APLIKASI PREDIKSI HARGA SAHAM APPLE, IBM, DELL DAN HP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS Naila Fitriah 52409455 Teknologi Industri Teknik Informatika
AGENDA • Saham ? – Manfaat – Prediksi Saham
• KNN ? – 2 Metode KNN – Contoh Kasus
• Tujuan Penulisan
• • • •
Batasan Masalah Diagram Alur Aplikasi KNN Kesimpulan dan Saran
Saham • Saham merupakan surat berharga sebagai tanda kepemilikan atas perusahaan penerbitnya (Ang, 1997). • Saham juga berarti sebagai tanda penyertaan atau pemilikan seseorang atau badan dalam suatu perusahaan terbuka (Darmadji dan Fakhruddin, 2001).
Manfaat Saham 1. Untuk memperoleh dividen, yaitu bagian dari keuntungan perusahaan yang dibagikan kepada pemilik saham. 2. Untuk memperoleh capital gain, yaitu keuntungan yang diperoleh dari selisih jual dengan harga beli. 3. Manfaat non finansial, yaitu timbulnya kebanggaan dan kekuasaan memperoleh hak suara dalam menentukan jalannya perusahaan. (Darmadji dan Fakhruddin, Pasar Modal di Indonesia, Pendekatan Tanya Jawab, 2001)
Prediksi Harga Saham • Prediksi harga saham adalah suatu proses menganalisis dan menentukan harga suatu saham dimasa yang akan datang. • Dibutuhkan analisa untuk mengukur nilai saham dengan menggunakan analisa teknikal sehingga dapat membantu dalam memprediksi harga saham. http://www.belajarinvestasi.net/saham/analisis-teknikal-saham-perubahan-harga, Tanggal Akses: 24 Juni 2012
K-Nearest Neighbors K-Nearest Neighbors (KNN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasi objek baru berdasarkan atribut dan sampel latih. Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, 2005
Metode KNN 1. Metode Simple Unweighted Voting
• • • •
Tentukan K (Jumlah tetangga terdekat). Hitung Jarak antara data yang diuji dengan data training. Urutkan berdasarkan jarak terdekat dan tentukan apakah termasuk dalam K (jumlah tetangga terdekat). Hitung Rata-rata dari data yang termasuk dalam K.
Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, 2005
Metode KNN 2. Metode Weighted Voting
• • • •
Tentukan K (Jumlah tetangga terdekat). Hitung Jarak antara data yang diuji dengan data training. Urutkan berdasarkan jarak terdekat dan tentukan apakah termasuk dalam K (jumlah tetangga terdekat). Menghitung bobot dari data yang termasuk dalam K.
Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, 2005
Pengukuran Jarak • Euclidean
• Manhattan City
Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, 2005
Contoh Kasus Data X (5.0) , berapa Y? K=3
1. Menghitung Jarak
2. Me-ranking Berdasarkan K K=3, Ambil 3 data terdekat
4. Menghitung Prediksi • Metode Simple Unweighted Voting Data X (5.0):
• Metode Weighted Voting
Tujuan Penulisan Menghasilkan aplikasi yang dapat membantu memprediksi besarnya harga penutupan saham menggunakan algoritma K-Nearest Neighbors (KNN) sehingga bisa dilakukan langkah-langkah strategis yang berkaitan dengan perubahan harga saham.
Bab 1, Halaman 3
Batasan Masalah • Menggunakan bahasa pemrograman C#.NET • Empat perusahaan komputer yaitu APPLE, IBM, DELL, dan HP yang akan diprediksi dengan menggunakan Algoritma K-Nearest Neighbors (KNN) . • Data yang dipakai adalah daftar harga pembukaan dan penutupan saham perusahaan pada bulan Januari tahun 2000 hingga Juli tahun 2012
Bab 1, Halaman 3
Diagram Alur Program Mulai
Inisialisasi Program
memprediksi
Pilih Prediksi Tentukan prediksi saham
Pilih Data
Menghitung prediksi dengan algoritma KNN
Menampilkan data Harga Saham
Edit data
Keluar
Menghitung kesalahan (error)
Simpan data ke dalam database Output Update database
Selesai
Bab 3, Halaman 29
Aplikasi KNN Tab Data
Lampiran, Halaman 69
Aplikasi KNN Tab Menghitung Jarak
Lampiran, Halaman 69
Aplikasi KNN Tab Me-Ranking/Mengurutkan data Berdasarkan K
Lampiran, Halaman 69
Aplikasi KNN Tab Menghitung Bobot dan Hasil
Lampiran, Halaman 69
Hasil Prediksi Harga Saham APPLE
Hasil Prediksi (Simple,Weighted)
Fluktuasi (Simple, Weighted)
606.01, 607.59
Naik, Naik
604.44, 606.49
Naik, Naik
20
602.39, 605.03
Turun, Naik
5
585.30, 586.49
Turun, Turun
587.84, 587.68
Turun, Turun
586.88, 587.30
Turun, Turun
....................
.................
Tanggal
K
31 -07-2012
5
10
30 -07-2012
18 Juni – 31 Juli 2012
10
Open Price
603.23
590.92
Close Price
610.76
595.03
Fluktuasi
Naik
Naik
20 .....
.....
......
.......
..............
Bab 4, Halaman 50
Analisa Prediksi Benar K
Metode
5 10
% Prediksi Benar 5/10 x 100% = 50%
Simple Unweighted Voting
6/10 x 100% = 60%
20
4/10 x 100% = 40%
5
6/10 x 100% = 60%
10 20
Weighted Voting
5/10 x 100% = 50% 6/10 x 100% = 60%
Bab 4, Halaman 50
Analisa Rata-Rata Error Tanggal
K
Error (Simple)
Error (Weighted)
Tanggal
K
Error (Simple)
Error (Weighted)
31 -07-2012
5
-4.75
-3.17
24 -07-2012
5
0.17
9.51
10
-6.32
-4.27
10
6.86
8.61
20
-8.37
-5.73
20
3.30
7.67
5
-9.73
-8.54
5
-6.95
-5.32
10
-7.19
-7.35
10
-5.04
-4.59
20
-8.15
-7.73
20
-9.25
-7.38
5
-10.47
-10.08
5
5.55
8.63
10
-10.79
-10.46
10
4.36
8.07
20
-10.08
-10.48
20
2.05
7.12
5
2.94
4.62
5
-6.45
-6.62
10
2.78
4.12
10
-6.24
-6.50
20
1.00
3.18
20
-10.61
-8.38
5
-2.47
-2.10
5
-1.83
-0.81
10
0.29
-0.93
10
-0.31
-0.48
20
-1.56
-1.54
20
-6.01
0.83
5
51.31%
59.4%
10
50.18%
55.38%
20
60.38%
60.04%
30 -07-2012
27-07-2012
26 -07-2012
25 -07-2012
RATA-RATA ERROR
23 -07-2012
20 -07-2012
19 -07-2012
18 -06-2012
Bab 4, Halaman 52
Kesimpulan Prediksi kenaikan atau penurunan harga saham • Metode Simple Unweighted Voting: K terbaik : K=10; Jumlah persentase prediksi benar: 60%. Rata-rata error terkecil: 51.31% dengan K=10. • Metode Weighted Voting: K terbaik: K=5 dan K=20; Jumlah persentase prediksi benar: 60%. Rata-rata error terkecil: 55.38% dengan K=10.
Bab 5, Halaman 54
Saran Error rate (rata-rata error terkecil) yang dihasilkan Algoritma K-Nearest Neighbors > 50%. Melakukan prediksi menggunakan algoritma lain, misal: Neural Network dan Decision Tree untuk mendapatkan hasil prediksi (rata-rata error terkecil) yang lebih baik dari algoritma K-Nearest Neighbors. Bab 5, Halaman 55
