Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi telah mempengaruhi berbagai sektor di kehidupan termasuk juga dengan sektor pembelanjaan, seperti e-commerce. E-commerce termasuk media belanja yang selalu berkembang, salah satunya live streaming. Layanan live streaming social media menjadi terkenal di kisaran tahun 2020-2021 dengan tingkat penjualan di siaran langsung meningkat tajam hingga 76 persen di seluruh dunia. Tiktok live shopping merupakan layanan dari aplikasi Tiktok yang menawarkan peluang bagi brand untuk memamerkan produk secara real-time melalu acara live streaming. Penelitian ini bertujuan untuk menganalisis faktor yang mempengaruhi prilaku transaksi impulsif melalui live streaming e-commerce Tiktok live menggunakan model Stimulus Organism Respons (SOR). Penelitian ini dilakukan dengan melakukan survei terhadap pengguna aktif TikTok live yang telah melakukan pembelian produk melalui live streaming e-commerce. Pengumpulan data dilakukan dengan teknik non-probability sampling dan analisis data menggunakan Partial Least Square (PLS). Penelitian ini bertujuan untuk menganalisis beberapa faktor seperti price promotion, promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, shopping convenience terhadap transaksi impulsif. Hasil analisis membuktikan bahwa price promotion, customer-streamer interaction, best deal, visual appeal, perceived value, shopping convenience berpengaruh terhadap transaksi impulsif, terdapat beberapa variabel penelitian seperti promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, shopping convenience berpengaruh negatif terhadap perceived risk. Dari hasil penelitian dapat dilihat bahwa perceived risk memediasi hubungan antara promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, shopping convenience dan transaksi impulsif.

---

Technological advancements have influenced various sectors of life, including the retail sector, such as e-commerce. E-commerce, including live streaming, is a constantly evolving shopping medium. One of the popular trends in recent years is live streaming on social media platforms. Live streaming services on social media gained popularity around 2020-2021, with live broadcast sales increasing by up to 76 percent worldwide. TikTok live shopping is a service offered by the TikTok app that provides opportunities for brands to showcase their products in real-time through live streaming events. The purpose of this research is to analyze the factors that influence impulsive transaction behavior through TikTok live e-commerce using the Stimulus Organism Response (SOR) model. This study conducted a survey among active TikTok live users who have made product purchases through live streaming e-commerce. Data collection was done using non-probability sampling techniques, and data analysis was performed using Partial Least Square (PLS). The research aims to analyze several factors such as price promotion, promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, and shopping convenience in relation to impulsive transactions. The analysis results demonstrate that price promotion, customer-streamer interaction, best deal, visual appeal, perceived value, and shopping convenience have an influence on impulsive transactions. Additionally, several research variables such as promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, and shopping convenience negatively affect perceived risk. From the research findings, it can be observed that perceived risk mediates the relationship between promotion time limit, customer-streamer interaction, customer-customer interaction, best deal, visual appeal, perceived value, shopping convenience, and impulsive transactions."

"Pemodelan dan peramalan harga saham merupakan hal yang sangat penting bagi seorang investor. Harga saham selalu mengalami perubahan seiring berjalannya waktu. Perubahan ini tidak konstan dan sangat berdampak jika diabaikan karena hal tersebut dapat menimbulkan risiko kerugian. Banyak model yang sudah dibuat dengan tujuan untuk meminimalkan risiko kerugian tersebut. Pada penelitian ini, akan digunakan model ARIMA-GARCH untuk meramalkan volatilitas dalam harga saham. Alasan dari penggunaan gabungan kedua model tersebut adalah karena Model ARIMA saja tidak dapat menangani data dengan volatilitas besar dan yang non-linear. Maka, diharapkan bahwa penggunaan dari model gabungan ini dapat menangani masalah tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga penutupan dalam dua saham yang termasuk dari indeks LQ45. Pada penelitian ini, data tersebut akan dimasukkan kedalam model gabungan tersebut untuk mendapat peramalan di hari selanjutnya. Setelah itu, akan digunakan metode Walk Forward untuk mendapat semua hasil peramalannya. Dari hasil tersebut, didapat bahwa pengabungan dari ARIMA (1,1,1)-GARCH (1,1) memberikan perdiksi harga saham yang terbaik untuk kedua saham yang dipilih. Lalu, menggunakan hasil MAE dan RMSE dari saham, dapat disimpulkan bahwa model ARIMA-GARCH merupakan model yang dapat memprediksi harga saham dengan baik.

---

For an Investor, modelling and forecasting the stock prices are very important. Stock price fluctuate as time goes and these changes vary from one point of time to another. These changes can be really dangerous if ignored because the risk of loss it might create. Many models have been created with the purpose of minimizing the risk of loss. In this study, the ARIMA-GARCH model will be used to predict closing price in the stock prices which contain volatility. The reason for using the combination of the two models is due to ARIMA model unable to handle large volatility along with non-linear data. Thus, it is hoped the use of this combined model can solve this problem. The data that is used on this study is the closing price of 2 stocks that is part of the LQ45 index. In this research, the data will be used on the combined model to get the forecast price of the next day. Then, the rest of the forecast price will be found using a process called Walk Forward. After acquiring all the forecasted price, it is found that the combination of ARIMA (1,1,1)-GARCH (1,1) yield the best result in forecasting the stock prices. Then, by using MAE and RMSE to check the error of the results, it can be concluded that the ARIMA-GARCH model is a model that is able to predict stock prices well."

"Pesatnya perkembangan ekonomi menyebabkan kebutuhan manusia menjadi tidak terbatas. Usaha yang dapat dilakukan untuk pemenuhan kebutuhan hidup di masa yang akan datang adalah dengan melakukan investasi. Saham merupakan salah satu instrumen investasi dengan tingkat keuntungan yang menarik, namun memiliki risiko kerugian yang tinggi. Hal ini disebabkan oleh adanya pergerakan harga saham yang cenderung tak menentu selama periode waktu tertentu. Untuk meminimalkan risiko kerugian, perlu dilakukan prediksi pergerakan harga saham. Prediksi yang akurat akan membantu para investor dalam menentukan nilai saham di masa yang akan datang. Pada penelitian ini, dilakukan perbandingan untuk memprediksi pergerakan harga saham menggunakan tiga algoritma supervised machine learning yaitu Random Forest, Support Vector Regression (SVR) dan K- Nearest Neighbor (KNN) berdasarkan tingkat akurasinya. Sutau model dikatakan akurat jika memiliki nilai Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) yang lebih rendah. Pada penelitian ini, diperoleh hasil prediksi harga penutupan saham terbaik menggunakan metode Support Vector Regression dengan melihat rendahnya nilai RMSE dan MAE yang dihasilkan dibandingkan dengan dua metode lain. Dalam perhitungannya, penelitian ini menggunakan histori data harian dari website investing.com. periode Maret 2017 hingga Februari 2020 dari tiga perusahaan di Indonesia yang terdaftar dalam IDX30.

---

The fast growth of economic development causes human needs to be immeasurable. One of the efforts that could be done to fulfill life needs in the future was Investation. Stock is one of the Investation instruments with interesting benefits but has high- risk loss caused by the unstable stock market trend between some period. For minimalizing the risky loss, the literati need to predicting the stock rate trend. The accurate prediction will help the investor in choosing a stock value in the future. In this study, the literati make a comparison to predict stock market trend with three kinds of algorithms supervised machine learning that are Randon Forest, Support Vector Regression (SVR), and K-Nearest Neighbor (KNN) based on their accurate level. A model could be said accurate just if they have a lower value of Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The best Stock Closing Price prediction will be obtained by the Support Vector Regression method and see how low the result of RMSE and MAE value is compared with another method. To calculate, the study uses a daily data history from investing.com website between March 2017 to February 2020 period. The object data is a three big company in Indonesia which listed in IDX30."

"Tingkat mortalitas merupakan komponen penting dalam analisis kesehatan masyarakat yang diperlukan oleh banyak institusi seperti pemerintah, organisasi kesehatan, hingga perusahaan asuransi. Akan tetapi, data tingkat mortalitas merupakan data yang terus berubah seiring berjalannya waktu sehingga dibutuhkan peramalan tingkat mortalitas. Untuk melakukan peramalan tingkat mortalitas, diperlukan kesesuaian dari berbagai metode dan model untuk dapat memaksimalkan tingkat akurasi dari nilai hasil ramalan. Untuk mencapai hal tersebut, skripsi ini melakukan simulasi peramalan dengan model Cairns-Blake-Dowd (CBD) yang diaplikasikan terhadap data Tingkat Mortalitas Indonesia untuk jenis kelamin laki-laki yang bersifat tahunan. Model CBD sendiri memiliki dua parameter yang diestimasi menggunakan metode Least Square. Lalu, dikarenakan sifat parameter yang merupakan deret waktu multivariat, akan digunakan metode peramalan berupa Vector Autoregressive Integrated Moving Average (VARIMA). Hasil ramalan tersebut kemudian disubstitusikan kembali ke dalam model CBD untuk mendapatkan nilai tingkat mortalitas pada tahun-tahun berikutnya. Dalam menentukan akurasi hasil peramalan dari metode VARIMA dan estimasi parameter dari metode Least Square tersebut, digunakan metode Mean Squared Error (MSE).

---

Mortality rate is a crucial component in the analysis of public health which is required by various institutions such as the government, health organizations, and insurance companies. However, mortality rate data is constantly changing over time, necessitating the forecasting of mortality rates. Therefore, to forecast mortality rates, the alignment of various methods and models is necessary to maximize the accuracy of the forecasted values. To achieve this, this thesis will conduct a forecasting simulation using the Cairns-Blake-Dowd (CBD) model applied to Indonesian Mortality Rate data for males on an annual basis. The CBD model itself has two parameters to be estimated using the Least Square method. Then, due to the nature of the parameters as a multivariate time series, the Vector Autoregressive Integrated Moving Average (VARIMA) forecasting method will be employed. The forecasted results will be substituted back into the CBD model to obtain mortality rate values for the upcoming years. In determining the accuracy of the forecasting results from VARIMA and estimation from Least Square, the Mean Squared Error (MSE) method will be utilized."

"Asuransi Peer to Peer (P2P) didefinisikan sebagai sistem pengelolaan dana yang dilakukan secara bersama di antara sekelompok individu yang berlandaskan asas kepercayaan di antara semua pihak dimana individu-individu tersebut akan menanggung risiko di bawah nilai ambang batas tertentu dan sisanya dapat ditanggung oleh pihak (re)asuransi mengingat adanya keterbatasan kapabilitas membayar individu dalam menanggung risiko. Risiko komunitas asuransi P2P akan dibagikan diantara partisipan dengan menggunakan conditional mean risk sharing rule. Risiko tiap individu akan diperhitungkan dan berpengaruh ke besaran kontribusi yang harus dibayar oleh masingmasing partisipan. Penggunaan conditional mean risk sharing rule memberikan keuntungan dalam beberapa aspek, (1) memiliki sifat risk-averse yang menguntungkan setiap partisipan, (2) individu baru tidak perlu melakukan penyesuaian risiko, sehingga memudahkan proses transfer risiko, (3) dalam skenario tertentu, dimana terjadi kerugian diatas nilai ambang batas yang ditentukan, individu hanya dapat dikenakan biaya tambahan sebesar besaran premium yang dimiliki. Dalam upaya menganalisis konsep penggunaan conditional mean risk sharing rule terhadap asuransi P2P akan dilakukan (1) Analisa literatur terhadap model asuransi P2P, sifat komonotonik, dan conditional mean risk sharing rule, (2) Penjabaran proses penentuan kontribusi dengan menggunakan conditional mean risk sharing rule, (3) menentukan kontribusi risiko dengan model kerugian compound poisson, dan (4) Analisa numerik dari model pembagian kerugian dengan conditional mean risk sharing rule pada komunitas dengan kelompok risiko berbeda. Hasil yang diharapkan akan menunjukkan perbedaan besaran kontribusi dari tiap partisipan dengan risiko yang berbeda melalui pembagian conditional mean risk sharing rule.

---

Peer to Peer (P2P) insurance is defined as a fund management system that is carried out jointly among a group of individuals based on the principle of trust between all parties where these individuals will bear the risk below a certain threshold value and the rest can be borne by the third party (re)insurance company due to individual limited capabilities in bearing certain amount of risk. The risk of the P2P insurance community will be shared among participants using the conditional mean risk sharing rule. The risk of each participant will be calculated and will affect the amount of contribution that must be paid by each participant. The use of the conditional mean risk sharing rule provides benefits in several aspects, (1) having a risk-averse nature that benefits each participant, (2) new participants do not need to undergo risk adjustment, thus facilitating the risk transfer process, (3) in certain scenarios, where If there is a loss above the specified threshold value, the participant can only be charged an additional fee of the amount of the premium they have. In an effort to analyze the concept of using the conditional mean risk sharing rule for P2P insurance, it will be carried out (1) Literature analysis on the P2P insurance model, its comonotonic nature, and the conditional mean risk sharing rule, (2) Elaboration of the contribution determination process using the conditional mean risk sharing rule, (3) determine the risk contribution with the compound Poisson loss model, and (4) numerical analysis of the risk sharing model with conditional mean risk sharing rule in P2P insurance community with different risk profile. The expected results will show the difference in contribution of participants with different risks from the distribution of the conditional mean risk sharing rule that was made earlier."

"Harga saham selalu berfluktuasi setiap waktu. Hal ini merupakan salah satu bentuk ketidakpastian yang terjadi di pasar saham. Risiko akibat dari ketidakpastian ini dapat diminimalisir dengan peramalan harga saham yang dibentuk dengan model linier. Salah satu model linier yang dapat digunakan dalam peramalan harga saham adalah model hybrid ARFIMA-GARCH. Model ini merupakan gabungan dari model ARFIMA dan model GARCH yang sudah pernah digunakan oleh penelitian sebelumnya dan disinyalir memiliki kekurangan dan kelebihan masing-masing. Model ARFIMA baik digunakan untuk peramalan jangka panjang, namun memiliki kendala, yakni adanya volatilitas yang terjadi dalam jangka panjang. Hal ini dapat diatasi oleh model GARCH yang baik digunakan dalam volatilitas pada harga saham dalam jangka panjang. Model GARCH merupakan pengembangan dari model Autoregressive Conditional Heterocedastic (ARCH), di mana model ini menggunakan volatilitas pada data sebelumnya. Berikutnya, model ARFIMA dan GARCH yang digabungkan menjadi model hybrid ARFIMA-GARCH akan digunakan pada penelitian ini untuk peramalan harga saham LQ45. Pada penelitian ini, hanya dua saham dari indeks saham LQ45 yang akan diprediksi harga sahamnya, yakni saham dengan volatilitas harga terkecil dan terbesar. Data harga saham yang digunakan adalah harga penutupan harian saham BBCA (PT Bank Central Asia Tbk.) dan TKIM (PT Tjiwi Kimia Paper Factory Tbk.) pada periode tahun 2017-2021. Hasil peramalan dengan model ARFIMA-GARCH akan dievaluasi nilai erornya menggunakan Root Mean Square Error dan Mean Absolute Percentage Error. Berikutnya, nilai akurasi ini akan dibandingkan dengan nilai akurasi peramalan menggunakan model ARFIMA. Pada akhirnya, diperoleh hasil bahwa peramalan harga saham dengan model ARFIMA-GARCH lebih baik dibandingkan dengan model ARFIMA.

---

Stock price always fluctuate all the time. This is one form of buffer that occurs in the stock market. The risk resulting from this buffer can be minimized by forecasting stock prices using linear model. One of the linear model that can be used in stock price forecasting is the hybrid ARFIMA-GARCH model. This model is a combination of the ARFIMA model and GARCH model which have been used in previous studies and allegedly each models have advantages and disadvantages. ARFIMA model is good for long-term forecasting, but has a problem, which is the volatility that occurs in the long term. This can be resolved by GARCH model which is good for volatility in stock prices, even for a long term data. GARCH model is a development of Autoregressive Conditional Heterocedastic (ARCH) model, where this model uses volatility in previous data. Furthermore, the ARFIMA and GARCH models are combined into the hybrid ARFIMA-GARCH model which will be used in this study for forecasting LQ45 stock prices. In this study, only two stock prices from LQ45 stock index that will be forecast, stocks which have the smallest and largest price volatility. The price data used is the daily closing price of BBCA (PT Bank Central Asia Tbk.) and TKIM (PT Tjiwi Kimia Paper Factory Tbk.) in 2017- 2021. The ARFIMA-GARCH model forecasting results will be evaluated by using the Root Mean Square Error and Mean Absolute Percentage Error. Next, this error accuracy value will be compared with the forecasting accuracy value using ARFIMA model. In the end, our hypothesis is that the stock price forecasting with ARFIMA-GARCH model is better than ARFIMA model."

"Kecelakaan adalah salah satu risiko yang dapat berakibat fatal pada kendaraan bermotor. Berdasarkan data Kementerian Perhubungan, di Indonesia telah terjadi 103.645 kasus kecelakaan kendaraan bermotor pada 2021. Tingkat kecelakaan kendaraan bermotor berpotensi meningkat setiap tahunnya seiring kenaikan signifikan dari pemilik kendaraan. Selain kecelakaan, ancaman risiko lain, seperti kehilangan, pencurian, dan kebakaran/ledakan mendorong masyarakat membeli asuransi kendaraan bermotor. Asosiasi Asuransi Umum Indonesia (AAUI) menyampaikan kenaikan 345% pembelian asuransi kendaraan bermotor di Indonesia pada tahun 2022. Tren ini menstimulasi penetapan tarif premi asuransi kendaraan bermotor yang kompetitif antar perusahaan asuransi. Perhitungan tarif premi didasarkan atas data historis frekuensi klaim dan severitas klaim. Kedua komponen tersebut bergantung pada faktor-faktor risiko nasabah. Frekuensi klaim dan severitas klaim dimodelkan sebagai variabel respons dalam pemodelan Generalized Linear Model (GLM), dimana faktor-faktor risiko nasabah menjadi variabel prediktor model. Pemodelan frekuensi klaim dan severitas klaim lazim dilakukan secara independen, tetapi tidak jarang ditemukan ketergantungan antar keduanya. Data historis frekuensi klaim dan severitas klaim dalam penelitian ini menunjukkan nilai ketergantungan yang rendah, tetapi signifikan. Oleh karena itu, penelitian ini menganalisis performa dua model GLM dalam perhitungan data frekuensi klaim dan severitas klaim tersebut, yaitu GLM Tweedie dan GLM copula. GLM Tweedie digunakan untuk memodelkan frekuensi klaim dan severitas klaim secara independen, sedangkan GLM copula digunakan untuk memodelkan frekuensi klaim dan severitas klaim secara dependen. Pada pemodelan GLM Tweedie, distribusi frekuensi klaim dan severitas klaim yang digunakan adalah distribusi Tweedie untuk keduanya, sedangkan pada pemodelan GLM copula, distribusi frekuensi klaim yang digunakan adalah distribusi Zero-Truncated Poisson (ZTP) dan distribusi severitas klaim yang digunakan adalah distribusi Gamma. Root Mean Square Error (RMSE) digunakan dalam menganalisis performa model. Semakin kecil nilai RMSE, semakin baik performa model tersebut. Hasil pemodelan data menunjukkan nilai RMSE yang lebih kecil pada model GLM Tweedie untuk frekuensi klaim dan severitas klaim.

---

Traffic accident is one of the risks that can be fatal to automobile vehicles. Based on data from the Ministry of Transportation, there have been 103,645 cases of automobile vehicle accidents in Indonesia in 2021. The rate of motor vehicle accidents has the potential to increase every year in line with the significant increase in automobile vehicle owners. Apart from traffic accidents, other risk threats, such as loss, theft, and fire/explosion encourage people to buy automobile vehicle insurance. In 2022, Asosiasi Asuransi Umum Indonesia (AAUI) reported a 345% increase in purchases of automobile vehicle insurance in Indonesia. This trend stimulates the setting of competitive automobile vehicle insurance premium rates among insurance companies. Premium rate calculation is based on historical data on claim frequency and claim severity. Both components depend on the customer's risk factors. Claim frequency and claim severity are modeled as response variables in the Generalized Linear Model (GLM) modeling, while customer risk factors are the predictor variables of the model. Modeling of claim frequency and claim severity is usually done independently, but it is not uncommon to find dependencies between both. Historical claim frequency and claim severity data in this study shows a low but significant dependency value. Therefore, this study analyzes the performance of two GLM models in calculating claim frequency and claim severity data, namely GLM Tweedie and GLM copula. The GLM Tweedie is used to model the claim frequency and the claim severity independently, while the GLM copula is used to model the claim frequency and the claim severity dependently. In the GLM Tweedie modeling, the claim frequency and the claim severity is considered Tweedie distributed for both, whereas in the GLM copula modeling, the claim frequency distribution is the Zero-Truncated Poisson (ZTP) distribution and the claim severity distribution is the Gamma distribution. Root Mean Square Error (RMSE) is used in analyzing model performance. A smaller RMSE value indicates better model performance. The results of data modeling show a smaller RMSE value in the GLM Tweedie model for claim frequency and claim severity."

"Permasalahan umum dalam industri asuransi adalah menetapkan besaran premi yang wajar terhadap risiko yang dihadapi oleh pemegang polis. Untuk menetapkan besaran premi yang wajar, maka perlu diprediksi besaran klaim masa depan dengan menggunakan data klaim agregat masa lampau. Data yang dikumpulkan perusahaan asuransi mengandung banyak variabel yang merupakan faktor-faktor untuk menghitung severitas klaim. Permasalahan tersebut merupakan permasalahan regresi. Salah satu metode yang digunakan untuk menganalisis model regresi adalah metode Gradient Tree Boosting. Dengan asumsi bahwa frekuensi klaim berdistribusi Poisson dan severitas klaim berdistribusi Gamma, maka klaim agregat dapat diasumsikan berdistribusi Tweedie. Maka dari itu, dapat digunakan metode Gradient Tree Boosting Tweedie Model untuk memodelkan besar klaim agregat. Salah satu metode deep learning untuk merekonstruksi variabel dari data perusahaan asuransi yang relevansinya terhadap besaran klaim belum diketahui adalah metode Deep Autoencoder. Deep Autoencoder merupakan algoritma unsupervised learning yang mereduksi dimensi data secara lapisan per lapisan, sehingga mendapatkan variabel data dalam pemodelan klaim agregat. Selain itu, Deep Autoencoder mempunyai kelebihan yaitu meringankan beban komputasi tanpa mengurangi performa dari model yang dihasilkan. Penelitian ini akan memodelkan besaran klaim agregat dan mengetahui efek penggunaan metode Deep Autoencoder untuk merekonstruksi data dan metode Gradient Tree Boosted Tweedie Model pada asuransi kendaraan bermotor.

---

It is a common problem in the insurance industry to set a reasonable premium for the risks faced by policyholders. It is important to predict the amount of future claims in order to determine a reasonable premium by using past aggregate claim data. The aggregate claim data collected by insurance companies contains many variables which are key factors to calculate claim severity, which is a regression problem. One of the methods used to analyze the regression model is the Gradient Tree Boosting. Assuming that the claim frequency has a Poisson distribution and the claim severity has a Gamma distribution, the aggregate claims can be assumed to have a Tweedie distribution. Therefore, the Gradient Tree Boosting Tweedie Model can be used to model the aggregate claims. One of the deep learning methods to reconstruct variables from insurance company data is Deep Autoencoder. Deep Autoencoder is an unsupervised learning algorithm that reduces the dimensions of the data layer by layer, thereby obtaining data variables in the aggregate claims modeling. In addition, Deep Autoencoder has the advantage of lightening the computational load without compromising the performance of the resulting model. This study will use the Gradient Tree Boosted Tweedie Model to model aggregate claims and determine the effect of using the Deep Autoencoder method to reconstruct data on motor vehicle insurance."

"Manusia memiliki kebutuhan untuk melangsungkan hidupnya. Seiring waktu harga-harga kebutuhan akan naik dikarenakan inflasi. Untuk mengantisipasi inflasi, manusia melakukan investasi. Investasi dapat bermacam-macam seperti membeli aset-aset riil (tanah, emas, dsb), ataupun membeli surat-surat berharga (efek) di pasar modal. Saham merupakan jenis efek yang paling sering diperjualbelikan. Dalam melakukan investasi saham, seorang investor memiliki permasalahan untuk memilih saham-saham yang dapat menghasilkan nilai imbal balik yang diharapkan. Permasalahan ini akan coba dijawab oleh Support Vector Machine (SVM) dengan mengklasifikasikan saham-saham apa saja yang menghasilkan imbal hasil ≥1%, dan imbal hasil <1%. Atribut yang digunakan terdapat 22, terdiri dari indikator teknikal dan nilai yang diolah dari data historis saham. Data historis saham yang digunakan adalah data perdagangan harian 30 saham dari indeks IDX30 pada jangka waktu 1 September 2020 hingga 31 Agustus 2021. Data historis saham dari 1 September 2020 hingga 5 Juni 2021 digunakan sebagai data training, dan data historis saham dari 6 Juni 2021 hingga 31 Agustus 2021 digunakan sebagai data testing. Model SVM yang dihasilkan memiliki akurasi sebesar 99,44%. Setelah didapatkan saham-saham yang berpotensi menghasilkan keuntungan yang diharapkan melalui SVM, selanjutnya akan dibuat sebuah portofolio investasi dari kumpulan saham tersebut dengan metode Mean Variance (MV). Bobot tiap saham yang dipilih adalah bobot saham yang meminimalkan variansi dari portofolio. Sebagai pembanding digunakan model pembentukan portofolio Equal Weight Portofolio (EWP) dan kinerja dari indeks IDX30. Imbal hasil dari portofolio yang dibentuk oleh SVM+MV dan SVM+EWP jauh lebih baik dari indeks IDX30. Variansi portofolio dari SVM+MV lebih kecil daripada portofolio dari SVM+EWP.

---

Human must has basic need to survive. The price of basic need will increase over time because the effect of inflation. To anticipate the inflation, human tend to invest. There are two kind of investment, real asset such as land and gold, and securities such as stock and obligation. Stock is the most actively traded. When an investor decide to invest on stock, investor have to choose which stocks that will generate enough return for himself. This problem would be solved by using Support Vector Machines. SVM is one of the machine learning technique for classification, in this case we will classify the the stock based on the return ≥1% or <1%. There are 22 attribute that used for SVM. Data come from historical stock data of 30 stocks from IDX30 index. The range is from 1 September 2020 untill 31 August 2021. Data from 1 September 2020 through 5 June 2021 would be training data and data from 6 June 2021 untill 31 August 2021 would be testing data. The result from SVM model has accuracy of 99,44%. The next thing to fo after we have which stock that will be choose is to build a portofolio from it. The portofolio theory of Mean Variance will be used to build portofolio from the result of prediction stock SVM. Mean Variance method will determine how much the portion of respective stock to be invested that would be maximize returns and also minimize investment risk. For measure how well the model perform, we used Equal Weight Portofolio (EWP) method and return of IDX30 index. The result is SVM+MV model and SVM+EWP model generate more return than the underlying index. The variance of portofolio that generated from SVM+MV are smaller than portofolio generated from SVM+EWP."

"Exchange Traded Funds (ETF) adalah salah satu produk investasi pasar modal yang berupa reksa dana dan diperjualbelikan secara real time layaknya saham. ETF dapat menjadi pilihan investasi yang cocok untuk investor pemula karena lebih terdiversifikasi daripada saham. Meskipun demikian, investor tetap harus menyesuaikan profil risiko masing-masing karena semua produk investasi pasti memiliki risiko yang harus dihadapi. Oleh karena itu, sebelum membeli produk investasi perlu dilakukan analisis terlebih dahulu. Dalam penelitian ini dilakukan analisis menggunakan indikator teknikal untuk mengklasifikasi ETF menggunakan metode Support Vector Machines (SVM). Data ETF yang digunakan adalah data historis mingguan 25 ETF yang terdaftar di Bursa Efek Indonesia sejak 9 Maret 2020 hingga 6 Maret 2022. Indikator teknikal yang digunakan adalah moving average, support and resistance, Bollinger bands, dan directional indicator. Hasil dari perhitungan analisis indikator teknikal tersebut selanjutnya digunakan sebagai data input atau fitur dalam proses klasifikasi SVM. Proses klasifikasi bertujuan untuk mengklasifikasikan ETF yang berpotensi menghasilkan return ≥ 1 (return positif) atau < 1 (return negatif) di minggu selanjutnya dengan model SVM terbaik. Model SVM terbaik ditentukan berdasarkan nilai akurasi tertinggi. Pada penelitian ini, model SVM terbaik menghasilkan akurasi sebesar 77% dengan kernel polinomial dan proporsi data training sebanyak 80%. Terdapat 14 ETF yang diprediksi menghasilkan kelas positif oleh model SVM terbaik dan selanjutnya dilakukan pembentukan portofolio menggunakan metode Risk Parity (RP), Minimum Variance (MinV), dan Equal-Weight (EW). Ketiga metode pembentukan portofolio tersebut dibandingkan performanya untuk memilih portofolio terbaik berdasarkan nilai rasio Sharpe tertinggi. Hasil dari penelitian ini, metode MinV menghasilkan rasio Sharpe tertinggi dibandingkan dua metode lainnya.

---

Exchange-Traded Funds (ETF) is one of the Capital Market investment products in the form of mutual funds and being traded real-time like stocks. ETFs can be suitable for new investors because they are more diversified than stocks. Nonetheless, the risk profile of each investor must be suited since all investment products have risks that must be faced. Therefore, an analysis must be done before buying the investment products. In this study, an analysis was conducted using 4 technical indicators, such as, moving averages, support and resistance, Bollinger bands, and directional indicators. They were used to classify ETFs using the Support Vector Machines (SVM) method. The data used in this study consisted of weekly historical data of 25 ETFs listed on Indonesia Stock Exchange from March 9, 2020, to March 6, 2022. The result of the technical analysis calculation then be used as features in the SVM classification process. The classification process aims to classify ETFs that have the potential to generate returns of ≥ 1 (positive return) or < 1 (negative return) in the following week using the best SVM model. The best SVM model was determined based on the highest accuracy value. An accuracy of 77% with a polynomial kernel was achieved from a 80% proportion of training data. The 14 ETFs were predicted to gain a positive return using SVM for then a portfolio formed using the Risk Parity (RP), Minimum Variance (MinV) and Equal-Weight (EW) methods. The performances of those portfolio were being compared to choose the best portfolio based on the highest Sharpe Ratio value. The highest Sharpe Ratio portfolio were obtained by SVM-MinV method in this study."