Research

SELEKSI FITUR MENGGUNAKAN FITUR PENTING BERBASIS IMPURITY PADA RECURSIVE FEATURE ELIMINATION UNTUK PREDIKSI HARGA SAHAM

Investor saham melakukan peramalan harga saham berdasarkan teknikal indikator dan histori harga saham. Jumlah teknikal indikator dan data histori yang tidak sedikit membuat machine learning mengalami overfitting dan ambiguitas dalam melakukan peramalan. Penelitian ini mengusulkan seleksi fitur menggunakan fitur penting berbasis impurity pada recursive feature elimination untuk peramalan harga saham. Data digunakan adalah data histori dan data various moving average. Seleksi fitur digunakan untuk mengurangi jumlah fitur dan mendapatkan fitur yang penting dan relevan. Metode seleksi fitur yang digunakan adalah recursive feature elimination dengan fitur penting berbasis impurity. Metode machine learning yang digunakan linear regression, support vector regression, multi-layer perceptron regression, dan random forest regression. Hasil pengukuran mse, rmse, mae, dan mape fitur optimal paling baik didapatkan dengan jumlah 6 fitur dan machine learning linear regression. Hasil rata-rata mse, rmse, mae, dan mape yaitu 0.000279, 0.016577, 0.012843, dan 1.42236%. Hal ini membuktikan fitur penting berbasis impurity untuk seleksi fitur pada recursive feature elimination dengan menggunakan data histori dan various moving average berhasil melakukan peramalan.