Perancangan Model Analisis Teknikal Sistem Prediksi Saham Menggunakan Algoritma Grammatical Evolution

Abstract

Saham merupakan instrumen investasi yang populer namun memiliki risiko tinggi, di mana investor dapat mengalami kerugian ketika saham dibeli pada harga tinggi dan dijual pada harga lebih rendah. Analisis teknikal digunakan untuk mempelajari perilaku harga saham di masa lalu guna memprediksi harga di masa depan. Dalam penelitian ini, Grammatical Evolution (GE) diterapkan sebagai teknik komputasi evolusioner untuk menemukan fungsi atau program optimal yang merepresentasikan data historis harga saham. Penelitian ini mengembangkan model prediksi berbasis GE dengan memanfaatkan fungsi objektif dan ruang pencarian yang didefinisikan melalui tata bahasa. Model ini mengintegrasikan indikator teknikal berdasarkan model statistik kompleks seperti ARIMA, Prophet, Exponential Smoothing, dan Fibonacci Retracements. Selain itu, penelitian ini menggunakan GE untuk menghasilkan bobot ensemble secara acak namun proporsional, sehingga setiap model berkontribusi secara adil terhadap formula prediksi akhir. Aturan tata bahasa disesuaikan untuk mengeksplorasi dampak berbagai formula terhadap hasil prediksi. Hasil penelitian menunjukkan bahwa model yang dihasilkan dari kombinasi pendekatan ini mencapai akurasi yang lebih tinggi dibandingkan dengan penelitian sebelumnya, dengan skor R² sebesar 0,7838, RMSE sebesar 171,7123 dan MAPE sebesar 0,0281%. Meskipun GE membutuhkan waktu komputasi yang lebih lama, penelitian ini membuktikan bahwa penggabungan model ARIMA, Prophet, dan Exponential Smoothing dengan GE menghasilkan model prediksi yang lebih akurat.

Stocks are a popular investment instrument but carry high risks, where investors may incur losses when stocks are bought at high prices and sold at lower prices. Technical analysis is used to study past stock price behavior to predict future prices. In this study, Grammatical Evolution (GE) is applied as an evolutionary computing technique to discover optimal functions or programs that represent historical stock price data. This study develops GE-based prediction models by utilizing objective functions and search spaces defined through grammar. The model integrates technical indicators based on complex statistical models such as ARIMA, Prophet, Exponential Smoothing, and Fibonacci Retracements. Furthermore, this study employs GE to generate ensemble weights randomly but proportionally, ensuring each model contributes equitably to the final prediction formula. Grammar rules were adjusted to explore the impact of various formulas on prediction outcomes. The results indicate that the models produced by this combination of approaches achieve higher accuracy than those generated in previous studies, with an R² score of 0.7838, RMSE of 171.7123, and MAPE of 0.0281%. Although GE requires longer computational time, this research demonstrates that combining the ARIMA, Prophet, and Exponential Smoothing models with GE results in a more accurate prediction model.