Model Meta Ensemble dan Deep Learning untuk Prediksi Emiten LQ45

Hendra Bunyamin, Oktavianti Oktavianti, Meyliana Meyliana

Abstract


LQ (Liquid) 45 merupakan indeks saham yang berisi 45 emiten yang dipilih berdasarkan pertimbangan likuiditas dan kapitalisasi pasar, dengan kriteria-kriteria sebagai berikut: telah tercatat di BEI minimal 3 bulan, aktivitas transaksi di pasar reguler yaitu nilai, volume, dan frekuensi transaksi, jumlah hari perdagangan di pasar reguler, kapitalisasi pasar pada periode waktu tertentu, dan keadaan keuangan dan prospek pertumbuhan perusahaan tersebut. Dengan mengetahui emiten-emiten yang akan masuk ke dalam indeks LQ 45, para investor akan sangat terbantu dalam merencanakan portofolio mereka di masa yang akan datang. Penelitian ini bertujuan membangun model prediksi bagi emiten-emiten yang akan masuk ke dalam LQ 45. Dataset terdiri dari ringkasan saham semua emiten dari 1 Februari 2015 sampai dengan Januari 2022 dan daftar emiten-emiten yang masuk ke dalam LQ 45 dari periode Agustus 2015-Januari 2016 sampai dengan Februari 2022-Juli 2022. Indeks LQ 45 sendiri diperbaharui setiap 6 bulan sekali; oleh karena itu, dalam penelitian ini model prediksi per 6 bulan dibentuk dan dilatih dengan 4-fold cross-validation. Model-model prediksi, yaitu HIVE-COTE 2.0, ROCKET, multi-layer perceptron, stacking recurrent neural networks, dan bi-directional recurrent neural networks memberikan hasil bahwa HIVE-COTE 2.0 HIVE-COTE 2.0 memberikan kinerja terbaik dalam precision, yaitu keunggulan sekitar 9% daripada model-model lainnya dalam memprediksi emiten-emiten jika kriteria yang dipertimbangkan adalah mengurangi false positive. Jika kriteria yang diutamakan adalah menjaga keseimbangan antara  mengurangi false positive dan false negative, maka model multi-layer perceptron dengan banyak neuron yang cukup besar (512) juga memberikan F1 score yang lebih tinggi 9% daripada model-model lain dalam memprediksi emiten-emiten yang akan masuk LQ 45.


Keywords


LQ45; Machine Learning; Deep Learning; HIVE-COTE 2.0; ROCKET; Recurrent Neural Networks

Full Text:

PDF

References


Otoritas Jasa Keuangan, “Emiten.” 2017.

Indonesia Stock Exchange, “Indeks Saham.” 2021.

C. Brooks, Introductory Econometrics for Finance 4th Edition. Cambridge University Press, 2019.

Indonesia Stock Exchange, “Apa yang dimaksud saham LQ 45 dan apa yang menjadi kriteria?” 2021.

Indonesia Stock Exchange, IDX Stock Index Handbook v1.2. Indonesia Stock Exchange, 2021.

Y. Yulianti, N. Wahdi, and S. Saifudin, “MODEL PREDIKSI ARUS KAS MASA DEPAN PADA EMITEN LQ45 YANG TERDAFTAR DI BURSA EFEK INDONESIA,” Jurnal Dinamika Sosial Budaya, vol. 17, no. 2, pp. 323–337, 2017.

R. Maulidia, A. W. Mahsuni, and A. Afifudin, “KEMAMPUAN INFORMASI LABA DAN ARUS KAS DALAM MEMPREDIKSI ARUS KAS MASA DEPAN (Studi Kasus Pada Perusahaan Di Bursa Efek Indonesia (BEI) Yang Terdaftar Dalam LQ-45 Periode 2014-2016),” Jurnal Ilmiah Riset Akuntansi, vol. 7, no. 09, 2018.

Y. Maharani, “Model Prediksi Arus Kas di Masa Depan (Studi Empiris pada Perusahaan Telekomunikasi yang Terdaftar di BEI),” Jurnal Ilmu Sosial, Manajemen, Akuntansi dan Bisnis, vol. 1, no. 1, pp. 1–13, 2020.

T. Hidayatulloh, “Kajian Komparasi Penerapan Algoritma Support Vector Machine (SVM) dan Multilayer Perceptron (MLP) Dalam Prediksi Indeks Saham Sektor Perbankan: Studi Kasus Saham LQ45 IDX Bank BCA,” SNIT 2014, vol. 1, no. 1, pp. 262–272, 2014.

A. O. Indarso and A. B. Pangaribuan, “Penggunaan Metode Multilayer Perceptron Pada Prediksi Indeks Saham LQ45,” Informatik: Jurnal Ilmu Komputer, vol. 17, no. 1, pp. 38–47, 2021.

A. B. Pangaribuan, A. Octa, and B. Hananto, “PENGGUNAAN METODE MULTILAYER PERCEPTRON PADA PREDIKSI INDEKS SAHAM LQ45,” METHODIKA: Jurnal Teknik Informatika dan Sistem Informasi, vol. 5, no. 1, pp. 24–29, 2019.

E. Patriya, “Implementasi Support Vector Machine Pada Prediksi Harga Saham Gabungan (IHSG),” Jurnal Ilmiah Teknologi dan Rekayasa, vol. 25, no. 1, pp. 24–38, 2020.

D. N. H. Hastuti and M. T. Jatipaningrum, “Perbandingan Metode Holt-Winter’s Exponential Smoothing dan Weighted Fuzzy Integrated Time Series untuk Memprediksi LQ45,” Jurnal Statistika Industri dan Komputasi, vol. 6, no. 2, pp. 102–112, 2021.

A. A. Kurniasi, M. A. Saptari, and others, “Aplikasi Peramalan Harga Saham Perusahaan Lq45 Dengan Menggunakan Metode Arima,” JURNAL SISTEM INFORMASI, vol. 5, no. 1, 2021.

T. Indayani and M. Y. Darsyah, “Pemilihan Model Peramalan Terbaik Menggunakan Model Arima dan Winters Untuk Meramalkan Indeks LQ45,” in Prosiding Seminar Nasional Mahasiswa Unimus, 2018, vol. 1.

R. Susanti and A. R. Adji, “ANALISIS PERAMALAN IHSG DENGAN TIME SERIES MODELING ARIMA,” Jurnal Manajemen Kewirausahaan, vol. 17, no. 1, pp. 97–106, 2020.

D. Priyadi and I. Mardhiyah, “MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DALAM PERAMALAN NILAI HARGA SAHAM PENUTUP INDEKS LQ45,” Jurnal Ilmiah Informatika Komputer, vol. 26, no. 1, pp. 78–94, 2021.

E. Eti, “PENDEKATAN METODE INDEKS TUNGGAL DALAM ANALISIS PEMBENTUKAN PORTOFOLIO OPTIMAL DARI SAHAM-SAHAM LQ45 PADA PERIODE WAKTU YANG BERBEDA,” Jurnal Akuntansi Bisnis, vol. 3, no. 1, 2017.

Z. Puspitaningtyas, “Prediksi pergerakan harga saham menggunakan analisis profitabilitas,” Performance: Jurnal Personalia, Financial, Operasional, Marketing dan Sistem Informasi, vol. 24, no. 2, pp. 29–35, 2017.

Y. Supriadi and M. Ariffin, “Pengaruh Kinerja Keuangan Terhadap Harga Saham,” Jurnal Ilmiah Manajemen Kesatuan, vol. 1, no. 1, pp. 53–68, 2013.

W. Wei and D. P. Reilly, Time Series Analysis: Univariate and Multivariate Methods. Pearson Education, 1989.

K. P. Murphy, Probabilistic Machine Learning: An introduction. MIT Press, 2022. [Online]. Available: probml.ai

M. Schuster and K. K. Paliwal, “Bidirectional recurrent neural networks,” IEEE Transactions on Signal Processing, vol. 45, no. 11, pp. 2673–2681, 1997, doi: 10.1109/78.650093.

F. Chollet, Deep Learning with Python Second Edition. Manning, 2021.

J. and F. M. and L. J. and B. A. and B. A. Middlehurst Matthew and Large, “HIVE-COTE 2.0: a new meta ensemble for time series classification,” Mach Learn, vol. 110, no. 11, pp. 3211–3243, Dec. 2021, doi: 10.1007/s10994-021-06057-9.

A. Bostrom Aaron and Bagnall, “Binary Shapelet Transform for Multiclass Time Series Classification,” in Big Data Analytics and Knowledge Discovery, 2015, pp. 257–269.

J. Brownlee, Deep Learning for Time Series Forecasting. Machine Learning Mastery, 2019.

S. Raschka, “Model evaluation, model selection, and algorithm selection in machine learning,” arXiv preprint arXiv:1811.12808, 2018.

S. Raschka and V. Mirjalili, Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd, 2019.

A. Dempster, F. Petitjean, and G. I. Webb, “ROCKET: exceptionally fast and accurate time series classification using random convolutional kernels,” Data Min Knowl Discov, vol. 34, no. 5, pp. 1454–1495, 2020.

L. Breiman, “Random forests,” Mach Learn, vol. 45, pp. 5–32, 2001.




DOI: http://dx.doi.org/10.26418/jp.v9i1.63351

Refbacks

  • There are currently no refbacks.