Claim Missing Document
Check
Articles

Found 1 Documents
Search

ALGORITMA LEARNING VECTOR QUANTIZATION DAN FUZZY K-NN UNTUK PREDIKSI SAHAM BERDASARKAN PESAING Fitriani, Risma Rahmalia; Ernastuti, Ernastuti; Swedia, Ericks Rachmat
Jurnal Ilmiah Teknologi dan Rekayasa Vol 24, No 1 (2019)
Publisher : Universitas Gunadarma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (266.478 KB) | DOI: 10.35760/tr.2019.v24i1.1929

Abstract

Prediksi saham adalah hal yang sangat berpengaruh bagi seorang investor. Investor akan mampu menemukan saham yang tepat dan waktu yang tepat untuk membeli atau menjual dengan melakukan prediksi saham. Prediksi yang akurat dapat membantu investor untuk mendapatkan keuntungan yang besar. Keuntungan yang besar sebanding dengan resiko besar yang terkait dengan hal tersebut dan ada kesempatan yang sama dalam kehilangan uang. Keuntungan yang besar serta resiko kehilangan yang besar, menyebabkan para investor dituntut untuk bisa melakukan berbagai analisa untuk mengukur nilai saham. Pada penelitian ini dilakukan prediksi fluktuasi harga saham berdasarkan fluktuasi harga saham perusahaan pesaing dengan menggunakan algoritma Learning Vector Quantization (LVQ) dan Fuzzy K-Nearest Neighbours. Data saham yang diprediksi adalah saham perusahaan Apple, berdasarkan fluktuasi harga saham perusahaan IBM, Cisco, Fujitsu, Hewlett-Package, dan Ericsson dengan waktu dari tanggal 4 Januari 2000 sampai dengan tanggal 31 Agustus 2015.  Pengujian dilakukan dari tanggal 1 September sampai 30 September 2015. Data yang diperoleh dari situs resmi http://finance.yahoo.com yang memuat data harga saham dari waktu ke waktu . Hasil prediksi fluktuasi harga saham perusahaan Apple terhadap empat saham perusahaan pesaing lainnya memiliki persentase prediksi benar dengan nilai terendah yaitu 47.62% untuk algoritma Learning Vector Quantization (LVQ) dan nilai tertinggi yaitu 61.90% untuk algoritma Fuzzy KNN.