Optimalisasi Prediksi Harga Ihsg Menggunakan Hybrid Weighted Fuzzy Time Series Hidden Markov Model Dengan Algoritma Evolusi Differensial

Perdagangan saham berdasarkan Indeks Harga Saham Gabungan (IHSG) di Indonesia adalah area dinamis dan kompleks. Prediksi pergerakan harga IHSG memiliki volatilitas pasar saham yang tinggi. Penggunaan Hybrid Weighted Fuzzy Time series Hidden Markov Model (WFTS-HMM) dengan Algoritma Evolusi Diferensia...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Jurnal teknologi informasi dan ilmu komputer (Online) 2024-08, Vol.11 (4)
Hauptverfasser: Alya Fitri Syalsabilla, Suci Astutik, Agus Fachrur Rozy
Format: Artikel
Sprache:ind
Schlagworte:
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:Perdagangan saham berdasarkan Indeks Harga Saham Gabungan (IHSG) di Indonesia adalah area dinamis dan kompleks. Prediksi pergerakan harga IHSG memiliki volatilitas pasar saham yang tinggi. Penggunaan Hybrid Weighted Fuzzy Time series Hidden Markov Model (WFTS-HMM) dengan Algoritma Evolusi Diferensial (DE) menjanjikan solusi dengan pendekatan terbaru. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi harga IHSG melalui optimasi model hybrid.. Penelitian menggunakan data IHSG tiap bulan dari Januari hingga Desember 2023 dari situs www.yahoo.finance.com. Prediksi yang dihasilkan dari Model Hybrid WFTS-HMM dioptimasi dengan Algoritma ED memiliki tingkat kesalahan prediksi yang lebih rendah (1.45%) dibandingkan dengan model tanpa DE (1.49%).   Abstract   Stock trading based on IHSG in Indonesia is a dynamic and complex area. Predicting IHSG price movements entails high stock market volatility. Utilizing the Hybrid WFTS-HMM Model with the DE Algorithm promises a cutting-edge approach. This research aims to enhance the prediction of IHSG price through hybrid model optimization and performance evaluation. The study employs IHSG monthly data from January to December 2023 from www.yahoo.finance.com. Forecasting from the Hybrid WFTS-HMM Model with the DE Algorithm has lower prediction error (1.45%) compared to the model without DE (1.49%).
ISSN:2355-7699
2528-6579
DOI:10.25126/jtiik.1148867