TY  - THES
TI  - 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 )
UR  - https://eprints.untirta.ac.id/57467/
A1  - Hilmy zahran, mochammad Ahnaf
AV  - restricted
M1  - sarjana
EP  - 79
N2  - 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
Y1  - 2026/02/08/
ID  - eprintuntirta57467
PB  - Fakultas Teknik Universitas Sultan Ageng Tirtayasa
N1  - 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
ER  -