Prediksi Harga Saham Apple.INC (AAPL) Menggunakan ARIMA Dan Fourier Transform

Prediksi Harga Saham Apple.INC (AAPL) Menggunakan ARIMA Dan Fourier Transform

• By Al Ghifary, Mohammad;
• Jurnal
• 6

Penelitian ini bertujuan untuk mengimplementasikan metode machine learning menggunakan algoritma ARIMA (AutoRegressive Integrated Moving Average) dan Fourier Transformation dalam memprediksi harga saham Apple Inc. (AAPL). Penelitian ini diperlukan untuk mengetahui prediksi harga saham yang akurat dan diharapkan membantu investor dalam mempertimbangkan keputusan investasi yang lebih baik. Data saham AAPL diambil dari Yahoo Finance dengan rentang tahun 2014-2024. Proses penelitian melibatkan pengumpulan data, normalisasi, dan pembagian data menjadi set latih dan tes dengan rasio 90:10. Model ARIMA digunakan untuk menganalisis data historis dan memprediksi harga saham di masa depan, sementara Fourier Transformation digunakan untuk menganalisis frekuensi komponen dari sinyal saham. Hasil penelitian menunjukkan bahwa, Mean Squared Error (MSE) 31.864644159895434, Mean Absolute Error (MAE): 3.650669781810259, R2 Score: 0.8955945873220423, Explained Variance Score: 0.9150461685583363, Mean Absolute Percentage Error (MAPE): 10.99014332045678, Mean Percentage Error (MPE): 0.29281016934991744. Hasil penelitian menunjukkan bahwa metode ARIMA dan Fourier Transformation dapat memberikan kontribusi signifikan dalam analisis dan prediksi harga saham. Model ARIMA menunjukkan performa yang baik dengan akurasi tinggi dalam memprediksi harga saham AAPL. Fourier Transformation juga terbukti efektif dalam menganalisis pola data saham, yang selanjutnya meningkatkan ketahanan model prediksi. Penelitian ini memberikan wawasan penting bagi para investor untuk memahami dinamika harga saham dan membuat keputusan investasi yang lebih baik.

• Katakunci Saham APPL, Forecasting Menggunakan ARIMA dan Fourier Transform.
• URL https://repository.bsi.ac.id/repo/files/419238/download/Jurnal-Al-ghifary.pdf
• Penerbit JATISI (JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI),

REFERENSI

[1]      S. Hermuningsih, “FAKTOR-FAKTOR YANG MEMPENGARUHI,” no. September, pp. 78–89, 2021.

[2]      Marinda Aldehead, “Saham Apple Melonjak ke Rekor Tertinggi Setelah Gelaran WWDC,” Internasional.kontan.co.id, Jakarta, 2024.

[3]      G. Mokosolang, Y. A. R. Langi, M. L. Mananohas, K. Kunci, and S. K. Farma, “Prediksi Harga Saham Kimia Farma dan Saham Netflix di Era New Normal Menggunakan Model Autoregressive Integrated Moving Average,” 2023. [Online]. Available: https://ejournal.unsrat.ac.id/index.php/decartesian

[4]      L. Liao, Z. Hu, C. Y. Hsu, and J. Su, “Fourier Graph Convolution Network for Time Series Prediction,” Mathematics, vol. 11, no. 7, 2023, doi: 10.3390/math11071649.

[5]      G. Sonkavde, D. S. Dharrao, A. M. Bongale, S. T. Deokate, D. Doreswamy, and S. K. Bhat, “Forecasting Stock Market Prices Using Machine Learning and Deep Learning Models: A Systematic Review, Performance Analysis and Discussion of Implications,” Int. J. Financ. Stud., vol. 11, no. 3, 2023, doi: 10.3390/ijfs11030094.

[6]      W. K. Nasirin, “Forecasting Market Share Perbankan Syariah di Indonesia,” pp. 1–161, 2020.

[7]      R. Susanti and A. R. Adji, “Analisis Peramalan Ihsg Dengan Time Series Modeling Arima,” J. Manaj. Kewirausahaan, vol. 17, no. 1, p. 97, 2020, doi: 10.33370/jmk.v17i1.393.

[8]      S. S. Wulandari, Sufri, and S. Yurinanda, “Penerapan Metode ARIMA Dalam Memprediksi Fluktuasi Harga Saham PT Bank Central Asia Tbk,” BUANA Mat. J. Ilm. Mat. dan Pendidik. Mat., vol. 11, no. 1, pp. 53–68, 2021.

[9]      S. Prabhakaran, “ARIMA Model – Complete Guide to Time Series Forecasting in Python,” Jakarta, 2023.

[10]    R. Azwarini, “10 Jenis Analisis Deret Waktu beserta Penerapannya,” Jakarta, 2023. [Online]. Available: https://exsight.id/blog/2023/10/23/10-jenis-analisis-deret-waktu/