Perbandingan kinerja H2O deep learning untuk prediksi harga penutupan saham telekomunikasi di Asia Tenggara menggunakan data OHLC dan indikator teknikal

Matthew, Bryan (2026) Perbandingan kinerja H2O deep learning untuk prediksi harga penutupan saham telekomunikasi di Asia Tenggara menggunakan data OHLC dan indikator teknikal. Undergraduate thesis, Widya Mandala Surabaya Catholic University.

	Text (ABSTRAK) Bryan ABSTRAK Matthew rev.pdf Download (4MB)
	Text (BAB 1) BAB 1 Bryan Matthew.pdf Download (2MB)
	Text (BAB 2) BAB 2 Bryan Matthew.pdf Restricted to Registered users only Download (16MB) | Request a copy
	Text (BAB 3) BAB 3 Bryan Matthew.pdf Restricted to Registered users only Download (4MB) | Request a copy
	Text (BAB 4) BAB 4 Bryan Matthew.pdf Restricted to Registered users only Download (7MB) | Request a copy
	Text (BAB 5) BAB 5 Bryan Matthew.pdf Restricted to Registered users only Download (14MB) | Request a copy
	Text (BAB 6) BAB 6 Bryan Matthew.pdf Download (4MB)
	Text (LAMPIRAN) LAMPIRAN Bryan Matthew.pdf Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja model H2O Deep Learning dalam memprediksi harga penutupan saham telekomunikasi di Asia Tenggara menggunakan data OHLC dan indikator teknikal. Objek penelitian terdiri atas empat saham telekomunikasi utama, yaitu TLKM dari Indonesia, AXIATA dari Malaysia, ADVANC dari Thailand, dan TEL/PLDT dari Filipina. Data historis saham harian periode 2015 hingga 2025 digunakan dan dibagi secara kronologis menjadi 80% data pelatihan dan 20% data pengujian. Penelitian ini mengevaluasi enam skenario fitur, yaitu Skenario OHLC, OHLC + RSI, OHLC + MACD, OHLC + Bollinger Bands, OHLC + Entropy Divergence, dan OHLC + Prometheus Topological Persistent Entropy. ARIMA digunakan sebagai model baseline, sedangkan H2O Deep Learning digunakan sebagai model utama. Kinerja model dievaluasi menggunakan RMSE sebagai metrik utama, serta Normalized Absolute Error, Root Relative Squared Error, dan Squared Error sebagai metrik pendukung. Setiap skenario H2O Deep Learning dijalankan sebanyak lima kali, kemudian nilai RMSE dirata-ratakan untuk menentukan skenario terbaik pada setiap saham. Hasil penelitian menunjukkan bahwa skenario fitur terbaik berbeda pada setiap saham. TLKM mencapai kinerja terbaik menggunakan OHLC + RSI, AXIATA menggunakan OHLC + Bollinger Bands, ADVANC menggunakan OHLC + RSI, dan TEL/PLDT menggunakan OHLC + MACD. Berdasarkan perbandingan RMSE, H2O Deep Learning mengungguli ARIMA pada tiga dari empat saham, yaitu TLKM, ADVANC, dan TEL/PLDT. Sementara itu, pada saham AXIATA, ARIMA menghasilkan RMSE yang lebih rendah dibandingkan H2O Deep Learning. Secara keseluruhan, hasil penelitian menunjukkan bahwa indikator teknikal tidak selalu meningkatkan kinerja prediksi secara seragam. Kontribusi fitur bersifat spesifik pada setiap saham, sehingga evaluasi skenario fitur diperlukan sebelum indikator teknikal digunakan dalam model prediksi harga saham.

Item Type:	Thesis (Undergraduate)
Department:	S1 - Teknik Industri
Contributors:	Contribution Contributors NIDN / NIDK Email Thesis advisor Karijadi, Irene NIDN0717019205 irenekarijadi@ukwms.ac.id Thesis advisor Trihastuti, Dian NIDN0007018201 d.trihastuti@ukwms.ac.id
Uncontrolled Keywords:	H2O Deep Learning, data OHLC, prediksi harga saham, indikator teknikal, saham telekomunikasi
Subjects:	Engineering > Industrial Engineering
Divisions:	Faculty of Engineering > Industrial Engineering Study Program
Depositing User:	Bryan Matthew
Date Deposited:	21 Jul 2026 02:59
Last Modified:	22 Jul 2026 06:24
URI:	https://repositori.ukwms.ac.id/id/eprint/47407

Actions (login required)

View Item