Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indeks Harga Saham LQ45 adalah indeks yang mengukur kinerja harga 45 saham yang memiliki likuiditas tinggi dan kapitalisasi pasar besar yang tercatat di Bursa Efek Indonesia. Prediksi Indeks Harga Saham LQ45 dapat digunakan untuk mengukur kinerja suatu portofolio saham di masa yang akan datang sehingga investor dapat melakukan evaluasi terhadap saham-saham yang dimilikinya. Prediksi Indeks Harga Saham LQ45 merupakan suatu tugas yang sulit karena data indeks harga saham ini cenderung memiliki fluktuasi yang cukup tinggi. Untuk itu, diperlukan suatu teknik yang tepat dalam memprediksi Indeks Harga Saham LQ45. Indeks Harga Saham LQ45 merupakan salah satu jenis data runtun waktu. Beberapa model telah dikembangkan dalam memprediksi data runtun waktu, salah satunya adalah machine learning. Generative Adversarial Network (GAN) merupakan salah satu pendekatan khusus untuk machine learning melalui pemodelan generatif. GAN dapat menghasilkan prediksi yang memiliki keakuratan yang tinggi, karena GAN menggunakan dua jaringan, yaitu generator dan diskriminator. Long Short-Term Memory (LSTM) digunakan sebagai generator untuk mempelajari data dan melakukan prediksi serta Convolutional Neural Network (CNN) digunakan sebagai diskriminator untuk mengklasifikasi data. Oleh karena itu, dalam tugas akhir ini, penulis menerapkan GAN dalam prediksi Indeks Harga Saham LQ45. Penerapan metode ini bertujuan untuk meningkatkan akurasi dalam prediksi sehingga investor dapat mengukur kinerja portofolio sahamnya di masa yang akan datang dengan baik. Data yang digunakan dalam tugas akhir ini adalah harga penutupan atau closing Indeks Harga Saham LQ45 harian dari periode 2 Januari 2019 hingga 30 Desember 2022. Hasil prediksi Indeks Harga Saham LQ45 dapat ditunjukkan dengan nilai MAPE. Untuk data training memiliki nilai MAPE sebesar dan untuk data testing memiliki nilai MAPE sebesar perbandingan 80% data training dan 20% data testing.

---

The LQ45 Stock Price Index is an index that measures the price performance of 45 stocks that have high liquidity and large market capitalization listed on the Indonesia Stock Exchange. The LQ45 Stock Price Index prediction can be used to measure the performance of a stock portfolio in the future so that investors can evaluate the shares they own. Predicting the LQ45 Stock Price Index is a difficult task because this stock price index data tends to have quite high fluctuations. For this reason, an appropriate technique is needed to predict the LQ45 Stock Price Index. The LQ45 Stock Price Index is a type of time series data. Several models have been developed to predict time series data, one of which is machine learning. Generative Adversarial Network (GAN) is a special approach to machine learning through generative modeling. The GAN method can produce predictions that have high accuracy, because GAN uses two networks, namely generator and discriminator. Long Short-Term Memory (LSTM) is used as generator to study data and make predictions and Convolutional Neural Network (CNN) is used as discriminator to classify data. Therefore, in this thesis, the author applies the GAN method in predicting the LQ45 Stock Price Index. The application of this method aims to increase accuracy in predictions so that investors can measure the performance of their stock portfolio in the future properly. The data used in this thesis is the daily closing price of the LQ45 Stock Price Index from the period 2 January 2019 to 30 December 2022. The prediction results of the LQ45 Stock Price Index can be shown by the MAPE value. For training data, the MAPE value is 20,9340% and for testing data, the MAPE value is 2,3740%. These results use a comparison of 80% training data and 20% testing data."

"Penilaian citra embrio manusia memiliki peran yang penting dalam proses Fertilisasi In Vitro (FIV) atau yang dikenal juga sebagai proses bayi tabung. Penilaian citra embrio ini dilakukan secara manual oleh ahli embriologi. Hal ini tentunya membutuhkan waktu yang lama dan konsentrasi yang tinggi dari ahli embriologi sehingga perlu ada sistem yang dapat membantu ahli embriologi dalam melakukan penilaian dengan lebih efisien. Salah satu waktu penilaian embrio yang paling penting yaitu ketika embrio berusia lima hari, dimana ini merupakan tahap penilaian akhir sebelum proses implantasi ke rahim. Penilaian embrio pada hari kelima didasarkan pada tiga aspek yaitu derajat ekspansi, Inner Cell Mass, dan Trophoectoderm, yang menjadi tantangan tersendiri dalam penelitian di bidang ini. Permasalahan lain yang muncul yaitu ketersediaan data yang terbatas dan ketidakseimbangan proporsi kelas atau target pada dataset. Penelitian ini mengusulkan penggunaan augmentasi data berbasis Generative Adversarial Network seperti VanillaGAN, InfoGAN, DCGAN, dan Adversarial Autoencoder sehagai solusi permasalahan ketidakseimbangan data. Penelitian ini juga mengembangkan model klasifikasi berbasis Convolutional Neural Network sebagai klasifikator untuk menilai citra embrio. Penelititan ini menggunakan 10-fold cross validation untuk mengukur kinerja model. Untuk kategori derajat ekspansi, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Untuk kategori Inner Cell Mass, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan VanillaGAN sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Serta untuk kategori Trophoectoderm, model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder memperoleh hasil terbaik dengan nilai f1-score sebesar 0.89.

---

Assessment of human embryo images has an important role in the process of In Vitro Fertilization (IVF). Evaluation of this embryo image is done manually by the embryologist. This requires a long time and high concentration of embryologists, so it is necessary to create a system that can assist embryologists in making assessments more efficiently. One of the most important parts of human embryo assessment is the embryo on the fifth day after fertilization. Evaluation of embryos on the fifth day is based on three aspects, namely the degree of expansion, Inner Cell Mass, and Trophoectoderm, which is a particular challenge in research in this field. Another problem for this case is the limited availability of data and an imbalanced dataset. This study proposes the use of Generative Adversarial Network-based for data augmentation such as VanillaGAN, InfoGAN, DCGAN, and Adversarial Autoencoder as a solution to imbalanced data problems. This study also developed a classification model based on the Convolutional Neural Network as a classifier for assessing embryo images. This research uses 10-fold cross validation to measure model performance. This study obtained the best results for the degree of expansion category with the Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.92. This study obtained the best results for the Inner Cell Mass category with the Convolutional Neural Network model combined with VanillaGAN as a data augmentation with an f1-score of 0.92. The best result for Trophoectoderm category is Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.89."

"Tujuan dari tesis ini adalah untuk berkontribusi dalam pengembangan sistem kecerdasan buatan (artificial intelligence) untuk memodelkan pergerakan saham yang bersifat tidak liner dan penuh ketidakpastian. Pendekatan yang digunakan adalah model Artificial Neural Network (ANN) metode Backpropagation. Sebagai pembanding, digunakan model multivariate ARIMA. Penelitian akan membuktikan bahwa model ANN dapat lebih tepat memprediksi pergerakan harga saham di Indonesia, khususnya saham-saham anggota indeks LQ45, dibandingkakan model multivariate ARIMA. Penelitian ini adalah penelitian observasi model. Penelitian menghasilkan kesimpulan bahwa model ANN signifikan secara statistik lebih akurat daripada model multivariate ARIMA.

---

The objective of this thesis is to contribute the development of artificial intelligence system in modeling stock price movement which highly non-linier and uncertain in nature. Our approach is using Artificial Neural Network (ANN) with Backpropagation method. In comparing the accuracy of the model, we use multivariate ARIMA method. This research intend to show that ANN model is more accurate in predicting Indonesian stock price movement, especially LQ45 index, compared to multivariate ARIMA model. This research is using observational method in selecting the best model. The result of the research is that ANN is statistically significant and more accurate compared to multivariate ARIMA model."

"Barcode merupakan kumpulan data optik yang dapat dimengerti sebuah mesin dan memiliki fungsi yang sangat luas, sebagai contoh adalah karcis parkir kendaraan. Karcis parkir merupakan penanda sebuah kendaraan agar bisa keluar dan masuk ke dalam parkiran tersebut. Kendaraan dapat keluar dari area parkir dengan memindai barcode yang tertera pada karcis parkir. Namun, seringkali karcis parkir memiliki kerusakan yang menyebabkan barcode yang tertera sulit terbaca dengan alat pemindaian dan kendaraan tidak dapat keluar dari area parkir. Kerusakan bisa disebabkan karena kelalaian manusia (terkena air yang menyebabkan karcis basah, atau terlipat-lipat sehingga lecek) dan juga kesalahan pencetak. Untuk menanggulangi permasalahan tersebut, sistem pembacaan barcode karcis parkir dikembangankan. Sistem tersebut menggunakan Autoencoder dan Conditional Generative Adversarial Network (CGAN) dalam merekonstruksi barcode. Barcode dikatakan berhasil direkonstruksi bila decoder (pyzxing dan pyzbar) dapat decoding gambar barcode rekonstruksi tersebut. Penelitian ini menunjukan bahwa model CGAN mampu merekonstruksi karcis parkir dunia nyata dengan true recognition rate 16% tanpa super resolution, sedangkan untuk model autoencoder masih belum mampu untuk merekonstruksi barcode dengan baik. Dengan super resolution, performa kedua model menurun dalam merekonstruksi barcode. CGAN juga lebih baik dibandingkan dengan autoencoder dalam rekonstruksi barcode generated dengan 1x augmentasi. Dengan menggunakan pyzxing decoder, Autoencoder mampu merekonstruksi barcode yang tidak terbaca dengan true recognition rate sebesar 95,50% dan CGAN mampu menghasilkan true recognition sebesar 97% dengan durasi prediksi rata-rata autoencoder 0,17 detik dibandingkan dengan CGAN 0,672 detik per 1 gambar.

---

Barcode is a collection of optical data that can be scanned by a machine and has a broad function, such as a vehicle parking ticket. A parking ticket is a marker for a vehicle to enter and exit the parking lot. Vehicles can exit the parking area by scanning the barcode printed on the parking ticket. However, parking tickets often have damage that cause the barcodes printed are difficult to be scanned and the vehicle cannot exit parking area. Damage can be caused by human error (wet tickets, or it folds up so that it becomes wrinkled) as well as printer error. To overcome this problem, a parking ticket barcode reconstruction system was developed. The system uses Autoencoder and Conditional Generative Adversarial Network (CGAN) in reconstructing barcodes. The barcode is said to be reconstructed successfully if the decoders (pyzxing and pyzbar) can decode the reconstructed barcode image.

This paper shows that the CGAN model can reconstruct real-world parking tickets with a true recognition rate of 16% without super resolution, while the autoencoder model is still unable to reconstruct barcodes properly. With super resolution, the performance of both models decreases in reconstructing barcodes. CGAN is better than autoencoder in reconstructing barcode generated with 1x augmentation. Using the pyzxing decoder, Autoencoder can reconstruct unreadable barcodes with a true recognition rate of 95.50% and CGAN is able to produce true recognition of 97% with an average autoencoder prediction duration of 0.17 seconds compared to CGAN of 0.672 seconds per 1 image."

"Retinopati hipertensi merupakan penyakit yang timbul pada retina akibat komplikasi dari hipertensi atau tekanan darah tinggi. Pemeriksaan gejala retinopati hipertensi penting untuk dilakukan supaya penanganan yang tepat dapat diberikan. Gejala retinopati hipertensi terdapat pada pembuluh darah di retina sehingga diagnosis dapat dilakukan melalui citra fundus retina. Penelitian ini memanfaatkan model Data-Efficient Image Transformer (DeiT) untuk mengklasifikasikan citra fundus retina menjadi dua kelas, yaitu kelas retinopati hipertensi dan kelas normal. Data yang digunakan dalam penelitian ini diperoleh dari empat database open-source, yaitu DRIVE, JSIEC, ODIR, dan STARE. Preprocessing berupa resize dan Contrast Limited Adaptive Histogram Equalization (CLAHE) diterapkan untuk menyeragamkan ukuran citra dan meningkatkan kontras citra. Generative Adversarial Network (GAN) digunakan untuk menghasilkan citra sintetis guna mengatasi masalah keterbatasan jumlah data serta meningkatkan variasi data yang dapat dipelajari oleh model DeiT. Penelitian ini menganalisis pengaruh metode GAN terhadap kinerja model DeiT dengan menggunakan metrik evaluasi accuracy, sensitivity, dan specificity. Analisis dilakukan dengan membandingkan tiga skenario: skenario A menggunakan data asli, skenario B menggunakan data hasil augmentasi GAN, dan skenario C menggunakan preprocessing CLAHE dan data hasil augmentasi GAN. Skenario A menunjukkan kinerja yang cukup baik dengan nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 94%, 97,7%, dan 84,6% untuk rasio pembagian data 70:30, serta 95,7%, 97%, dan 92,8% untuk rasio pembagian data 80:20. Skenario B mengungguli skenario sebelumnya dengan nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 96,4%, 97,2%, dan 95,7% untuk rasio pembagian data 70:30, serta 97,5%, 97,9%, dan 97,1% untuk rasio pembagian data 80:20. Pada skenario C, diperoleh nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 95,7%, 95%, dan 96,2% untuk rasio pembagian data 70:30, serta 95,5%, 94,9%, dan 96,4% untuk rasio pembagian data 80:20. Hasil penelitian menunjukkan bahwa penerapan metode GAN berhasil meningkatkan kinerja model DeiT, khususnya pada nilai specificity. Dari ketiga skenario yang diuji, skenario B yang memanfaatkan data sintetis hasil augmentasi GAN tanpa preprocessing CLAHE memberikan hasil yang paling unggul.

---

Hypertensive retinopathy is a disease that occurs in the retina due to complications from hypertension or high blood pressure. Examination of hypertensive retinopathy symptoms is important to ensure appropriate treatment can be performed. The symptoms of hypertensive retinopathy are found in the blood vessels of the retina, allowing diagnosis to be performed through retinal fundus images. This study uses the Data-Efficient Image Transformer (DeiT) model to classify retinal fundus images into two classes: hypertensive retinopathy and normal. The data used in this study were obtained from four different open-source databases: DRIVE, JSIEC, ODIR, and STARE. Preprocessing in the form of resizing and Contrast Limited Adaptive Histogram Equalization (CLAHE) was applied to standardize the image size and enhance the image contrast. Generative Adversarial Network (GAN) was used to generate synthetic images to address the problem of limited data availability and increase the variety of data that can be learned by the DeiT model. This study analyzes the impact of the GAN method on the performance of the DeiT model using evaluation metrics of accuracy, sensitivity, and specificity. The analysis was conducted by comparing three scenarios: scenario A using the original data, scenario B using GAN-augmented data, and scenario C using CLAHE preprocessing and GAN-augmented data. Scenario A showed fairly good performance with average accuracy, sensitivity, and specificity values of 94%, 97.7%, and 84.6% for a 70:30 data split ratio, and 95.7%, 97%, and 92.8% for an 80:20 data split ratio. Scenario B outperformed the previous scenario with average accuracy, sensitivity, and specificity values of 96.4%, 97.2%, and 95.7% for a 70:30 data split ratio, and 97.5%, 97.9%, and 97.1% for an 80:20 data split ratio. In scenario C, the average accuracy, sensitivity, and specificity values were 95.7%, 95%, and 96.2% for a 70:30 data split ratio, and 95.5%, 94.9%, and 96.4% for an 80:20 data split ratio. The results of the study indicate that the application of the GAN method successfully improved the performance of the DeiT model, particularly in terms of specificity. Out of the three scenarios tested, scenario B, which utilized GAN-augmented synthetic data without CLAHE preprocessing, yielded the best results."

"Memprediksi Pergerakan Harga Saham selalu menjadi isu yang menarik dan memiliki implikasi yang signifikan dalam membuat keputusan investasi, khususnya di Bursa Efek Indonesia sebagai pasar yang menggeliat. Penelitian membahas prediksi pergerakan harga saham dengan menggunakan Artificial Neural Network (ANN) atau jaringan syaraf tiruan dan Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) di Bursa Efek Indonesia. Penelitian ini menggunakan pendekatan kuantitatif dan tergolong dalam studi eksplanatif. Rentang waktu yang digunakan ialah dari Januari 2008 hingga Desember 2012. Penelitian ini berusaha menganalisis signifikansi dari metode ANN dalam peramalan harga saham LQ45 di Indonesia. Diharapkan hasil dari penelitian ini dapat membantu para investor dan pihak lain yang berkepentingan dalam memilih metode peramalan yang terbaik dan juga keputusan bisnis terbaik. Terdapat empat faktor yang dipilih sebagai variabel independen, yaitu Indeks Harga Saham Gabungan (IHSG), volume perdagangan harian tiap saham, kurs Rupiah terhadap Dollar Amerika dan harga minyak dunia. Penelitian ini menemukan bahwa metode ANN lebih signifikan dibandingkan dengan metode ARIMA dalam peramalan harga saham LQ45 di Indonesia.

---

Predicting Stock Price Movement is always considered as an interesting issues and has significant impacts in creating investment decision, particularly in the Indonesian Stock Exchange as an emerging market. This research discusses the prediction of stock price movements using Artificial Neural Networks (ANN) method and Box Jenkins Autoregressive Integrated Moving Average (ARIMA) in Indonesian Stock Exchange.

This research is quantitative and explanation in nature. The time scope of this research was from January 2008 up to December 2012. This research intends to analyze the significant of ANN method in forecasting Indonesian LQ45 Stock prices.

It is expected that the results of this research might assist the investors and other interested parties in selecting best forecasting methods and also best investment decision. There are four factors selected as independent variables, such as: Indonesian Composite Index, trading volume of each stocks, local currency exchange rate to USD and oil spot price. The research reveals that ANN is statistically more significant compared."

"Saham sektor properti dan real estate merupakan jalan bagi investor untuk berinvestasi di pasar properti dan real estate. Harga saham properti dan real esatate memiliki kecenderungan untuk mengalami pergerakkan yang fluktuatif. Untuk meningkatkan potensi perolehan capital gain serta untuk mengukur risiko investasi, harga saham dapat diprediksi menggunakan metode artificial neural network apabila faktor-faktor yang dapat mempengaruhinya diketahui. Variabel yang mempengaruhi harga saham properti dan real estate di Indonesia antara lain, Gross Domestic Product, inflasi, nilai Rupiah terhadap Dollar Amerika, uang beredar, harga minyak mentah, suku bunga jangka panjang, serta volume perdagangan saham.Hasil prediksi dan performa harga saham properti dan real estate Indonesia menggunakan artificial neural network kemudian dibandingkan dengan metode time series konvensional ARIMA dan regresi linier yang menunjukkan hasil berupa metode artificial neural network lebih unggul dibanding ARIMA dan regresi linier.

---

Property and real estate stocks facilitates investors to invest their fund in property and real estate market. Property and real estate stock price has a tendency to move fluctuatively. The price can be predicted using artificial neural network, if the variables which affect the price of property and real estate stock could be identified. The variables which affecting the Indonesian poperty and real estate stock price are Gross Domestc Product, inflation, exchange rate of Rupiah to US Dollar, money aggregates, crude oil price, long-term interest rate, and stock trading volume.

Predicticon results and the methods' performance then compared with the more conventional methods which are time series analysis ARIMA and linear regression. The result shows that performance of artificial neural network is better than ARIMA and linear regression."

"Anomaly-Based Network Intrusion Detection System (ANIDS) memegang peranan yang sangat penting dengan berkembangnya teknologi internet. ANIDS digunakan untuk mendeteksi trafik jaringan yang membahayakan pengguna internet. Metode tradisional yang digunakan untuk membuat ANIDS masih sulit untuk mengekstrak fitur dari trafik yang banyak dan berdimensi tinggi. Selain itu, jumlah sampel yang sedikit pada beberapa jenis trafik menyebabkan ketidakseimbangan dataset dan mempengaruhi performa deteksi ANIDS. Ketidakseimbangan dataset dapat diatasi dengan oversampling dan atau undersampling. Penulis mengusulkan metode oversampling menggunakan modifikasi dari Deep Convolutional Generative Adversarial Network (DCGAN) yang dapat mengekstrak fitur trafik data secara langsung dan menghasilkan sampel baru untuk menyeimbangkan dataset. Modifikasi DCGAN bertujuan untuk menghindari adanya pemetaan data tabular menjadi data gambar sebelum masuk ke DCGAN. Selain itu, modifikasi DCGAN bertujuan untuk menstabilkan pelatihan model untuk data tabular sehingga data yang dihasilkan lebih berkualitas. Pengujian efek modifikasi DCGAN dilakukan dengan melatih model ANIDS yang terdiri dari model Deep Neural Network (DNN) dan Convolutional Neural Network (CNN). Evaluasi performa deteksi dilakukan dengan confusion matrix serta metrik accuracy, precision, recall, dan F1-Score. Hasil yang didapatkan adalah oversampling menggunakan modifikasi DCGAN meningkatkan validation accuracy dari 75.77% menjadi 81.41% pada model DNN dan 73.94% menjadi 80.76% pada model CNN. Peningkatan metrik lain juga terjadi akibat dari peningkatan validation accuracy.

---

Anomaly-Based Network Intrusion Detection System (ANIDS) plays a very important role with the development of internet technology. ANIDS is used for detecting network traffic that endangers internet users. The traditional methods used to create ANIDS are still difficult to extract features from high-dimensional traffic. In addition, the small number of samples in some types of traffic causes imbalanced dataset and affects ANIDS detection performance. Imbalanced dataset can be overcome by oversampling and or undersampling. The author proposes an oversampling method using a modification of the Deep Convolutional Generative Adversarial Network (DCGAN) which can extract data traffic features directly and generate new samples to balance the dataset. DCGAN modification aims to avoid mapping tabular data into image data before entering DCGAN. In addition, the DCGAN modification aims to stabilize the training model for tabular data so that the resulting data is of higher quality. Testing the effects of the DCGAN modification was carried out by training the ANIDS model consisting of the Deep Neural Network (DNN) and Convolutional Neural Network (CNN) models. Evaluation of detection performance is carried out using a confusion matrix and the metrics of accuracy, precision, recall, and F1-Score. The results obtained are oversampling using the DCGAN modification increases the validation accuracy from 75.77% to 81.41% in the DNN model and 73.94% to 80.76% in the CNN model. Improvements in other metrics also occurred as a result of the increase in validation accuracy."

"Penelitian ini bertujuan untuk mengetahui pengaruh dari komponen rasio keuangan terhadap indeks harga saham individu. Variabel yang digunakan dalam penelitian ini adalah Indeks Harga Saham Individu, Return On Asset, Return On Equity, Net Profit Margin, Debt To Equity Ratio, Total Asset Turnover, Current Ratio, Price to Book Value, dan Earning Per Share. Sampel pada penelitian ini adalah perusahaan-perusahaan yang diperoleh dari populasi data perusahaan yang sahamnya termasuk dalam saham-saham LQ45 yang terdaftar (listing) dalam Bursa Efek Indonesia (BEI) periode Februari sampai dengan Juli 2013. Pendekatan model penelitian ini menggunakan pendekatan efek tetap. Berdasarkan hasil regresi data panel dengan pendekatan efek tetap, hanya ada empat variabel yang memiliki nilai yang tetap signifikan ketika diuji pengaruhnya terhadap indeks harga saham individu dengan berdasarkan pada empat model penelitian, antara lain: Return On Asset, Net Profit Margin, Price to Book Value, dan Earning Per Share

---

This study aims to determine the effect of the components of financial ratios to individual stock price index. The variables used in this study were Individual Stock Price Index, Return on Assets, Return on Equity, Net Profit Margin, Debt To Equity Ratio, Total Asset Turnover, Current Ratio, Price to Book Value, and Earning Per Share. The sample in this study is that corporations obtained from the data population of companies whose shares are included in the 45 blue chip stocks listed ( listing ) in Indonesia Stock Exchange ( IDX ) the period February to July 2013. This research model using fixed effects approach. Based on the results of a panel data regression with fixed effects approach, there are only four variables that have values that remained significant when tested their effects on the individual stock price index is based on four models of research, such as: Return on Asset, Net Profit Margin, Price to Book Value, and Earning Per Share."