English

Abstrak

Penelitian ini membahas tentang optimasi parameter Support Vector Regression (SVR) untuk memprediksi harga saham menggunakan algoritma Particle Swarm Optimization (PSO) dan algoritma Weight Attribute Particle Swarm Optimization (WAPSO) untuk meningkatkan akurasi SVR dan untuk mengetahui pengaruh atribut bobot inersia dalam optimasi. WAPSO merupakan algoritma Particle Swarm Optimization dengan penambahan atribut bobot inersia. Implementasi algoritma SVR, SVR-PSO dan SVR-WAPSO dilakukan pada tiga data saham LQ45 yaitu TLKM, BBRI dan ADRO. Hasil akurasi implementasi algoritma SVR adalah 79.02493% (TLKM), 67.83047% (BBRI), 88.94952% (ADRO), algoritma SVR-PSO 98.64916% (TLKM), 98.32181% (BBRI), 97.90267 % (ADRO) dan algoritma SVR-WAPSO adalah 98.64921% (TLKM), 98.32496% (BBRI), 97.89889% (ADRO). Berdasarkan uji statistik pada 3 data disimpulkan bahwa atribut bobot berpengaruh dalam meningkatkan nilai mean fitness sehingga WAPSO memiliki nilai mean fitness yang lebih baik. Selisih kenaikan nilai mean fitness pada WAPSO dan PSO pada data TLKM sebesar 0.1230, data BBRI sebesar 0.2202, dan ADRO 0.0597.