Penerapan algoritma XGBOOST untuk prediksi akumulasi dan distribusi Broker saham dalam mendukung keputusan investasi

Rohayana, Muhammad Alfiyan Nurwahibulloh (2026) Penerapan algoritma XGBOOST untuk prediksi akumulasi dan distribusi Broker saham dalam mendukung keputusan investasi. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (202kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (220kB) | Preview
Preview	Text (SK BEBAS PLAGIARISME) 3_skbebasplagiarism.pdf Download (214kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (347kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (275kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (381kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (532kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (212kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (190kB) | Request a copy

Abstract

Pertumbuhan jumlah investor pasar modal di Indonesia mendorong kebutuhan terhadap metode analisis berbasis data yang tidak hanya mengandalkan pergerakan harga saham, tetapi juga memperhatikan aktivitas transaksi broker. Aktivitas tersebut merupakan pola perdagangan transaksi saham yang membentuk akumulasi dan distribusi yang menggambarkan kecenderungan pembelian dan penjualan saham. Penelitian ini bertujuan menerapkan algoritma eXtreme Gradient Boosting (XGBoost) untuk memprediksi pola akumulasi dan distribusi broker saham berdasarkan data historis broker summary. Objek penelitian ini menggunakan saham PT. Aneka Tambang Tbk. dengan memanfaatkan data yang diperoleh secara harian sebanyak 238 file dan diolah menjadi satu dari platform IPOT dengan periode 2 Januari 2025 hingga 2 Januari 2026 atau sebanyak 14.761 data. Penelitian ini menggunakan metodologi Sample, Explore, Modify, Model, and Assess (SEMMA) dan pemodelan dilakukan menggunakan lima skenario pembagian data secara kronologis, yaitu 50:50, 60:40, 70:30, 80:20, dan 90:10. Proses optimasi hyperparameter dilakukan menggunakan RandomizedSearchCV dengan validasi TimeSeriesSplit. Hasil pengujian menunjukkan bahwa skenario pembagian data 80:20 menghasilkan kinerja model lebih baik daripada yang lain dengan nilai F1-score sebesar 62,11%. Meskipun evaluasi model yang ditunjukkan memiliki nilai yang sedang, kecenderungan model dalam mempelajari data historis broker summary dinilai memiliki kemampuan prediksi yang masih terbatas. Hasil evaluasi model kemudian diimplementasikan ke dalam antarmuka berbasis web untuk mempermudah analisis evaluasi dan hasil prediksi dan belum dapat digunakan secara langsung sebagai dasar keputusan investasi.

Actions (login required)

View Item