APLIKASI PREDIKSI HARGA SAHAM APPLE, IBM, DELL DAN HP

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