Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 5, No. 10, Oktober 2021, hlm. 4536-4542 http://j-ptiik.ub.ac.id

Prediksi Trend Harga Saham Jangka Pendek berdasarkan Fitur Technical

Analysis dengan menggunakan Algoritma Random Forest
Michael Eggi Bastian1, Bayu Rahayudi2, Dian Eka Ratnawati3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1eggimichael@gmail.com, 2ubay1@ub.ac.id, 3dian_ilkom@ub.ac.id

Abstrak
Perdagangan saham adalah sebuah aktivitas sehari-hari yang dilakukan oleh seorang pedagang saham.
Seorang pedagang saham dapat melakukan aktivitas perdagangan ini pada sebuah pasar modal. Pada
pasar modal terdapat sebuah pola yang menggambarkan pergerakan harga dari suatu saham pada periode
tertentu, atau disebut juga dengan “Trend Harga”. Karakteristik yang paling utama dari sebuah trend
harga adalah perubahan arah yang cepat dan tidak teratur. Karena sifatnya yang mudah berubah dan
tidak teratur, maka munculah sebuah permasalahan untuk mengetahui kemana arah trend harga akan
bergerak. Adanya kesalahan dalam memprediksi arah trend dapat menimbulkan kerugian. Penelitian ini
mengimplementasikan algoritma random forest sebagai model solusi, dan technical analysis sebagai
fitur prediksi untuk meminimalkan kesalahan dalam memprediksi trend harga di masa depan.
Berdasarkan hasil pengujian, kombinasi antara algoritma random forest dan technical analysis dapat
meminimalkan kesalahan dalam memprediksi trend harga dengan akurasi sebesar 84%, dan skor f1
sebesar 88%.
Kata kunci: Random Forest, Analisis Teknikal, Trend Saham, Harga Saham
Abstract
Stock trading is a daily activity carried out by a stock trader. A stock trader can perform this trading
activity on a capital market. In the capital market, you can see a chart that depicts the price movement
of a stock in a certain period, also known as "Price Trend". The most important characteristic of a price
trend is volatile and irregular changes in direction. Due to its volatile and irregular nature, a problem
arises in knowing where the price trend will move. Any mistake in predicting the direction of the trend
can cause losses. This study implements the random forest algorithm as a solution model, and technical
analysis as a predictive feature to minimize errors in predicting future stock price trends. Based on the
test results, the combination of the random forest algorithm and technical analysis is able to minimize
errors in predicting price trends with an accuracy of 84% and an f1 score of 88%.
Keywords: Random Forest, Technical analysis, Stock Trend, Stock Price

harga saham ini terdapat pada jangka waktunya.

1. PENDAHULUAN
Pasar modal adalah sebuah tempat untuk
melakukan perdagangan saham dan aset
keuangan lainnya (Wanjawa and Muchemi,
2014). Pada pada pasar modal terdapat sebuah
pola yang menggambarkan pergerakan harga
saham pada periode waktu tertentu yang biasa
disebut sebagai trend harga saham. Berdasarkan
periode waktunya trend harga saham dapat
dibagi menjadi dua bagian, yaitu : trend harga
saham jangka pendek, dan trend harga saham
jangka panjang (Kamble and Source, 2017).
Perbedaan yang paling utama dari kedua trend
Pada trend harga saham jangka pendek sebuah
trend akan terbentuk dalam jangka waktu harian,
mingguan, dan bulanan. Sedangkan pada trend
harga saham jangka panjang sebuah trend akan
terbentuk dalam jangka waktu tahunan. Pada
penelitian ini akan memfokuskan pada prediksi
trend harga saham jangka pendek.
Sebuah trend harga saham memiliki
karakteristik, yaitu: perubahan arah yang cepat
dan tidak teratur. Perubahan ini terjadi karena
banyaknya ketidakpastian dan faktor yang dapat
mempengaruhi harga suatu saham pada waktu
tertentu, seperti : kondisi ekonomi, event politik,

Fakultas Ilmu Komputer

Universitas Brawijaya 4536
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pandangan investor terhadap suatu perusahaan,
dan lain lain (Khaidem and Dey, 2016). Karena
sifatnya yang mudah berubah dan tidak teratur,
maka munculah sebuah permasalahan untuk
mengetahui kemana arah trend harga saham
akan bergerak. Adanya kesalahan dalam
pengambilan keputusan akan membuat kerugian
untuk pemilik saham. Oleh karena itu untuk
meminimalkan kesalahan dalam pengambilan
keputusan dibutuhkan sebuah solusi yang dapat
memprediksi trend harga saham di masa depan
secara akurat, sehingga keuntungan dapat
dimaksimalkan dan kerugian dapat
diminimalkan.
Pada bidang keuangan terdapat beberapa
yang dapat digunakan untuk mengidentifikasi
pola untuk memprediksi trend harga saham,
salah satunya adalah technical analysis.
Technical Analysis adalah sebuah cara untuk
memprediksi trend harga saham melalui
indikator indikator baru yang nantinya dapat
dibuat berdasarkan perhitungan dari data historis
harga saham (Nti, Adekoya and Weyori, 2019).
Beberapa penelitian telah dilakukan untuk
mengembangkan sebuah model solusi yang
dapat memprediksi trend harga saham secara
akurat. Dari penelitian penelitian yang telah
dilakukan terdapat kesimpulan tentang
pendekatan yang paling baik untuk membangun
sebuah model solusi yang bisa melakukan
prediksi terhadap trend harga saham, yaitu :
Statistika dan Machine Learning (Adebiyi,
Adewumi and Ayo, 2014).
Random Forest merupakan salah satu
metode pada machine learning yang dianggap
bagus dan telah diimplementasikan oleh para
peneliti dalam beberapa penelitian. Penelitian
pertama dilakukan oleh Phase Tejas dan Patil
Suhas (Foundation, 2020). Penelitian tersebut
menjelaskan tentang sebuah permasalahan yang
dialami oleh beberapa program sosial dalam
memberikan dana bantuan kepada orang yang
tepat. Pada penelitian tersebut terdapat 9557
jumlah data dengan 143 fitur data. Hasil dari
penelitian ini menunjukkan accuracy score
sebesar 89.97%, dari hasil tersebut
mengindikasikan bahwa random forest dapat
menyelesaikan masalah dengan baik.
Penelitian selanjutnya dilakukan oleh
Bahrawi untuk mendapatkan nilai sentiment dari
Twitter US Airlines menggunakan random forest
(Utilization, 2019). Penelitian tersebut
menjelaskan tentang pendapat para penumpang
pesawat terbang tentang pelayanan yang
diberikan oleh maskapai penerbangan. Hasil dari
Fakultas Ilmu Komputer, Universitas Brawijaya
4537
penelitian ini menunjukkan accuracy score
sebesar 75%.
Penelitian ketiga dilakukan oleh Siburian
dan Mulyana untuk memprediksi harga
ponsel(Siburian, 2018). Penelitian tersebut
menjelaskan tentang pentingnya untuk
memprediksi harga ponsel sebelum peluncuran.
Hasil dari penelitian ini menunjukkan nilai
akurasi sebesar 81%.
Dari penelitian yang dilakukan dapat
disimpulkan bahwa random forest memiliki
beberapa kelebihan, yaitu: bisa untuk
menyelesaikan masalah pada model non-linear,
over-fitting, data training yang tidak besar, tidak
memerlukan seleksi fitur, dan proses pelatihan
cepat. Akan tetapi random forest juga memiliki
kekurangan, yaitu: karena prosesnya yang
random maka kita hanya memiliki sedikit
kendali atas apa yang dilakukan model.
2. KAJIAN PUSTAKA
2.1. Analisis Teknikal
Analisis Teknikal adalah sebuah
pendekatan yang digunakan untuk mempelajari
pola pada pasar saham dengan menggunakan
beberapa macam teknikal indikator (Murphy,
1997). Pada analisis teknikal terdapat 3 dasar
pemikiran yang melatarbelakangi munculnya
metode ini, yaitu : market discount everything,
price move in trends, dan history repeat itself.
Pada dasar pemikiran market discount
everything terdapat penjelasan bahwa, segala
informasi yang dibutuhkan untuk memprediksi
harga suatu saham sudah tersedia pada
pergerakan harga dari saham tersebut.
Pada dasar pemikiran price move in trends
terdapat penjelasan bahwa, harga dari saham
bergerak dalam pola tertentu, atau disebut juga
trend. Dari pergerakan ini, sebuah trend dapat
dikategorikan menjadi 2 kategori, yaitu: trend
naik, dan trend turun.
Pada dasar pemikiran history repeat itself
terdapat penjelasan bahwa, pola pergerakan
harga dari suatu saham pada masa lampau akan
terulang pada masa yang akan datang. Dasar
pemikiran ini muncul setelah dilakukan
pembelajaran terhadap tingkah laku manusia
pada saat melakukan perdagangan saham.
Teknikal Indikator adalah sebuah
parameter/fitur yang dihasilkan dari perhitungan
terhadap data historis harga saham yang
bertujuan untuk memprediksi arah harga saham
(Khaidem and Dey, 2016). Berdasarkan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
tujuannya, teknikal indikator dapat dibagi
menjadi empat bagian, yaitu : trending
indicators, momentum indicators, volume
indicators, dan volatile indicators.
Salah satu contoh dari teknikal indikator
yang bertujuan untuk mengidentifikasi trend
yang sedang berlangsung adalah relative
strength index yang dapat dihitung dengan
menggunakan Persamaan (1).
100
Relative Stength Index = 100 − (1+𝑅𝑆)
(1)
Keterangan :
RS = Nilai Relative Strength
2.2. Random Forest
Random Forest adalah sebuah algoritma
yang mengkombinasikan metode bagging dan
multiple decision tree untuk menghasilkan
sebuah solusi (Reed, 2020). Bagging adalah
metode training yang melatih model dasar
dengan menggunakan subset data yang dipilih
secara random dari training set. Pada metode
bagging, model prediksi yang dihasilkan akan
didapatkan dari hasil voting dari setiap model
dasarnya.
Decision tree adalah sebuah algoritma yang
strukturnya berbentuk seperti pohon dan dapat
digunakan untuk menyelesaikan masalah
klasifikasi dan regresi (Reed, 2020).
Pada decision tree terdapat sebuah
permasalahan untuk menentukan attribut dan
threshold terbaik yang dapat dijadikan sebagai
rule pada decision node. Untuk mengatasi
masalah tersebut akan digunakan dua metode
ekstrasi fitur, yaitu : entropy dan information
gain.
Entropy adalah sebuah metode yang
digunakan untuk menghitung ketidakpastian.
Tujuan dari perhitungan entropy adalah untuk
mendapatkan nilai ketidakpastian yang terkecil
dari sebuah attribut predictor beserta dengan
thresholdnya.
Sedangkan information gain adalah sebuah
metode yang digunakan untuk mengukur
seberapa besar informasi yang diberikan sebuah
attribut data untuk menjelaskan kelasnya.
Hasil perhitungan dari information gain
akan berupa sebuah probabilitas, dimana
semakin tinggi nilai probabilitasnya maka
semakin banyak juga informasi yang diberikan
oleh attribut data untuk menjelaskan kelasnya.
Nilai entropy dan information gain dapat
dihitung menggunakan Persamaan (2), dan
Persamaan (3).
Fakultas Ilmu Komputer, Universitas Brawijaya
4538
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = − ∑𝑛𝑖=1 𝑝𝑖 log 2 𝑝𝑖 (2)
𝐼𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛 𝐺𝑎𝑖𝑛 = 𝐸𝑃 − 𝐸𝐴 (3)
Keterangan :
n = Jumlah Kelas
pi = Probabilitas Kemunculan Kelas ke i
EP = Nilai Entropy dari Bootstrapped dataset
EA = Nilai Entropy dari Attribut yang Dipilih
Langkah dari algoritma random forest
adalah sebagai berikut :
1. Membuat bootstrapped dataset dengan
cara memilih secara random sampel data
sebanyak jumlah data yang digunakan
dengan replacement pada data latih.
2. Memilih secara random fitur data tanpa
replacement pada bootstrapped dataset
untuk dihitung nilai entropy dan
information gain.
3. Menggunakan fitur dan threshold
dengan nilai information gain terbaik
untuk dijadikan sebagai rule pada
decision node untuk setiap kedalaman
decision tree.
4. Mengulangi langkah 1 – 3 sampai n
decision tree terpenuhi.
5. Melakukan voting terhadap data uji oleh
n decision tree yang telah dilatih.
3. METODOLOGI PENELITIAN
Pada penelitian ini terdapat beberapa proses
metodologi penelitian yang akan dilakukan.
Proses yang akan dilakukan pada penelitian ini
akan dimulai dengan identifikasi masalah, studi
literatur, pengumpulan data, data pre-
processing, pembuatan algoritma random forest,
dan evaluasi hasil.
3.1. Pengumpulan Data
Pada penelitian ini data yang digunakan
adalah data harga saham harian dengan kode
BBNI. Data harga saham dengan kode BBNI
diambil dari historical data Yahoo Finance.
Parameter dari data yang didapatkan berupa
tanggal transaksi, harga pembukaan, harga
tertinggi, harga terendah, harga penutupan,
volume, dan change. Data yang dikumpulkan
merupakan data time series dari 27 maret 2012
sampai 03 mei 2021 yang berjumlah 2213.
4. PERANCANGAN SISTEM
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Secara umum perancangan sistem prediksi
trend harga saham akan dimulai dengan inputan
dataset harga saham. Setelah dataset
dimasukkan, maka langkah selanjutnya adalah
melakukan data pre-processing. Setelah proses
data pre-processing selesai, maka langkah
selanjutnya akan melakukan proses training
pada algoritma random forest. Setelah proses
training selesai, maka langkah selanjutnya
adalah proses testing pada algoritma random
forest. Pada Gambar 1 dapat dilihat diagram alir
dari perancangan sistem.
Gambar 1. Diagram Alir Sistem
4.1. Perancangan Data Pre-Processing
Pada tahapan ini akan dilakukan beberapa
proses, yaitu: proses menghitung attribut
predictor, menentukan label data,
menghilangkan nilai NaN, dan membagi data.
Tujuan dari tahapan ini adalah untuk
mendapatkan data hasil olah yang bisa
digunakan untuk melakukan prediksi.
4.2. Pelatihan Random Forest
Pada proses training, langkah pertama yang
akan dilakukan adalah membuat bootstrapped
dataset. Bootstrapped dataset adalah data yang
dipilih secara acak dengan pengembalian dari
Fakultas Ilmu Komputer, Universitas Brawijaya
4539
data latih. Tujuan dari pembuatan bootstrapped
dataset adalah untuk membangun dan melatih
sebuah decision tree. Setelah bootstrapped
dataset dibuat, maka langkah selanjutnya adalah
feature extraction. Setelah kedua proses tersebut
dilakukan, maka akan dilakukan looping
sebanyak n sampai jumlah decision tree yang
diinginkan terpenuhi. Tujuan dari tahapan ini
adalah untuk mendapatkan sejumlah n decision
tree dengan nilai threshold dan attribut terbaik.
Pada Gambar 2 dapat dilihat diagram alir dari
tahapan perancangan data pre-processing.
Gambar 2. Diagram Alir Pelatihan Random Forest
4.3. Pengujian Random Forest
Pada proses testing hanya akan terdapat
satu langkah yaitu voting. Tujuan dari proses ini
adalah untuk mendapatkan nilai kelas prediksi
dari hasil voting sejumlah n decision tree yang
telah dibuat.
5. PENGUJIAN DAN ANALISIS
Pada bagian ini akan terdapat 4 skenario
pengujian yang akan dilakukan, yaitu : skenario
jumlah attribut predictor, decision tree,
kedalaman decision tree, dan total jumlah data
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
yang digunakan. Pada setiap skenario akan
dilakukan 5 kali pengujian untuk mendapatkan
nilai rata-ratanya. Nilai rata-rata inilah yang
akan dijadikan sebagai hasil pengujian.
Dari keempat metode evaluasi akan diambil
dua metode yang akan menjadi penentu seberapa
bagus model prediksi yang telah dibuat, yaitu
akurasi dan f1 skor. Dua metode ini dipilih
karena fungsinya yang dibutuhkan. Pada nilai
akurasi nilai yang akan didapatkan adalah
tingkat keakuratan prediksi berdasarkan jumlah
kelas totalnya, sedangkan pada f1 skor nilai yang
akan didapatkan adalah nilai rata-rata dari
precision, dan recall.
5.1. Pengujian Jumlah Attribut Predictor
Pengujian Jumlah Attribut
Predictor
88%
86%
84%
82%
80%
78%
Accuracy Precision Recall F1 Score
Skenario 1 = 10 Skenario 2 = 6
Skenario 3 = 4
Gambar 3. Grafik Hasil Pengujian Attribut Predictor
Pada Gambar 3 dapat dilihat hasil dari
pengujian jumlah attribut predictor. Nilai
accuracy yang didapatkan pada skenario kedua
mengalami penurunan jika dibandingkan dengan
skenario pertama, sedangkan nilai accuracy
pada skenario ketiga mengalami peningkatan
jika dibandingkan dengan skenario kedua.
Penurunan nilai accuracy pada skenario kedua
terjadi pada saat jumlah attribut predictornya
dikurangi, begitu pula yang terjadi pada
peningkatan nilai accuracy skenario ketiga. Dari
hasil ini dapat dianalisa bahwa yang
mempengaruhi nilai accuracy pada pengujian
jumlah attribut predictor adalah kualitas dari
attribut predictor-nya, dan bukan kuantitasnya.
Hal ini dapat dilihat pada skenario ketiga yang
seharusnya mengalami penurunan apabila
jumlah attribut predictor-nya dikurangi, akan
tetapi pada skenario ketiga menunjukkan hasil
Fakultas Ilmu Komputer, Universitas Brawijaya
4540
yang sebaliknya.
Berdasarkan hasil pengujian yang
didapatkan, maka dapat disimpulkan bahwa
skenario pertama dengan jumlah attribut
predictor 10 mendapatkan hasil yang terbaik.
Hal ini terjadi dikarenakan attribut predictor
yang dipilih pada skenario pertama menyediakan
informasi untuk prediksi yang lebih banyak
daripada skenario kedua, dan ketiga.
5.2. Pengujian Jumlah Decision tree
Pengujian Jumlah Decision
tree
88%
86%
84%
82%
80%
78%
76%
74%
Accuracy Precision Recall F1 Score
Skenario 1 = 10 Skenario 2 = 25
Skenario 3 = 60
Gambar 4. Grafik Hasil Pengujian Decision tree
Pada Gambar 4 dapat dilihat hasil dari
pengujian jumlah decision tree. Untuk nilai
accuracy yang didapatkan pada skenario kedua,
dan ketiga hasilnya mengalami peningkatan jika
dibandingkan dengan skenario pertama.
Peningkatan hasil pengujian ini terjadi
dikarenakan pada saat melakukan pengujian
sebanyak 5 kali pada pengujian yang pertama,
hasil yang didapatkan masih mengalami
fluktuasi sehingga rata – rata yang didapatkan
mengalami penurunan. Sedangkan pada hasil
pengujian kedua dan ketiga fluktuasi nilainya
semakin berkurang. Dari analisis ini dapat
disimpulkan bahwa jumlah decision tree yang
digunakan akan berpengaruh kepada nilai
fluktuasinya.
Berdasarkan hasil pengujian yang
didapatkan, maka dapat disimpulkan bahwa
skenario ketiga dengan jumlah decision tree 60
mendapatkan hasil yang terbaik. Hal ini terjadi
dikarenakan hasil kelas prediksi dari proses
voting yang dilakukan 60 decision tree sudah
banyak yang selaras dengan kelas asli.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4541

5.3. Pengujian Kedalaman Decision tree 5.4. Pengujian Jumlah Data

Pengujian Kedalaman Pengujian Jumlah Data

Decision tree 90%
120% 85%
100%
80%
80%
75%
60%
70%
40%
Accuracy Precision Recall F1 Score
20%
Skenario 1 = 500 Skenario 2 = 1000
0%
Accuracy Precision Recall F1 Score Skenario 3 = 1500

Skenario 1 = 2 Skenario 2 = 5 Gambar 6. Grafik Hasil Pengujian Jumlah Data

Skenario 3 = 10
Gambar 5. Grafik Hasil Pengujian Kedalaman
Pada Gambar 5 dapat dilihat hasil dari
pengujian kedalaman decision tree. Untuk nilai
accuracy, dan nilai precision yang didapatkan
pada skenario kedua, dan ketiga hasilnya
mengalami peningkatan jika dibandingkan
dengan skenario pertama. Peningkatan nilai
accuracy, dan precision terjadi pada saat jumlah
kedalaman decision tree ditambahkan. Jadi pada
saat batas maksimal kedalaman dari sebuah
decision tree dikurangi, maka akan ada beberapa
decision node yang seharusnya ada menjadi
dihilangkan dan diganti menjadi leaf node. Hal
inilah yang menyebabkan terjadinya
peningkatan seiring bertambahnya jumlah
kedalaman decision tree.
Berdasarkan hasil pengujian yang
didapatkan, maka dapat disimpulkan bahwa
skenario ketiga dengan batas maksimal
kedalaman decision tree 10 mendapatkan hasil
yang terbaik. Hal ini terjadi dikarenakan
semakin dalam batas maksimal kedalamannya,
maka semakin banyak pula proses splitting yang
dilakukan. Proses splitting dilakukan dengan
tujuan untuk menghasilkan decision node baru
yang akan berperan sebagai penyeleksi
informasi. Oleh karena semakin banyak
penyeleksi informasinya, maka data uji akan
diproses lebih panjang melalui decision node
yang ada dan pada akhirnya akan menghasilkan
keputusan yang lebih baik daripada keputusan
yang dibuat oleh kumpulan decision tree yang
hanya memiliki beberapa decision node.
Pada Gambar 6 dapat dilihat hasil dari
pengujian jumlah data. Untuk nilai accuracy,
dan nilai recall yang didapatkan pada skenario
kedua, dan ketiga hasilnya mengalami
penurunan jika dibandingkan dengan skenario
pertama. Penurunan hasil pengujian ini terjadi
dikarenakan karakteristik dari data yang
digunakan. Pada teori tentang technical analysis
dinyatakan bahwa, technical analysis adalah
jenis metode yang cocok untuk digunakan
memprediksi trend saham dalam jangka waktu
pendek. Oleh karena data yang digunakan
merupakan data time-series, maka semakin
banyak data yang digunakan menyebabkan
semakin lamanya juga jangka waktunya. Hal
inilah yang menyebabkan hasil pengujian
semakin buruk seiring bertambahnya total data
yang digunakan.
5.5. Pengujian Cross validation
Hasil Pengujian Cross
Validation
100%
80%
60%
40%
20%
0%
Fold 1 Fold 2 Fold 3 Fold 4
Accuracy Random Forest
Accuracy Decision Tree
Gambar 7. Grafik Hasil Pengujian Cross validation

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pada Gambar 7 dapat dilihat hasil pengujian
cross validation. Dari hasil pengujian cross
validation, dapat dibuktikan bahwa algoritma
random forest memiliki tingkat akurasi yang
lebih baik daripada algoritma decision tree untuk
setiap fold. Hal ini terjadi dikarenakan adanya
perbedaan pada proses pelatihan algoritma
random forest, dan decision tree. Perbedaan
yang pertama terdapat pada data latih yang
digunakan, pada algoritma random forest data
latih yang digunakan adalah subset data yang
dipilih secara random dari data original,
sedangkan pada proses pelatihan algoritma
decision tree data latih yang digunakan adalah
data originalnya. Perbedaan selanjutnya terdapat
pada jumlah decision tree yang dibentuk. Pada
algoritma random forest jumlah decision tree
yang dibentuk dapat disesuaikan dengan
kebutuhan, sedangkan pada proses pelatihan
algoritma decision tree jumlah decision tree
yang dibentuk hanyalah satu. Kedua perbedaan
inilah yang membuat algoritma random forest
mendapatkan hasil yang lebih baik daripada
algoritma decision tree.
6. KESIMPULAN
Setelah proses pengujian terhadap sistem
prediksi trend saham berdasarkan fitur analisis
teknikal selesai, maka didapatkan beberapa
kesimpulan yaitu :
• Fitur dari technical analysis lebih tepat
untuk digunakan memprediksi trend
harga saham jangka pendek karena
memiliki hasil pengujian yang lebih
baik.
• Fitur dari technical analysis yang dapat
memperburuk hasil prediksi pada
penelitian ini adalah chaikin indikator
dengan periode hari 9.
• Sistem prediksi trend harga saham
berdasarkan fitur technical analysis
mendapatkan hasil yang cukup baik
dengan akurasi sebesar 84% dan f1 skor
sebesar 88%.
7. DAFTAR PUSTAKA
Adebiyi, A.A., Adewumi, A.O. and Ayo, C.K.,
2014. Comparison of ARIMA and
Artificial Neural Networks Models for
Stock Price Prediction. 2014, pp.9–11.
Foundation, V., 2020. Predict the Level of
Fakultas Ilmu Komputer, Universitas Brawijaya
4542
Income using Random Forest. (December
2019), pp.0–4.
Kamble, R.A. and Source, A.D., 2017. Short and
Long Term Stock Trend Prediction using
Decision Tree. pp.1371–1375.
Khaidem, L. and Dey, S.R., 2016. Predicting the
Direction of Stock Market Prices using
Random Forest. 00(00), pp.1–20.
Murphy, J.J., n.d. Analysis of the Financial
Markets.
Nti, I.K., Adekoya, A.F. and Weyori, B.A.,
2019. A Systematic Review of
Fundamental and Technical Analysis of
Stock Market Predictions. [online]
Artificial Intelligence Review, Springer
Netherlands. Available at:
<https://doi.org/10.1007/s10462-019-
09754-z>.
Reed, A., 2020. Predicting the Direction of Stock
Prices.
Siburian, V.W., 2018. Prediksi Harga Ponsel
Menggunakan Metode Random Forest.
4(1), pp.978–979.
Utilization, I.T.S., 2019. Sentiment Analysis
using Random Forest Algorithm-. 2(2),
pp.29–33.
Wanjawa, B.W. and Muchemi, L., 2014. ANN
Model to Predict Stock Prices at Stock
Exchange Markets ANN Model to Predict
Stock Prices at Stock Exchange Markets
Wanjawa , Barack Wamkaya Abbreviated
title : ANN Model for Stock Market
Prediction Corresponding author :
Wanjawa , Barack Wamkaya. (August).