Hasil Pencarian  ::  Simpan CSV :: Kembali

"Krisis ekonomi yang terjadi di masa lalu menimbulkan pertanyaan tentang validitas Efficient Market Hypothesis dan mendorong berkembangnya model-model yang dapat memprediksi indeks harga saham. Salah satunya yaitu prediksi memanfaatkan komponen ekonomi yang diketahui mempengaruhi IHSG dan memprosesnya dengan teknik machine learning. Support Vector Machine dikenal memiliki kemampuan untuk menangani data berdimensi tinggi dan memiliki keunggulan dibandingkan algoritma yang lain. Performa SVM akan dibandingkan dengan Artificial Neural Network (ANN) dan algoritma klasik Multiple Linear Regression (MLR). Studi ini diawali mengidentifikasi pengaruh komponen ekonomi terhadap IHSG mendatang. Hasil penelitian menunjukkan bahwa SVM memiliki kinerja paling baik dalam memprediksi harga indeks saham keesokan harinya (t + 1), namun kinerja ANN paling baik untuk memprediksi t + 5, t + 10, dst.

---

The economic crisis that occurred in the past raised questions about the validity of the Efficient Market Hypothesis and encouraged the development of models that can predict the stock price. One of them is prediction utilizing economic components known to affect IDX composite index and processed by machine learning techniques. Support Vector Machines are known to have the ability to handle high-dimensional data and have advantages over other algorithms. SVM performance will be compared to Artificial Neural Networks (ANN) and the classic Multiple Linear Regression (MLR) algorithm. This study begins with identifying the influence of economic component on the future IDX composite index. The results showed that SVM had the best performance in predicting the next day stock index prices (t+1), but ANN's performance was better than others for predicting t+5, t+10, and so on."

"Memiliki model prediksi yang baik akan memberikan keuntungan tersendiri bagi investor dan perusahaan dalam mengambil keputusan. Support Vector Machine SVM adalah salah satu algoritma pembelajaran mesin yang diawasi yang dapat digunakan untuk klasifikasi atau regresi. Banyak penelitian menunjukkan bahwa prediksi menggunakan model Support Vector Machine SVM lebih akurat daripada model lainnya. Penelitian terbaru menunjukkan bahwa kinerja tertinggi dari sistem prediksi terjadi ketika periode input indikator teknikal sama dengan periode perkiraan. Dengan menggunakan kombinasi dari periode perkiraan dan periode input indikator teknikal dengan kerangka waktu yang lebih banyak dan Support Vector Machine SVM , penelitian ini ingin mengetahui seberapa besar akurasi yang dihasilkan SVM untuk memprediksi pergerakan harga saham-saham di pasar Indonesia, apakah kinerja tertinggi dari sistem prediksi terjadi ketika periode input indikator teknikal sama dengan periode perkiraan, dan apakah aplikasi penggunaan SVM untuk perdagangan dapat memberikan hasil yang lebih baik dibandingkan strategi buy and hold. Data transaksi saham yang kami gunakan dari Maret 2006 hingga Februari 2018 untuk tiga puluh satu saham perusahaan dan menggunakan kombinasi dua puluh delapan periode perkiraan dan tiga puluh periode input indikator teknikal. Hasil penelitian yang diperoleh yaitu model prediksi dapat memberikan hasil akurasi yang baik karena sebanyak 25 dari 31 saham memberikan hasil akurasi lebih dari 50 tetapi kinerja tertinggi model prediksi tidak terjadi saat periode input indikator teknikal sama dengan periode perkiraan dan diperoleh 21 saham yang memberikan imbal hasil signifikan ketika menggunakan aplikasi model prediksi SVM untuk melakukan perdagangan dibandingkan strategi buy and hold.

---

Having a good predictive model will provide its own advantages for investors and companies in making decisions. Support Vector Machine SVM is one of the supervised machine learning algorithms that can be used for classification or regression. Many studies have shown that predictions using the Support Vector Machine SVM model are more accurate than other models. Recent research shows that the highest performance of the prediction system occurs when the technical indicator input period is equal to the forecast period. Using a combination of forecast periods and technical indicator input periods with more time frames and Support Vector Machine SVM , this study wanted to know how much accuracy SVM generates to predict the movement of stock prices in the Indonesian market, what is the highest performance of the prediction system occurs when the technical indicator input period is equal to the forecast period, and whether the application of SVM usage for trade can give better results than the buy and hold strategy. We used stock transaction data from March 2006 to February 2018 for the thirty one shares of the companies and using a combination of twenty eight forecast periods and thirty periods of input of technical indicators. The result of the research is prediction model can give good accuracy result because 25 of 31 stocks give accurate result more than 50 but highest performance prediction model does not occur when technical indicator input period is same with forecast period and 21 stocks yield return significant when applying SVM prediction model to trade compared to buy and hold strategy."

"Memprediksi pergerakan harga saham merupakan tugas yang sangat menantang karena karakteristik pasar saham yang kompleks, tidak linier, dan penuh ketidakpastian. Namun berdasarkan pada teori efficient market hypothesis dan tingkat efisiensinya, memprediksi pergerakan harga saham merupakan tugas yang masih memungkinkan untuk dicapai. Banyak pendekatan telah diterapkan untuk memprediksi pergerakan harga saham mulai dari pendekatan statistik linier sederhana seperti discriminant analysis (DA) hingga pendekatan machine learning yang kompleks seperti support vector machine (SVM). Baik DA dan SVM adalah pendekatan yang dapat digunakan untuk melakukan klasifikasi seperti memprediksi tren harga saham dari beberapa kelas. Dalam penelitian ini, tren pergerakan harga saham diklasifikasikan ke dalam dua kelas, yaitu "highly possible to go up" dan "highly possible to go down or be neutral" di mana pemisahan kelasnya didasarkan pada variabel berupa data teknikal, fundamental, keuangan, dan koefisien beta dari saham di Bursa Efek Indonesia (BEI). Dengan menggunakan variabel-variabel ini, sejumlah model prediksi dengan periode prediksi atau fungsi tertentu dilatih dan kemudian digunakan untuk memprediksi tren pergerakan harga saham di BEI. Periode prediksi yang digunakan dalam penelitian ini berkisar dari 1 bulan hingga 9 bulan. Metode stepwise linear regression (SLR) dan sequential forward selection (SFS) diterapkan sebagai metode feature selection guna memilih variabel yang paling relevan sehingga kinerja setiap model prediksi dapat dioptimalkan. Pada penelitian ini, jumlah fitur, nilai signifikansi maksimum dari F-to-enter, fungsi kernel, dan metode parameter selection divariasikan sehingga dihasilkan 12 model prediksi DA dan 30 model prediksi SVM. Dengan menerapkan beberapa proses evaluasi, maka model prediksi dengan tingkat akurasi dan efektifitas yang paling baik dapat dipilih. Dari seluruh 12 model prediksi DA yang dirancang, terdapat 3 model prediksi yang dinilai layak untuk diterapkan. Sedangkan dari seluruh 30 model prediksi SVM yang dirancang, terdapat 11 model prediksi yang dinilai layak untuk diterapkan. Kemudian dari 14 model prediksi yang dinilai layak tersebut, 4 model prediksi terbaik untuk periode prediksi 3, 5, 7, dan 9 bulan serta 1 model prediksi terbaik dengan fungsi untuk mengklasifikasi major trend selama 9 bulan telah berhasil dipilih. Kelima model tersebut merupakan model prediksi SVM sehingga dapat disimpulkan bahwa SVM mengungguli DA dalam memprediksi tren pergerakan harga saham di Bursa Efek Indonesia.

---

Predicting the movement of stock prices is a very challenging task because the characteristics of the stock market are complex, non-linear, and full of uncertainty. However, based on the efficient market hypothesis theory and its level of efficiency, predicting stock price movements is a task that is still possible to achieve. Many approaches have been applied for predicting the movement of stock prices ranging from simple linear statistical approaches such as discriminant analysis (DA) to complex machine learning approaches such as support vector machines (SVM). Both DA and SVM are approaches that can be used to perform classifications such as predicting stock price trends from several classes. In this study, the trends of stock price movements are classified into two classes, namely "highly possible to go up" and "highly possible to go down or be neutral" in which the class separation is based on variables in the form of technical, fundamental, financial, and beta coefficient data of stocks on the Indonesia Stock Exchange (IDX). By using these variables, a number of prediction models with specific prediction periods or functions are trained and then used to predict the trends of stock price movements on the IDX. The prediction periods used in this study range from 1 month to 9 months. The stepwise linear regression (SLR) and sequential forward selection (SFS) methods are applied as the feature selection methods to select the most relevant variables so that the performance of each prediction model can be optimized. In this study, the number of features, the maximum significance value of the F-to-enter, kernel function, and parameter selection method are varied to produce 12 DA prediction models and 30 SVM prediction models. By applying several evaluation processes, the prediction model with the best level of accuracy and effectiveness can be chosen. From all 12 DA prediction models designed, there are 3 prediction models that are considered feasible to be applied. While from all 30 SVM prediction models designed, there are 11 prediction models that are considered feasible to be applied. Then, out of these 14 prediction models that are considered feasible, 4 best prediction models for the prediction periods of 3, 5, 7, and 9 months and 1 best prediction model with the function to classify the major trend for 9 months have been successfully selected. These five prediction models are SVM prediction models so that it can be concluded that SVM outperforms DA in predicting the trends of stock price movements on the Indonesia Stock Exchange."

"Penelitian ini menguji secara empiris perubahan dynamic linkages variabel yield SBN-Domestik, IHSG terhadap shocks yield US Treasury bond, SP500 dan IDR/USD. Analisis menggunakan VECM. Uji IRF, VD dan Granger causality membuktikan bahwa dalam jangka panjang, periode pandemic-covid19 variabel yield SBN-domestik mengalami perubahan hubungan dinamis yang signifikan terhadap semua shock, namun perubahan terbesar terdapat pada yield SBN3Y dan SBN5Y. Hal ini disebabkan karena pada periode pendemic-covid19, SBN3Y dan SBN5Y sebagai SBN tenor pendek dan menengah dianggap lebih berisiko. Perubahan IHSG signifikan terhadap shockSP500 periode pandmeic-covid19. Uji variance decomposition periode pandemic-covid19 membuktikan dalam jangka panjang SP500 mempunyai kontribusi varians tertinggi.

---

This study empirically examines the dynamic linkages among yield SBN-Domestic and IDX-Composite to the shocks of US Treasury bonds, SP500 and IDR/USD. Analysis applying VECM. IRF, VD and Granger causality tests prove that in the long-run, during the pandemic-covid19 period, the SBN-Domestic experienced a significant change to all shocks, but the biggest changes were on SBN3Y and SBN5Y. This was due to the fact that during the Covid-19 pandemic, SBN3Y and SBN5Y were considered high risk. IDX-Composite was significantly changes for SP500 during pandemic-covid19 period. Variance decomposition test proved that in the long run, SP500 has the highest variance contribution."

"Tesis ini bertujuan untuk mengetahui variabel-variabel mana yang mempengaruhi P/E ratio pada Bursa Efek Indonesia (IHSG). Thesis ini juga bertujuan untuk menjabarkan bagaimana suatu perubahan pada variabel-variabel tersebut dapat mempengaruhi P/E ratio. Untuk penelitian ini kami telah memilih pendekatan kuantitatif dan menggunakan pulled regression. Pada penelitian ini kami menggunakan empat variabel makro dan mikro perusahaan. Data sekunder yang kami gunakan pada umumnya bersumber dari laporan yang dipublikasikan di Bursa Efek Indonesia. Kesimpulan yang dapat ditarik dari penelitian ini adalah bahwa P/E ratio di ketiga sektor yang berbeda tersebut memiliki faktor-faktor berbeda yang menggerakkan sektor tersebut. Pengaruh-pengaruh ini didukung oleh koefisien yang terbukti secara statistik.

---

The purpose of this study is to find out which variables influence the P/E ratio on the Indonesia Stock Exchange. It also aims to specify how a change in these variables affects the P/E ratio. For this study we have choosen empirical study and used pulled regression. We included four micro and macro variables in this study. The secondary data that we use is primarily based on financial statement that is publicated on Indonesia Stock Exchange. The conclusions that could be drawn from this study are that the P/E ratio for the three diffrerent sectors has different forces that drive them. These effects are backed up with statistically proved coefficients."

"Skripsi ini menganalisis secara empiris hubungan harga minyak dunia West Texas Intermediate (WTI), nilai tukar rupiah terhadap dolar Amerika Serikat (KURS), dan Indeks Harga Saham Gabungan. Periode data yang digunakan adalah Januari 2008 hingga Desember 2017 dengan metode Vector Autoregressive (VAR). Kausalitas Granger mengambarkan adanya hubungan satu arah antara IHSG dengan KURS dan terdapat pula hubungan kausalitas dua arah pada WTI dan KURS. Dari pengestimasian model VAR dapat disimpulkan bahwa IHSG dapat menjadi leading indicator terhadap variabel lainnya. Selain menggunakan VAR, penelitian ini juga menggunakan Impulse Response Function (IRF) dan Variance Decomposition (VD). Dari analisis IRF, didapatkan bahwa IHSG memberikan respon terhadap shock yang berasal dari IHSG itu sendiri. Sementara itu WTI dan KURS memberikan respon terhadap shock yang berasal dari IHSG, WTI dan KURS. Masing-masing respon tersebut menunjukkan laju perubahan variabel akan kembali ke titik keseimbangan (ekuilibrium) yang terjadi dalam jangka pendek. Sedangkan pada hasil analisis VD, masing-masing variabel menjadi kontribusi terbesar bagi pergerakan variabel itu sendiri.

---

This thesis empirically analyzes the relationship between West Texas Intermediate (WTI) world oil prices, the rupiah exchange rate against the US dollar, and the Composite Stock Price Index. The data period used is January 2008 to December 2017 with the Vector Autoregressive (VAR) method. Granger Causality descibes a one-way relationship between JCI and KURS and there is also a two-way causality relationship between WTI and KURS. From estimating by the VAR model, it can be concluded that the JCI can be a leading indicator of other variables. In addition to using the VAR, this study also uses Impulse Response Function (IRF) and Variance Decomposition (VD). From the IRF analysis, it was found that the JCI gave a response to the shock originating from the JCI itself. Meanwhile, WTI and KURS provide responses to shocks from JCI, WTI and KURS. Each of these responses shows the rate of change in variables will return to the equilibrium point that occurs in the short term. While the results of the VD analysis, each variable becomes the biggest contribution to the movement of the variable itself."

"Penulisan tesis ini bertujuan mengeksplorasi potensi risiko saham sektoral dengan menghitung nilai value at risk indeks harga saham sektoral di Bursa Efek Indonesia. Pendekatan yang digunakan adalah toeri nilai ekstrim (Extreme Value Theory). Berdasarkan hasil penelitian menunjukkan bahwa pola risiko saham sektoral Indonesia memiliki ketidaksimetrisan dengan nilai kemungkinan imbal hasil negatif lebih besar dari kemungkinan imbal hasil positif kecuali untuk saham sektor pertanian. Potensi risiko saham sektoral dari yang terbesar sampai yang terkecil adalah : sektor industri dasar dan kimia, sektor pertanian, sektor pertambangan, sektor industri barang konsumsi, sektor aneka industri, sektor perdagangan, sektor properti, sektor infrastruktur, dan sektor keuangan. Perhitungan nilai value at risk indeks harga saham dapat menjadi bahan pertimbangan untuk keputusan investasi pada saham.

---

This thesis explores the potential risk of equity price index in all sectors at Indonesia Stock Exchange. The objective reached by measuring its value at risk. The approach used in the study is Extreme Value Theory; it is used to measure the potential risk. The study shows the equity risk in all sectors at Indonesia Stock Exchange has an asymmetric pattern with its negative possibility value higher than the positive one; however, there is an exception for agricultural sector. The highest to the lowest values of potential risk in all sectors are: basic industry and chemical, agriculture, mining, consumer goods, miscellaneous industries, trade, property, infrastructure and finance. The value at risk of equity price index would be considerable for equity investment decision."

"ABSTRAKIndeks harga saham merupakan indikator yang menggambarkan pergerakan harga sekelompok saham. Salah satu indeks harga saham yang terdapat di Indonesia adalah IHSG Indeks Harga Saham Gabungan . Terdapat banyak manfaat dari mengikuti pergerakan IHSG, salah satunya untuk meminimalisir kerugian dari berinvestasi dalam pasar saham. Oleh karena itu, akan dilakukan prediksi nilai IHSG. Metode yang akan digunakan adalah ANFIS Adaptive Neuro-Fuzzy Inference System dan SVR Support Vector Regression yang merupakan pengembangan dari metode ANN Artificial Neural Network . Selanjutnya performa keduanya akan dibandingkan. Hasil percobaan menghasilkan SVR sedikit lebih baik dari segi keakuratan dibandingkan ANFIS. Nilai keakuratan dari SVR yaitu 78,35 , 97,93 , dan 98,96 sedangkan keakuratan ANFIS yaitu 77,31 , 96,90 , dan 98,80 masing-masing untuk hasil prediksi yang nilai eror relatifnya di bawah 1 , 2 , dan 3 . Maksimum keakuratan dan running time pada ANFIS bergantung banyaknya hari yang digunakan untuk prediksi. Semakin banyak hari yang digunakan untuk prediksi, maka nilai keakuratannya semakin rendah dan running time semakin lama. Sedangkan maksimum keakuratan dan running time pada SVR tak bergantung pada banyaknya hari yang digunakan untuk prediksi. Dalam skripsi ini disajikan pula hasil sampingan berupa clustering berdasarkan eror relatif hasil prediksi menggunakan FKCM Fuzzy Kernel C-Means . Tujuan dari clustering ini yaitu mengecek apakah hasil prediksi yang dihasilkan ANFIS dan SVR kurang dari suatu nilai eror relatif yang ditetapkan.

---

ABSTRACTStock index reflects the price movement a group of stock. There are many stock indices in the world. JKSE Jakarta Composite Index is one of stock index in Indonesia. There are many benefits in following JKSE value, one of them to minimize the loss in stock investment. Therefore, JKSE value will be predicted. The method used are ANFIS Adaptive Neuro Fuzzy Inference System and SVR Support Vector Regression which are development of ANN Artificial Neural Network method. The performance of these two method will be compared. The experiment result gives that SVR is slightly better in terms of accuracy than ANFIS. The accuracy values of SVR are 78,35 , 97,93 , dan 98,96 while the accuracy of ANFIS are 77,31 , 96,90 , dan 98,80 each for a predicted result whose relative eror value is below 1 , 2 , dan 3 . The maximum accuracy and running time on ANFIS depend on how many days are used for prediction. The more days used for prediction will give the lower accuracy and longer running time. While the maximum accuracy and running time on SVR does not depend on the number of days used for prediction. In this thesis, presented also clustering based on relative error from the predicted result using FKCM Fuzzy Kernel C Means . The purpose of this clustering is to check whether the prediction result by ANFIS and SVR is less than a relative error value set."

"Tujuan dari penelitian ini adalah untuk menganalisis dampak Pemilihan Umum Legislatif dan Pemilihan Umum Presiden terhadap return seluruh sektor dan Indeks Harga Saham Gabungan di Bursa Efek Indonesia. Sebagai even study, penelitian ini mengambil peristiwa Pemilihan Umum langsung dari tahun 2004, 2009 dan 2014 sebagai periode penelitian. Data yang digunakan adalah rata - rata actual return harian seluruh sektor dan Indeks Harga Saham Gabungan. Hasil penelitian menunjukkan bahwa Pemilihan Umum Legislatif tahun 2004 tidak memiliki pengaruh terhadap rata - rata actual return seluruh sektor dan Indeks Harga Saham Gabungan. Sebaliknya Pemilihan Umum Legislatif tahun 2009 dan 2014 memiliki pengaruh yang signifikan. Hasil uji statistik terhadap Pemilihan Umum Presiden tahun 2004, 2009 dan 2014 menunjukkan bahwa hanya Pemilihan Umum Presiden tahun 2004 putaran kedua yang memiliki pengaruh signifikan terhadap rata - rata actual return seluruh sektor dan Indeks Harga Saham Gabungan.

---

The purpose of this research is to analyze the effect of Legislative and Presidential Election in 2004, 2009 and 2014 toward stock return of all sectors and composite index in Indonesia Stock Exchange. This event study takes the direct general election of 2004, 2009 and 2014 as research period. Source of data used is the daily average actual return from all sectors and composite index. This research found the 2009 and 2014 Legislative General Election had significant effect on average actual return of all sector and composite index, while the 2004 Legislative General Election was found no effect on average actual return of all sector and composite index. Test on Presidencies General Election of 2004, 2009 and 2014 found that the 2004 round two had significant effect on average actual return of all sector and composite index, while the rest was null."

"Penelitian ini bertujuan untuk menganalisis hubungan kointegrasi dan kausalitas indeks saham negara-negara di dunia dan Indeks Harga Saham Gabungan (IHSG) Indonesia. Indeks saham yang digunakan didapatkan berdasarkan hubungan perdagangan Indonesia dengan negara lain dalam sektor non-migas.  Variabel pada penelitian ini adalah Dow Jones Industries Average, Bombay Stock Exchange Sensex, Kuala Lumpur Stock Exchange, Nikkei, Korea Stock Exchange, Stock Exchange of Thailand, Shanghai Composite, Straits Times Index, dan Indeks Harga Saham Gabungan (IHSG). Data pada penelitian ini merupakan data time series dengan menggunakan data bulanan dari Januari 2005 hingga Desember 2017. Teknik analisis data penelitian ini menggunakan pengujian Augmented Dickey Fuller Test, Lag Optimum, Johansen Cointegration Test, Granger Causality Test, Vector Error Correction Mode (VECM), Variance Decomposition, dan Impulse Response Function. Hasil pada penelitian ini menunjukkan bahwa terdapat hubungan kointegrasi pada indeks saham negara-negara di dunia dan IHSG Indonesia, dan terdapat hubungan kausalitas indeks saham negara-negara di dunia dan IHSG Indonesia.

---

This research aims to analyse the cointegration and causality relationship among selected stock market indexes in the world and Indonesia Stock Exchange Composite Index (IHSG). The stock market indexes are selected based on the trading relationship among Indonesia and other countries in non oil and gas sectors. The selected stock market indexes are Dow Jones Industries Average, Bombay Stock Exchange Sensex, Kuala Lumpur Stock Exchange, Nikkei, Korea Stock Exchange, Stock Exchange of Thailand, Shanghai Composite, Straits Times Index, and Indonesia Stock Exchange Composite Index (IHSG). This research is a time series research which uses monthly data from January 2005 until December 2017 and Augmented Dickey Fuller Test, Lag Optimum, Johansen Cointegration Test, Granger Causality Test, Vector Error Correction Mode (VECM), Variance Decomposition, and Impulse Response Function. The results of the research show that there is cointegration among selected stock market indexes and Indonesia Stock Exchange Composite Index and there is  causality among selected stock market indexes and Indonesia Stock Exchange Composite Index."