%0 Thesis
%9 S1
%A Hilmy zahran, mochammad Ahnaf
%A UNIVERSITAS SULTAN AGENG TIRTAYASA,
%A FAKULTAS TEKNIK,
%A PROGRAM STUDI INFORMATIKA,
%B Informatika
%D 2026
%F eprintuntirta:57467
%I Fakultas Teknik Universitas Sultan Ageng Tirtayasa
%P 79
%T 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 )
%U https://eprints.untirta.ac.id/57467/
%X 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
%Z 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