WARDHANA, MUHAMMAD IKO (2025) PENERAPAN MODEL XGBOOST UNTUK SISTEM REKOMENDASI SAHAM SEKTOR PROPERTI MENGGUNAKAN ANALISIS TEKNIKAL. Undergraduate thesis, Universitas Islam Sultan Agung.

[thumbnail of Teknik Informatika_32602100079_fullpdf.pdf] Text
Teknik Informatika_32602100079_fullpdf.pdf
| Download (11MB)
[thumbnail of Teknik Informatika_32602100079_pernyataan_publikasi.pdf] Text
Teknik Informatika_32602100079_pernyataan_publikasi.pdf
Restricted to Registered users only
| Download (127kB)

Abstract

Peningkatan jumlah investor di pasar modal Indonesia mencerminkan meningkatnya ketertarikan terhadap investasi saham, khususnya pada sektor properti. Sektor ini memiliki prospek pertumbuhan jangka panjang yang menjanjikan, meskipun di sisi lain juga memiliki karakteristik volatilitas harga yang tinggi. Untuk menjawab tantangan tersebut, penelitian ini mengembangkan sebuah sistem rekomendasi saham berbasis analisis teknikal, dengan menggunakan algoritma Extreme Gradient Boosting (XGBoost). Data yang digunakan berupa data historis harga harian saham dari Bursa Efek Indonesia, diperoleh dari Yahoo Finance dengan cakupan periode Januari 2020 hingga Juli 2025. Proses rekayasa fitur menghasilkan 19 indikator teknikal, dan pelabelan data dilakukan ke dalam tiga kategori kelas (BELI, TAHAN, JUAL) berdasarkan wawancara dengan pakar pasar saham. Model dilatih menggunakan data yang telah diseimbangkan melalui metode SMOTE dan dioptimalkan dengan algoritma Optuna untuk memperoleh konfigurasi hiperparameter terbaik. Hasil evaluasi menunjukkan bahwa model XGBoost mampu mencapai tingkat akurasi sebesar 88,64% pada data pengujian, dengan performa presisi dan f1-score tinggi untuk kelas BELI dan JUAL. Namun demikian, performa pada kelas TAHAN masih menghadapi kendala akibat ambiguitas label dan keterbatasan data. Secara keseluruhan, sistem rekomendasi yang dikembangkan terbukti efektif dalam memberikan rekomendasi saham yang akurat dan objektif, khususnya untuk mendukung pengambilan keputusan berbasis teknikal di tengah kondisi pasar yang fluktuatif.
Kata Kunci: XGBoost, Sistem Rekomendasi, Analisis Teknikal, Sektor Properti

Dosen Pembimbing: Subroto, Imam Much Ibnu | UNSPECIFIED
Item Type: Thesis (Undergraduate)
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknologi Industri
Fakultas Teknologi Industri > Mahasiswa FTI - Skripsi Teknik Informatika
Depositing User: Pustakawan 4 UNISSULA
Date Deposited: 18 Nov 2025 06:11
URI: https://repository.unissula.ac.id/id/eprint/42089

Actions (login required)

View Item View Item