• Login
    View Item 
    •   Home
    • UNDERGRADUATE THESES (Koleksi Skripsi Sarjana)
    • UT-Faculty of Mathematics and Natural Sciences
    • View Item
    •   Home
    • UNDERGRADUATE THESES (Koleksi Skripsi Sarjana)
    • UT-Faculty of Mathematics and Natural Sciences
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Prediksi Harga Saham PT Bank Rakyat Indonesia Tbk Menggunakan Automl H2O

    Thumbnail
    View/Open
    Skripsi_Watermak_NiningSholikhah.pdf (2.606Mb)
    Date
    2024-07-12
    Author
    SHOLIKHAH, Nining
    Metadata
    Show full item record
    Abstract
    Machine learning merupakan bagian dari Artificial Intelligence yang mempelajari data yang tersedia dan melakukan tugas tanpa arahan. Machine learning memiliki model yang berbeda-beda disesuaikan dengan kebutuhannya. Seiring dengan perkembangan zaman, ditemukan Auto Machine Learning (AutoML). Salah satu perusahaan yang mengembangkan AutoML adalah H2O.ai dengan library open source bernama H2OAutoML. Perusahaan ini memudahkan praktisi dalam menyederhanakan dan mempercepat pengembangan model yang akurat. H2OAutoML melatih machine learning, tuning parameter, dan mengevaluasi model secara otomatis. Model dalam H2OAutoML sangat beragam, tetapi penulis membatasi model. Model yang digunakan adalah GLM, GBM, DRF, dan stacked ensemble. GLM merupakan model regresi yang bekerja berdasarkan distribusi probabilitas data. Distribusi probabilitas data ditentukan secara otomatis oleh H2OAutoML, model GLM ini menggunakan distribusi gaussian karena variabel independen memiliki tipe data numerik. GLM pada H2OAutoML bekerja dengan memaksimalkan fungsi log likelihood dikurangi dengan regularisasi penalty. Regularisasi penalty juga ditentukan secara otomatis untuk menghindari overfitting. Model GLM ini menggunakan regresi ridge sehingga tidak ada koefisien yang diredam. DRF pada H2OAutoML mencakup model DRF dan XRT, model DRF sama seperti model random forest. Sedangkan model XRT merupakan perkembangan dari model random forest, XRT membangun pohon dengan dataset asli. Model DRF dan XRT membangun pohon secara kompleks sehingga menghasilkan prediksi cukup akurat. Model GBM merupakan ensemble boosting dari decision tree. Model GBM tidak membangun pohon secara kompleks tetapi menghasilkan prediksi cukup akurat karena GBM membangun pohon dengan menyesuaikan pohon baru melalui fungsi kerugian. Stacked ensemble merupakan gabungan dari beberapa model yang telah digunakan sebelumnya, yaitu model GLM, DRF, XRT, dan GBM. Model metelearner yang digunakan untuk stacked ensemble adalah model GLM. Stacked ensemble dibangun secara otomatis oleh H2OAutoML. Pengukuran model menggunakan metrik evaluasi secara otomatis dibuat oleh H2OAutoML yaitu RMSE, MSE, MAE, RMSLE, dan deviance dalam bentuk papan peringkat. Papan peringkat mengurutkan berdasarkan nilai deviance terkecil sebagai model terbaiknya yaitu stacked ensemble. Base model yang paling baik yang dihasilkan H2OAutoML adalah GBM. Namun ketika base model digabungkan dengan teknik stacking mengasilkan prediksi yang lebih baik lagi.
    URI
    https://repository.unej.ac.id/xmlui/handle/123456789/122173
    Collections
    • UT-Faculty of Mathematics and Natural Sciences [3452]

    UPA-TIK Copyright © 2024  Library University of Jember
    Contact Us | Send Feedback

    Indonesia DSpace Group :

    University of Jember Repository
    IPB University Scientific Repository
    UIN Syarif Hidayatullah Institutional Repository
     

     

    Browse

    All of RepositoryCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

    My Account

    LoginRegister

    Context

    Edit this item

    UPA-TIK Copyright © 2024  Library University of Jember
    Contact Us | Send Feedback

    Indonesia DSpace Group :

    University of Jember Repository
    IPB University Scientific Repository
    UIN Syarif Hidayatullah Institutional Repository