ANALISIS PREDIKSI SAHAM BBCA : PERBANDINGAN ANTARA ALGORITMA EXPONENTIAL SMOOTHING DAN FB PROPHET MELALUI PERANTARA K-MEANS

METI, DESPASARI (2026) ANALISIS PREDIKSI SAHAM BBCA : PERBANDINGAN ANTARA ALGORITMA EXPONENTIAL SMOOTHING DAN FB PROPHET MELALUI PERANTARA K-MEANS. Diploma thesis, UIN RADEN INTAN LAMPUNG.

	PDF Restricted to Repository staff only Download (3MB)
	PDF Restricted to Repository staff only Download (5MB)

Abstract

ABSTRAK Pergerakan harga saham BBCA yang sangat fluktuatif dan pola datanya yang berubah-ubah sering kali membuat hasil prediksi menjadi kurang akurat. Masalah ini menjadi tantangan besar dalam peramalan jangka panjang karena karakteristik data yang tidak seragam cenderung menurunkan performa model prediksi jika diolah secara langsung. Penelitian ini bertujuan untuk membandingkan tingkat akurasi antara algoritma Exponential Smoothing dan FB-Prophet dengan bantuan K Means Clustering sebagai perantara untuk menangani perbedaan fase harga. Analisis dilakukan dengan melakukan pre-processing data bulanan periode 2014-2025, pengelompokan pola pergerakan harga menggunakan K-Means, dan pembagian data secara kronologis. Hasil evaluasi menunjukkan bahwa penggunaan K-Means untuk membagi data ke dalam tiga fase harga (rendah, sedang, dan tinggi) berhasil membantu model dalam mengenali karakteristik data secara lebih spesifik. Algoritma Exponential Smoothing terbukti memiliki tingkat ketepatan yang lebih tinggi dalam memprediksi harga saham dengan nilai rata-rata kesalahan (MAPE) sebesar 13,39%, lebih unggul dibandingkan FB Prophet yang menghasilkan nilai kesalahan sebesar 20,34%. Penelitian ini memberikan informasi bahwa pengelompokan data di awal terbukti efektif dalam menekan tingkat kesalahan prediksi pada data yang dinamis. Hasil proyeksi ini dapat dimanfaatkan oleh investor sebagai indikator pendukung dalam mengambil keputusan investasi jangka panjang pada saham BBCA. Kata kunci: Harga Saham BBCA, Exponential Smoothing, FB-Prophet, K-Means Clustering, Time Series. ABSTRACT The highly volatile movements and changing patterns of BBCA's stock price often make prediction results inaccurate. This issue poses a significant challenge in long-term forecasting because non-uniform data characteristics tend to decrease prediction model performance if processed directly. This research aims to compare the accuracy levels of the Exponential Smoothing and FB-Prophet algorithms by utilizing K Means Clustering as an intermediary to handle different price phases. The analysis was conducted by performing monthly data pre-processing for the 2014-2025 period, grouping price movement patterns using K Means, and splitting the data chronologically. Evaluation results show that using K-Means to divide the data into three price phases (low, medium, and high) successfully assisted the models in recognizing specific data characteristics. The Exponential Smoothing algorithm proved to have a higher accuracy in predicting stock prices with an average error (MAPE) of 13.39%, outperforming FB-Prophet, which produced an error value of 20.34%. This research provides information that initial data grouping is effective in reducing prediction error rates in dynamic data. These projection results can be utilized by investors as a supporting indicator for making long-term investment decisions on BBCA stock. Keywords: BBCA Stock Price, Exponential Smoothing, FB-Prophet, K Means Clustering, Time Series.

Actions (login required)

View Item