Peramalan Harga Saham Dengan Support Vector Reggression

Harga saham memegang peran vital dalam perekonomian suatu negara, namun sifatnya yang tidak pasti, non-linear, dan kompleks membawa risiko signifikan bagi investor. Penelitian ini bertujuan untuk membangun model prediksi harga saham yang akurat menggunakan Support Vector Regression (SVR), dengan fokus pada saham GGRM dan ICBP, untuk membantu investor dalam pengambilan keputusan. SVR dipilih karena kemampuannya menangani masalah estimasi non-linear. Untuk meningkatkan performa, diterapkan pendekatan Feature engineering dan optimasi hyperparameter menggunakan Grid search. Dataset yang digunakan adalah data historis harian dari saham GGRM dan ICBP, dengan variabel harga pembukaan, tertinggi, terendah, dan volume perdagangan sebagai fitur untuk memprediksi harga penutupan. Hasil penelitian menunjukkan bahwa pendekatan SVR dengan Feature engineering meningkatkan hasil akurasi pada model. Pada dataset GGRM, model SVR dengan kombinasi hyperparameter terbaik (kernel RBF, C=1000, gamma=0.1, dan epsilon=0.1) berhasil mencapai performa tinggi dengan MAPE sebesar 1.28%, RMSE sebesar 354.34, dan skor R² sebesar 0.99. Sementara itu, pada dataset ICBP, model menghasilkan MAPE sebesar 0.96%, RMSE sebesar 146.99, dan R² sebesar 0.9678, dengan kombinasi parameter terbaik (kernel RBF, C=500, gamma=0.1, dan epsilon=0.1). Dengan hasil tersebut, dapat disimpulkan bahwa penerapan feature engineering dan optimasi hyperparameter secara signifikan meningkatkan akurasi model. Model SVR yang dihasilkan tidak hanya akurat, tetapi juga dapat menjadi alat bantu bagi investor dalam memitigasi risiko dan mengambil keputusan berdasarkan hasil prediksi harga saham.