Penerapan SMOTE dan Random Forest dalam Klasifikasi Tren Harga Saham Harian: Studi Kasus Saham PT Telkom Indonesia Tbk (TLKM)
DOI:
https://doi.org/10.30812/corisindo.v1.5267Keywords:
Saham TLKM, Klasifikasi Tren Saham, SMOTE, Random Forest, Ketidakseimbangan DataAbstract
Salah satu masalah utama dalam sistem klasifikasi tren harga saham adalah ketidakseimbangan kelas dalam data historis saham. Studi ini melihat bagaimana menggunakan teknik over-sampling synthetic minority (SMOTE) dan algoritma Random Forest untuk mengklasifikasikan tren harga saham harian PT Telkom Indonesia Tbk (TLKM). Data diukur dengan lima metrik utama: volume, open, high, low, dan close. Semua ini diperoleh dari Kaggle. Hasil uji menunjukkan bahwa kombinasi SMOTE dan Random Forest mampu meningkatkan distribusi data dan memberikan kinerja klasifikasi yang cukup baik, dengan akurasi sebesar 51% dan skor macro F1-sebesar 0.51. Temuan ini menunjukkan bahwa, meskipun data berubah, model mengenali kedua arah tren dengan cukup andal. Penelitian ini membangun fondasi untuk sistem yang mendukung keputusan investasi berbasis data.
References
[1] A. Rahman, “Stock market prediction using economic indicators and sentiment analysis,” J. Financ. Anal., vol. 13, no. 2, pp. 101–110, 2021, doi: 10.1016/j.jfa.2021.02.003.
[2] K. J. Kim, “Financial time series forecasting using support vector machines,” Neurocomputing, vol. 55, no. 1–2, pp. 307–319, 2021.
[3] S. . et al. Dutta, “A comparative study of deep learning models for financial time series prediction,” IEEE Access, vol. 9, pp. 67820–67832, 2021.
[4] L. Susanti and H. Widodo, “Strategi investasi berbasis prediksi tren saham menggunakan SVM,” J. Sist. Cerdas, vol. 11, no. 1, pp. 25–34, 2022.
[5] D. Putra and B. Santoso, “Machine learning implementation for stock trend classification in IDX,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 4, pp. 301–309, 2022, doi: 10.14710/jtiik.9.4.301-309.
[6] T. . K. Fischer C., “Deep learning with long short-term memory networks for financial market predictions,” Eur. J. Oper. Res., vol. 270, no. 2, pp. 654–669, 2021.
[7] H. Nugraha, “Analisis Sentimen dan Prediksi Saham Berbasis Machine Learning,” J. Sains Komput., vol. 12, no. 2, 2023.
[8] D. . A. Puspitasari S., “Eksperimen Model Ensemble untuk Prediksi Saham BEI,” J. INFOKOM, vol. 15, no. 2, pp. 145–153, 2023.
[9] R. . S. Rakhman A., “Pengaruh Teknik SMOTE terhadap Akurasi Data Tidak Seimbang pada Prediksi Kredit,” J. Teknol. dan Sains Inf., vol. 11, no. 1, 2024.
[10] S. Setiyanto et al., Multimedia dan Sains, vol. 1. 2023. [Online]. Available: www.freepik.com
[11] Kaggle, “TLKM Daily Stock Price Dataset,” 2023. [Online]. Available: https://kaggle.com
[12] A. Nugroho and S. Dewi, “Improving financial data classification using SMOTE,” J. Data Min. dan Sains Inf., vol. 5, no. 1, pp. 45–53, 2024.
[13] W. Zhang and C. Aggarwal, “Deep learning models for stock movement forecasting,” IEEE Trans. Neural Networks Learn. Syst., vol. 33, no. 5, pp. 1823–1834, 2022, doi: 10.1109/TNNLS.2022.3140911.
[14] Y. Chen, J. Li, and H. Wang, “Stock price prediction using hybrid regression models,” Expert Syst. Appl., vol. 165, p. 113844, 2021, doi: 10.1016/j.eswa.2020.113844.
[15] R. Prasetyo and M. Arifin, “Classification of stock trends using Random Forest: A case in IDX,” J. Teknol. dan Sist. Komput., vol. 11, no. 3, pp. 215–222, 2023, doi: 10.14710/jtsiskom.11.3.215-222.
[16] L. Breiman, “Random forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.
[17] N. V. . B. Chawla K. W.; Hall, L. O.; Kegelmeyer, W. P., “SMOTE: Synthetic Minority Over-sampling Technique,” J. Artif. Intell. Res., vol. 16, pp. 321–357, 2022.
[18] S. M. . L. Lundberg S., “A unified approach to interpreting model predictions,” Adv. Neural Inf. Process. Syst., vol. 30, 2022.
[19] N. V Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic Minority Over-sampling Technique,” J. Artif. Intell. Res., vol. 16, pp. 321–357, 2022.
