Hilmy zahran, mochammad Ahnaf (2026) PENERAPAN MACHINE LEARNING UNTUK MEMPREDIKSI HARGA SAHAM PT. KRAKATAU STEEL TBK MENGGUNAKAN METODE HYBRID PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTORREGRESSION ( P C A - S V R ). S1 thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa.
![[img]](https://eprints.untirta.ac.id/style/images/fileicons/text.png) |
Text (Fulltext)
Mochammad Ahnaf Hilmi Zahran_3337210020_Fulltext.pdf Restricted to Registered users only Download (9MB) |
|
Text (Bab 1)
Mochammad Ahnaf Hilmi Zahran_3337210020_01.pdf Restricted to Registered users only Download (8MB) |
|
Text (Bab 2)
Mochammad Ahnaf Hilmi Zahran_3337210020_02.pdf Restricted to Registered users only Download (317kB) |
|
Text (Bab 3)
Mochammad Ahnaf Hilmi Zahran_3337210020_03.pdf Restricted to Registered users only Download (362kB) |
|
Text (Bab 4)
Mochammad Ahnaf Hilmi Zahran_3337210020_04.pdf Restricted to Registered users only Download (768kB) |
|
Text (Bab 5)
Mochammad Ahnaf Hilmi Zahran_3337210020_05.pdf Restricted to Registered users only Download (196kB) |
|
Text (Daftar Referensi)
Mochammad Ahnaf Hilmi Zahran_3337210020_Ref.pdf Restricted to Registered users only Download (177kB) |
|
Text (Daftar Lampiran)
Mochammad Ahnaf Hilmi Zahran_3337210020_Lamp.pdf Restricted to Registered users only Download (273kB) |
|
Text (Cek Plagiasi)
Mochammad Ahnaf Hilmi Zahran_3337210020_CP.pdf Restricted to Repository staff only Download (32MB) |
Abstract
Penelitian ini bertujuan untuk mengembangkan model prediksi harga saham PT. Krakatau Steel Tbk (KRAS) menggunakan metode Support Vector Regression (SVR) yang dipadukan dengan Principal Component Analysis (PCA). Model ini dirancang untuk mengatasi masalah multikolinearitas dalam dataset yang terdiri dari data historis harga saham dan berbagai indikator teknikal. Pendekatan ini dimulai dengan standardisasi data, diikuti penerapan PCA untuk mereduksi dimensi dan mengurangi kompleksitas model, sehingga memungkinkan model menangani banyak fitur tanpa overfitting. Setelah reduksi dimensi, model SVR dengan kernel RBF digunakan untuk memprediksi harga saham pada hari berikutnya (t+1). Kinerja model dievaluasi dengan menggunakan metrik MAE, RMSE, MAPE. Hasil penelitian menunjukkan bahwa model SVR-PCA menghasilkan prediksi harga saham yang akurat dengan MAPE sebesar 3,61%, yang menunjukkan kemampuan model dalam menangani fluktuasi harga saham yang dipengaruhi oleh faktor eksternal dan internal. Model ini memberikan wawasan yang berguna bagi para trader dan investor untuk mengambil keputusan yang lebih tepat terkait pergerakan harga saham PT. Krakatau Steel Tbk. Ke depan, model ini dapat dikembangkan lebih lanjut dengan melibatkan teknik pembelajaran mesin yang lebih kompleks dan penambahan indikator ekonomi untuk meningkatkan akurasi prediksi
| Item Type: | Thesis (S1) | ||||||
|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||
| Additional Information: | Penelitian ini bertujuan untuk mengembangkan model prediksi harga saham PT. Krakatau Steel Tbk (KRAS) menggunakan metode Support Vector Regression (SVR) yang dipadukan dengan Principal Component Analysis (PCA). Model ini dirancang untuk mengatasi masalah multikolinearitas dalam dataset yang terdiri dari data historis harga saham dan berbagai indikator teknikal. Pendekatan ini dimulai dengan standardisasi data, diikuti penerapan PCA untuk mereduksi dimensi dan mengurangi kompleksitas model, sehingga memungkinkan model menangani banyak fitur tanpa overfitting. Setelah reduksi dimensi, model SVR dengan kernel RBF digunakan untuk memprediksi harga saham pada hari berikutnya (t+1). Kinerja model dievaluasi dengan menggunakan metrik MAE, RMSE, MAPE. Hasil penelitian menunjukkan bahwa model SVR-PCA menghasilkan prediksi harga saham yang akurat dengan MAPE sebesar 3,61%, yang menunjukkan kemampuan model dalam menangani fluktuasi harga saham yang dipengaruhi oleh faktor eksternal dan internal. Model ini memberikan wawasan yang berguna bagi para trader dan investor untuk mengambil keputusan yang lebih tepat terkait pergerakan harga saham PT. Krakatau Steel Tbk. Ke depan, model ini dapat dikembangkan lebih lanjut dengan melibatkan teknik pembelajaran mesin yang lebih kompleks dan penambahan indikator ekonomi untuk meningkatkan akurasi prediksi | ||||||
| Subjects: | T Technology > T Technology (General) | ||||||
| Divisions: | 03-Fakultas Teknik > 55201-Jurusan Teknik Informatika | ||||||
| Depositing User: | Mochammad Ahnaf Hilmy Zahran | ||||||
| Date Deposited: | 09 Feb 2026 02:04 | ||||||
| Last Modified: | 09 Feb 2026 02:04 | ||||||
| URI: | http://eprints.untirta.ac.id/id/eprint/57467 |
Actions (login required)
 |
View Item |