Indonesian Journal on Computing (Indo-JC)最新文献

筛选

英文中文

Model GARCH dengan Pendekatan Conditional Maximum Likelihood untuk Prediksi Harga Saham

Indonesian Journal on Computing (Indo-JC) Pub Date : 2018-09-17 DOI: 10.21108/INDOJC.2018.3.2.223

Cipta Rahmadayanti, H. Rabbani, A. A. Rohmawati

{"title":"Model GARCH dengan Pendekatan Conditional Maximum Likelihood untuk Prediksi Harga Saham","authors":"Cipta Rahmadayanti, H. Rabbani, A. A. Rohmawati","doi":"10.21108/INDOJC.2018.3.2.223","DOIUrl":"https://doi.org/10.21108/INDOJC.2018.3.2.223","url":null,"abstract":"Jual beli saham merupakan salah satu bentuk investasi yang menjanjikan para investor, investasi berkaitan dengan return atau keuntungan yang didapatkan oleh suatu investor atas suatu investasi yang dilakukan terhadap saham tertentu. Untuk mendapatkan nilai return pada beberapa periode kedepan dapat dilakukan prediksi, pada dasarnya prediksi dapat dilakukan dengan menggunakan beberapa metode, namun dengan menggunakan model time series diharapkan menghasilkan prediksi yang baik karna karakteristik dari data saham merupakan data time series yang bergerak kontinu terhadap waktu. Pada penelitian ini digunakan model time series Autoregressive (AR) dengan pendekatan Conditional Maximum Likelihood untuk memprediksi nilai return serta dapat melihat pergerakan harga saham. Nilai parameter yang penting pada model Autoregressive orde 1 adalah . Hasil penaksiran parameter dengan Conditional Maximum Likelihood digunakan untuk memperoleh nilai hasil prediksi. Berdasarkan hasil analisis, model Autoregressive dengan pendekatan Conditional Maximum Likelihood adalah model yang baik untuk memprediksi return dan harga saham NASDAQ dengan RMSE sebesar 0,0002578. Berdasarkan hasil prediksi model AR(1), maka para investor dapat membuat strategi untuk berinvestasi pada indek saham NASDAQ agar dapat menghasilkan keuntungan.","PeriodicalId":289437,"journal":{"name":"Indonesian Journal on Computing (Indo-JC)","volume":"10 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2018-09-17","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"130047401","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 3

Kategorisasi Berita Menggunakan Metode Pembobotan TF.ABS dan TF.CHI 用TF渗透方法对新闻进行分类。ABS和TF。气

Indonesian Journal on Computing (Indo-JC) Pub Date : 2018-09-17 DOI: 10.21108/INDOJC.2018.3.2.236

M. Kurniawan, Yulian Sibaroni, Kemas Muslim

{"title":"Kategorisasi Berita Menggunakan Metode Pembobotan TF.ABS dan TF.CHI","authors":"M. Kurniawan, Yulian Sibaroni, Kemas Muslim","doi":"10.21108/INDOJC.2018.3.2.236","DOIUrl":"https://doi.org/10.21108/INDOJC.2018.3.2.236","url":null,"abstract":"Dengan kemajuan teknologi saat ini, berita dapat ditemukan dengan mudah dan berjumlah sangat banyak dalam bentuk digital yang menyebabkan diperlukannya suatu teknik untuk mengkategorikan berita-berita tersebut ke dalam topik tertentu agar mempermudah pembaca menemukan berita sesuai dengan topik yang diinginkan. Kategorisasi teks merupakan suatu teknik yang dapat mengkategorikan berita ke dalam topik yang telah ditentukan secara otomatis. Salah satu proses yang penting dalam kategorisasi adalah ekstraksi fitur yang mana unigram binary merupakan salah satu ekstraksi fitur yang dasar dibandingkan dengan term weighting yang dalam penelitian ini akan menggunakan metode pembobotan TF.ABS dan TF.CHI untuk memperoleh hasil kategorisasi berita yang optimal. Berdasarkan hasil pengujian, rata-rata akurasi yang didapatkan dari tiga sumber data pada ekstraksi fitur unigram binary sebesar 90.44%. Sedangkan pada metode pembobotan TF.ABS sebesar 95.74% dan TF.CHI sebesar 95.87%. Berdasarkan hasil akurasi tersebut, dapat disimpulkan bahwa term weighting lebih baik dibandingkan dengan unigram binary. Metode pembobotan TF.ABS dan TF.CHI sama-sama baik dalam kategorisasi karena tidak berbeda secara signifikan dalam performansinya. Pada hasil pengujian lainnya menunjukkan bahwa proses stemming tidak memberikan banyak pengaruh terhadap akurasi kategorisasi berita, namun proses ini dapat mengefisiensikan waktu hingga 45%.","PeriodicalId":289437,"journal":{"name":"Indonesian Journal on Computing (Indo-JC)","volume":"42 15","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2018-09-17","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"132972688","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}

引用次数: 3

Simulasi Berbagai Situasi Traffic Flow dengan Metode Cell Transmission Model 用细胞传递模型模拟各种流量流动情况

Indonesian Journal on Computing (Indo-JC) Pub Date : 2018-09-17 DOI: 10.21108/INDOJC.2018.3.2.230

Agung Ferdiana, P. H. Gunawan

引用次数: 1

首页上一页