan matematis, maka didapat jumlah nilai X sebesar 200.335,310 dengan rata-rata nilai X adalah 185,496. Sedangkan untuk jumlah nilai Y adalah sebesar 198.366,720 dengan rata-rata 183,673.
3. Menentukan hasil koefisien regresi (slope)
Berdasarkan nilai diatas, maka dihitung koefisien regresi(slope) dengan total hasil perhitungan 0,991.
4. Menentukan konstanta regresi (intercept)
Setelah mendapati nilai slope, maka didapat hasil intercepet berdasarkan rumus matematis sebesar -0,100.
5. Membuat persamaan linear untuk prediksi
Berdasarkan nilai slope dan intercepet, maka prediksi terhadap nilai akhir berdasarkan dataset tanggal 15 Mei 2023, dengan harga saham tertinggi sebesar 309,90 adalah 306,922.
6. Menghitung performa
Berdasarkan hasil prediksi, maka dihitung performa berdasarkan rumus RMSE, dan didapati hasil sebesar 2,695.
284 3.2.2 Uji Regresi Linier RapidMiner
Setelah mengetahui hasil dari perhitungan matematis, maka dilakukan pengujian berdasarkan aplikasi RapidMiner.
Berikut proses perhitungan yang digunakan dalam RapidMiner:
Gambar 3. Process Perhitungan Regresi Linier RapidMiner
Berdasarkan gambar 3, tergambar bagaimana alur yang digunakan dalam memprediksi harga saham Microsoft. Dari dataset dihubungkan ke set role guna menentukan mana yang akan menjadi variable independent dan variable dependen. Selanjutnya, dari set role dihubungkan ke split data yang berfungsi untuk membagi data menjadi dua bagian, yakni data training dan data testing. Untuk data training, dihubungkan ke linear regression guna melakukan perhitungan secara system, dan setelah itu dihubungkan ke apply model, guna memodelkan data hasil perhitungan system tersebut. Sedangkan untuk data testing, langsung dihubungkan ke apply model guna menjadi bahan testing berdasarkan pengujian data training.
Setelah itu, hasil dari data testing yang ada pada apply model dihubungkan ke performa guna mengetahui berapa tingkat performa error dari data testing. Dan setelah itu, masing-masing node baik yang ada pada performa dan apply model dihubungkan ke result, guna mengetahui hasil perhitungan system.
Berikut hasil perhitungan berdasarkan RapidMiner!
Gambar 4. Hasil Perhitungan Regresi Linier
Pada gambar 4, terlihat hasil dari perhitungan regresi linear berdasarkan RapidMiner.
Pada gambar tersebut, terdapat nilai koefisien berdasarkan atribut. Untuk atribut High, koefisiennya sebesar 0,991 dengan standar error sebesar 0,001, std. coefisient 1,000, tolerance 1, t-stat 1341,208, p-value 0, dan code bintang 4 yang menyatakan atribut ini sangat mepengaruhi.
Sedangkan, untuk atribut intercept, besaran koefisiennya di angka -0,099, dengan standar error sebesar 0,148, t-stat 1341,208, dan p-value 0,504. Sehingga, didapat hasil prediksi berdasarkan perhitungan koefisien yang telah dilakukan seperti gambar nomor 5 dibawah ini!
285
Gambar 5. Hasil Data Testing
Setelah mendapatkan nilai prediksi berdasarkan perhitungan RapidMiner, maka juga didapati nilai error berdasarkan jabaran proses yang dilakukan saat perhitungan menggunakan metode Linear Regrassion. Angka yang didapati adalah sebesar 2,731 dengan analisa bahwa tingkat error yang dihasilkan masih tergolong kecil. Hal ini dikarenakan pengaturan pada parameter linear regression adalah pengaturan linear sampling.
Seperti yang tergambar pada gambar 6 dibawah ini!
Gambar 6. Hasil RMSE
Disamping itu, berdasarkan data yang diuji dan diprediksi terdapat nilai minimal, maximal, dan rata-rata. Berdasarkan real dataset, nilai minimum adalah 218, nilai maximum adalah 311, dan nilai rata-rata 260.178. Sedangkan untuk hasil nilai prediksi, nilai minimumnya adalah 217.826, nilai maximum 309.948, dan nilai rata-rata 260.787. Maka dari kedua data tersebut, terdapat gap atau perbandingan data yang cukup pendek. Seperti yang tergambar pada gambar 7 dibawah ini!
286
Gambar 7. Statistik Harga Saham Microsoft Menggunakan Linear Regression
Disisi lain, berdasarkan gambaran diatas, dapat disimpulkan bahwa untuk nilai minimum harga saham berada pada tanggal 7 November 2022 dan nilai maximum harga saham ada pada tanggal 15 Mei 2023. Sehingga, pergerakan harga saham berdasarkan prediksi data testing dapat digambarkan seperti gambar 8 dibawah ini!
Gambar 8. Grafik Hasil Prediksi Linear Regression 3.3 Uji Pola Historis
Berdasarkan rumus SMA yang digunakan dalam menghitung pola historis maka didapat hasil prediksi dengan pola historis sebesar 260.135.
3.4 Perbandingan Pola Regresi Linier dan Historis
Berdasarkan hasil pengujian yang dilakukan baik secara manual atau pun secara system RapidMiner, maka didapat perbandingan sebagai berikut!
287
Tabel 1. GAP Perhitungan Manual dan RapidMiner Linear Regression
Jenis Perhitungan
Manual RapidMiner GAP
Koefisien Regresi (Slope) 0,991 0,990 0,001
Konstanta Regresi (Intercept) -0,100 -0,099 -0,001
RMSE 2,695 2,731 0,036
Berdasarkan table diatas, didapat selisih antara perhitungan manual dan RapidMiner yang menjelaskan bahwa dataset tersebut dinyatakan valid. Karena selisih yang dihasilkan tidak terlalu ada perbedaaan secara signifikan. Dan berdasarkan data tersebut didapat harga saham terendah microsoft bulan april 2022 sebesar 217,826, saham tertinggi bulan mei 2023 sebesar 309,948 dan rata-rata harga sebesar 260,787. Sedangkan, prediksi saham Microsoft yang didapat pada tanggal 15 mei 2023 dari regresi linier sebesar 306,976 dan pola historis didapatkan 260,136 sehingga terdapat gap 46,84. Dilihat dari sisi data yang dihasilkan, data gap perhitungan manual dengan regresi linier jauh lebih kecil dibandingkan pola historis sebesar 0,054 dan dari gap perhitungan manual dengan pola historis adalah sebesar melihat dari data yang ada metode regresi linier 46,786.
Maka dapat ditarik kesimpulan bahwa perbedaan antara hasil prediksi menggunakan metode regresi linear dan pola historis menunjukkan bahwa metode regresi linear memberikan prediksi yang lebih akurat dibandingkan dengan pola historis. Oleh karena itu, metode regresi linear dapat menjadi pilihan yang lebih baik dalam memprediksi pergerakan harga saham, dibandingkan dengan mengandalkan pola historis semata.
4. KESIMPULAN DAN SARAN
4.1 Kesimpulan
1. Berdasarkan pengujian yang dilakukan didapati harga saham terendah mikrosoft bulan november 2022 sebesar 217,826, saham tertinggi bulan mei 2023 sebesar 309,948 dan rata- rata harga sebesar 260,787.
2. Dari perhitungan tersebut didapatkan prediksi saham Microsoft tanggal 15 mei 2023 dari regresi linier sebesar 306,976 dan pola historis sebesar 260,136, sehingga terdapat gap 46,84.
3. Dilihat dari sisi data yang dihasilkan data gap perhitungan manual dengan regresi linier jauh lebih kecil dibandingkan pola historis sebesar 0,054 dan dari gap perhitungan manual dengan pola historis adalah sebesar melihat dari data yang ada metode regresi linier 46,786.
4.2 Saran
Berdasarkan penelitian yang telah dilakukan, maka ada beberapa rekomendasi untuk penelitian selanjutnya terkait memprediksi harga saham Microsoft menggunakan regresi linier dan pola historis:
1. Penelitian selanjutnya dapat mempertimbangkan integrasi data eksternal seperti berita perusahaan, laporan keuangan, dan faktor-faktor pasar lainnya.
2. Penelitian dapat mengeksplorasi penggunaan model regresi yang lebih kompleks seperti regresi non-linier, regresi logistik, atau model regresi lainnya.
3. Selain regresi linier, penelitian dapat mempertimbangkan penerapan metode machine learning seperti regresi berganda, neural networks, atau algoritma pembelajaran mesin lainnya.
288
DAFTAR PUSTAKA
[1] A. Pambudi and Z. Abidin, “Penerapan CRISP-DM Menggunakan Mlr K-Fold pada Data Saham PT. Telkom Indonesia (PERSERO) TBK (TLKM) (Studi Kasus: Bursa Efek Indonesia Tahun 2015-2022),” JDMSI, Vol. 4, No. 1, pp. 1–14, 2023.
[2] Y. Ramdhani and A. Mubarok, “Analisis Time Series Prediksi Penutupan Harga Saham Antm.Jk Dengan Algoritma SVM Model Regresi,” Jurnal Responsif, Vol. 1, No. 1, 2019, [Online]. Available: http://ejurnal.univbsi.id/index.php/jti
[3] B. Jange, P. Studi, K. Akuntansi, and D. Riau, “Prediksi Harga Saham Bank BCA Menggunakan Prophet,” 2021.
[4] R. Sunardi Oetama, “Prediksi Prospek Harga Saham Perusahaan Perbankan Menggunakan Regresi Linear (Studi Kasus Bank BCA Tahun 2015-2017),” JSI: Jurnal Sistem Informasi (E-Journal, Vol. 11, No. 1, 2019, [Online]. Available:
https://ejournal.unsri.ac.id/index.php/jsi/index
[5] W. Y. Rusyida and V. Y. Pratama, “Prediksi Harga Saham Garuda Indonesia di Tengah Pandemi Covid-19 Menggunakan Metode ARIMA,” Square: Journal of Mathematics and Mathematics Education, Vol. 2, No. 1, p. 73, Apr. 2020, doi:
10.21580/square.2020.2.1.5626.
[6] I. Himawan, O. Nurdiawan, and G. Dwilestari, “Prediksi Harga Saham Dengan Algoritma Regresi Linier Dengan Rapidminer”, [Online]. Available:
https://ejournal.stmikgici.ac.id/
[7] M. Sholeh, E. Kumalasari Nurnawati, and U. Lestari, “Penerapan Data Mining Dengan Metode Regresi Linear untuk Memprediksi Data Nilai Hasil Ujian Menggunakan RapidMiner,” 2023. [Online]. Available: https://archive.ics.uci.edu/ml/datasheets.php.
[8] Suherman, F. Muammar, and I. Afriantoro, “Analisa Data Mining Untuk Prediksi Penyakit Kanker Parudengan Algoritma Regresi Linear,” Teknologi Pelita Bangsa, Vol.
13, 2022.
[9] S. Adiyono and S. Novianto, “Prediksi Komoditas Pangan pada Masa Pandemi Dengan Metode Forecasting dan Moving Average,” Jurnal Nasional Teknologi dan Sistem Informasi, Vol. 7, No. 3, pp. 155–163, Jan. 2022, doi: 10.25077/teknosi.v7i3.2021.155- 163.
[10] M. Bilal Husain, “Microsoft Stocks from 1986 to 2023,” Jul. 2023.
https://www.kaggle.com/datasets/bilalwaseer/microsoft-stocks-from-1986-to- 2023?resource=download (accessed May 19, 2023).
