Prediksi Harga Saham PT.Telekomunikasi Indonesia Menggunakan Metode Transformasi Wavelet Diskrit Daubechies

Abstract View: 148, SIMILARITY INDEX Download: 0 PDF Download: 125

Authors

  • Isna Alima Universitas Mulawarman
  • Ika Purnamasari Universitas Mulawarman
  • Syaripuddin Syaripuddin Universitas Mulawarman https://orcid.org/0000-0003-0847-2152

DOI:

https://doi.org/10.32665/statkom.v3i1.2981

Keywords:

Saham, MAPE, Peramalan, Wavelet, Thresholding

Abstract

Latar Belakang: Wavelet Daubechies merupakan penyempurnaan dari wavelet Haar yang mempunyai keunggulan dibandingkan wavelet lainnya, sehingga wavelet Daubechies jenis ini sering digunakan untuk transformasi wavelet diskrit (TWD). TWD akan menghasilkan sejumlah koefisien yang diproses dalam estimasi ambang batas untuk menghilangkan noise pada data. Pada proses estimasi ambang batas, terdapat jenis fungsi ambang batas dan parameter yang mempengaruhi kelancaran hasil estimasi.

Tujuan: Memperoleh nilai prediksi harga saham PT Telekomunikasi Indonesia pada tanggal 21 September 2020 sampai dengan 27 Februari 2023 dan mengetahui level terbaiknya.

Metode: Transformasi Wavelet Diskrit Daubechies fungsi hard thresholding pemilihan parameter minimax.

Hasil: Nilai prediksi data saham PT.Telekomunikasi Indonesia sangat akurat, mengikuti pola data sebenarnya dengan nilai mean absolute percentage error (MAPE) kurang dari 2% untuk setiap level (1 – 6).

Kesimpulan: Level pertama merupakan level terbaik untuk melakukan prediksi harga saham PT Telekomunikasi Indonesia menggunakan metode Wavelet Daubechies dengan MAPE terkecil sebesar 0,008013.

 

References

Aswi, & Sukarna. (2006). Analisis Deret Waktu Analisis Deret Waktu. January, 303.

Cazelles, B., Chavez, M., Berteaux, D., Ménard, F., Vik, J. O., Jenouvrier, S., & Stenseth, N. C. (2008). Wavelet analysis of ecological time series. In Oecologia (Vol. 156, Issue 2). https://doi.org/10.1007/s00442-008-0993-2

Donoho, D. L., & Johnstone, I. M. (1994). Ideal Denoising in an orthonormal basis chosen from a library of bases. Comptes Rendus Acad. Sci., Ser. I, 319, 1317–1322.

Kusumaningrum, D. A., Suparti, & Maruddani, D. A. I. (2017). Analisis Data Runtun Waktu Menggunakan Metode Wavelet Thresholding Dengan Maximal Overlap Discrete Transform. Jurnal Gaussian, 6(1), 151–159.

Lestari, V. N., & Subanar. (2015). Transformasi Wavelet Diskret Untuk Data Time Series. Seminar Nasional Matematika Dan Pendidikan Matematika Uny 2015, 163–170.

Mahayana, I. B. B., Mulyadi, I., & Soraya, S. (2022). Peramalan Penjualan Helm dengan Metode ARIMA (Studi Kasus Bagus Store). Inferensi, 5(1). https://doi.org/10.12962/j27213862.v5i1.12469

Nabillah, I., & Ranggadara, I. (2020). Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut. JOINS (Journal of Information System), 5(2), 250–255. https://doi.org/10.33633/joins.v5i2.3900

Nugroho, K. (2016). Model Analisis Prediksi Menggunakan Metode Fuzzy Time Series. Infokam, 12(1).

Ogden, R. T., & Vidakovic, B. (2000). Statistical Modeling by Wavelets. Journal of the American Statistical Association, 95(451), 1007. https://doi.org/10.2307/2669487

Ogden, T. (2002). Wavelet Methods for Time Series Analysis. Journal of the American Statistical Association, 97(457), 362–363. https://doi.org/10.1198/jasa.2002.s460

Percival, D. B., Wang, M., & Overland, J. E. (2004). An introduction to wavelet analysis with applications to vegetation time series. Community Ecology, 5(1), 19–30. https://doi.org/10.1556/ComEc.5.2004.1.3

Rahman, A., Abdullah, A. G., & Hakim, D. L. (2012). Prakiraan Beban Puncak Jangka Panjang Pada Sistem Kelistrikan Indonesia Menggunakan Algoritma Adaptive Neuro-Fuzzy Inference System. Electrans, 11(2), 18–26.

Saleh, S., & Tabe, R. (2018). Analysis Of Stock Price At Pt. Telkom Indonesia Tbk Before And After Having Damage On Its Satelit. Tasharruf: Journal Economics and Business of Islam, 3(1), 13–26. https://doi.org/10.30984/tjebi.v3i1.653

Sang, Y. F. (2013). A review on the applications of wavelet transform in hydrology time series analysis. In Atmospheric Research (Vol. 122). https://doi.org/10.1016/j.atmosres.2012.11.003

Suprayogi, M. A. (2022). Model Double Exponential Smoothing Dalam Peramalan Penerimaan Pajak Pemerintah Pusat Indonesia. Jurnal Statistika Dan Komputasi, 1(2), 83–92. https://doi.org/10.32665/statkom.v1i2.1233

Vulandari, R. T., & Parwitasari, T. A. (2018). Perbandingan Model AR(1), ARMA (1,1), dan ARIMA (1,1,1) pada Prediksi Tinggi Muka Air Sungai Bengawan Solo pada Pos Pemantauan Jurug. MUST: Journal of Mathematics Education, Science and Technology, 3(1). https://doi.org/10.30651/must.v3i1.1620

Zhang, B. L., & Dong, Z. Y. (2001). An adaptive neural-wavelet model for short term load forecasting. Electric Power Systems Research, 59(2), 121–129. https://doi.org/10.1016/S0378-7796(01)00138-9

Downloads

Additional Files

Published

2024-06-30

How to Cite

Alima, I., Purnamasari, I., & Syaripuddin, S. (2024). Prediksi Harga Saham PT.Telekomunikasi Indonesia Menggunakan Metode Transformasi Wavelet Diskrit Daubechies. Jurnal Statistika Dan Komputasi, 3(1), 42–50. https://doi.org/10.32665/statkom.v3i1.2981
Abstract View: 148, SIMILARITY INDEX Download: 0 PDF Download: 125