Implementasi algoritma KNN untuk prediksi harga saham PT Bank Central Asia Tbk. sebagai strategi pengambilan keputusan investasi

Syarifudin, Arifin Nurmuhammad (2025) Implementasi algoritma KNN untuk prediksi harga saham PT Bank Central Asia Tbk. sebagai strategi pengambilan keputusan investasi. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_Cover.pdf Download (175kB) | Preview
Preview	Text 2_Abstrak.pdf Download (273kB) | Preview
Preview	Text surat pernyataan bebas plagiarisme (1).pdf Download (392kB) | Preview
Preview	Text 4_daftar Isi.pdf Download (303kB) | Preview
Preview	Text 5_Bab 1.pdf Download (382kB) | Preview
	Text 6_Bab 2.pdf Restricted to Registered users only Download (386kB) | Request a copy
	Text 7_Bab 3.pdf Restricted to Registered users only Download (441kB) | Request a copy
	Text 8_Bab 4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_Bab 5.pdf Restricted to Registered users only Download (248kB) | Request a copy
	Text 10_Daftar Pustaka.pdf Restricted to Registered users only Download (251kB) | Request a copy
	Text 11_Lampiran (17).pdf Restricted to Repository staff only Download (372kB) | Request a copy

Abstract

Permasalahan yang diangkat dalam penelitian ini adalah tingginya ketidakpastian pergerakan harga saham yang menyebabkan investor sering kesulitan dalam menentukan strategi investasi yang tepat, khususnya pada saham PT Bank Central Asia Tbk. (BBCA) yang memiliki volatilitas cukup tinggi. Untuk menjawab tantangan tersebut, penelitian ini menggunakan metodologi machine learning dengan algoritma K-Nearest Neighbors (KNN) karena sifatnya yang non-parametrik dan mampu memodelkan hubungan non-linear pada data deret waktu. Literatur terdahulu menunjukkan bahwa KNN efektif digunakan dalam prediksi pasar saham serta sering dibandingkan dengan algoritma lain dalam konteks time series forecasting, sehingga mendasari pemilihan metode ini. Proses penelitian dilakukan dengan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM) yang mencakup tahapan pemahaman bisnis, pemahaman data, persiapan data melalui feature engineering seperti Simple Moving Average (SMA), Bollinger Bands_Width (BB_Width), Relative Strength Index (RSI), serta penambahan fitur lag untuk menangkap pola historis. Model kemudian dibangun menggunakan pipeline yang terintegrasi dengan RandomizedSearchCV untuk optimasi hiperparameter, sementara validasi dilakukan dengan skema Time Series Split agar sesuai dengan sifat data deret waktu. Hasil penelitian menunjukkan bahwa model KNN yang dikembangkan mampu menghasilkan performa prediksi yang baik dengan nilai koefisien determinasi (R²) lebih dari 8483 dan nilai Mean Absolute Error (MAE) 1,84%, sehingga dapat dijadikan alat bantu prediktif yang andal bagi investor dalam mendukung pengambilan keputusan investasi.

Actions (login required)

View Item