Pemodelan Sistem Rekomendasi Beli Dan Jual Saham Menggunakan Metode Random Forest

Saham adalah instrumen keuangan yang mewakili kepemilikan seseorang dalam suatu perusahaan. Dalam pasar saham, perusahaan menjual saham kepada investor yang kemudian memperoleh bagian dari keuntungan dan hak suara dalam perusahaan tersebut. Saham merupakan salah satu bentuk investasi yang populer, di mana investor dapat membeli dan menjual saham di pasar saham untuk menghasilkan keuntungan. Pergerakan harga pasar saham merupakan topik yang menarik untuk diteliti karena memiliki potensi untuk menghasilkan keuntungan yang tinggi. Walaupun dapat menghasilkan keuntungan yang tinggi, kegiatan transaksi saham juga memiliki risiko yang tinggi. Pola pergerakan harga saham memiliki keunikan yang membuatnya sulit untuk diprediksi. Hal ini membuat para investor harus mencari cara terbaik untuk dapat memprediksi kapan waktu yang tepat untuk melakukan beli atau jual saham sehingga dapat menghasilkan keuntungan. Pada Tugas Akhir ini, penulis mengusulkan sebuah model untuk melakukan prediksi beli dan jual terhadap data transaksi saham menggunakan metode Random Forest. Pada beberapa penelitian terdahulu, metode Random Forest memiliki performa yang baik dalam prediksi saham. Metode ini memanfaatkan teknik ensemble learning dengan menggabungkan prediksi dari beberapa pohon keputusan independen, sehingga memperoleh hasil prediksi yang lebih andal dan akurat. Adapun data yang digunakan dalam pembuatan model adalah data transaksi saham dari 10 emiten pada November 2016 sampai dengan November 2021 yang sudah diberi label beli dan jual menggunakan 5 macam periode, yaitu 10, 20, 30, 60, dan 80 hari. Model yang sudah dibuat dibandingkan dengan metode Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Long Short-Term Memory (LSTM). Terdapat 2 metode yang digunakan untuk melakukan evaluasi dari model yang dibuat. Metode pertama adalah membandingkan nilai recall, precision, F1-score, dan accuracy. Berdasarkan hasil uji coba metode pertama menunjukkan bahwa model Random Forest memiliki performa yang mengungguli model lainnya pada hampir di setiap periode yang digunakan. Metode kedua adalah melakukan uji coba simulasi beli dan jual saham menggunakan label prediksi yang dihasilkan setiap model. Berdasarkan uji coba metode kedua menunjukkan bahwa keuntungan tertinggi diperoleh menggunakan skenario simulasi no limit. ================================================================================================================================= Shares are financial instruments that represent a person's ownership in a company. In the stock market, companies sell shares to investors who then receive a share of the profits and voting rights in the company. Stocks are a popular form of investment, where investors can buy and sell shares on the stock market to make a profit. Stock market price movements are an interesting topic to study because they have the potential to generate high profits. Even though it can generate high profits, stock transaction activities also carry high risks. The pattern of stock price movements has a uniqueness that makes it difficult to predict. This makes investors have to find the best way to be able to predict when the right time is to buy or sell stocks so they can make a profit. In this final project, the authors propose a model to predict buying and selling of stock transaction data using the Random Forest method. In several previous studies, the Random Forest method has performed well in predicting stocks. This method utilizes ensemble learning techniques by combining predictions from several independent decision trees, so as to obtain more reliable and accurate prediction results. The data used in making the model is stock transaction data from 10 issuers from November 2016 to November 2021 which have been labeled buy and sell using 5 different periods, namely 10, 20, 30, 60 and 80 days. The models that have been made are compared with the Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Long Short-Term Memory (LSTM) methods. There are 2 methods used to evaluate the model created. The first method is to compare the values of recall, precision, F1-score, and accuracy. Based on the trial results of the first method, it shows that the Random Forest model has a performance that outperforms the other models in almost every period used. The second method is to conduct a simulation test of buying and selling stocks using the predictive labels generated by each model. Based on the trials of the second method, it shows that the highest profit is obtained using a no-limit simulation scenario