Aplikasi algoritma Viterbi dalam Hidden Markov model untuk menganalisis tren pasar saham di bursa efek: Studi kasus di PT Astra Agro Lestari, Tbk

INDONESIA:

Algoritma viterbi dalam Hidden Markov Model (HMM) dapat digunakan untuk menyelesaikan permasalahan tentang pergerakan tren pasar saham di Bursa Efek secara optimal. Langkah pertama yaitu mencari paramater HMM yang tersusun atas lima elemen yaitu jumlah keadaan tersembunyi (N), jumlah keadaan terobservasi (M), matriks peluang transisi (A), matriks peluang observasi (B), dan distribusi peluang awal (π). Setelah mencari kelima parameter HMM tersebut, selanjutnya mencari barisan observasi yang baru untuk dianalisis. Pencarian barisan observasi yang baru tersebut menggunakan peramalan. Selanjutnya barisan observasi yang dihasilkan dianalisis menggunakan algoritma viterbi. Algoritma viterbi terdiri dari empat tahap yaitu: inisialisasi, rekursi, terminasi, dan backtracking.

Tujuan penelitian ini adalah mencari barisan keadaan tersembunyi (X) yang optimal yang nantinya digunakan untuk memprediksi keputusan jual atau beli saham suatu instansi. Hasil penelitian ini berupa harga peramalan PT Astra Agro Lestari, Tbk pada tahun 2015 selama 14 hari; pergerakan tren pasar saham yang optimal pada tahun 2015 berupa barisan yang terdiri dari tiga objek yaitu bullish, bearish, dan sideway; dan analisis pengaplikasian algoritma viterbi pada pergerakan tren pasar saham. Jika tren dalam posisi bullish maka keputusan yang diambil sebaiknya menjual saham. Sedangkan jika tren dalam posisi bearish maka keputusan yang diambil sebaiknya menunggu kenaikan harga serta tren dalam posisi bullish.

ENGLISH:

Viterbi algorithm in the Hidden Markov Model (HMM) can be used to solve the problems concerning the movement of the stock market trend in the Stock Exchange optimally. The first step is to determine HMM parameters that are composed of five elements, namely the number of hidden state (N), the number of observed state (M), transition probability matrix (A), observation probability matrix (B), and initial probability distribution (π). After obtaining the five parameters, the next step is to determine a new sequence of observations for analysis using forecasting. Then the sequence of observations were analyzed using viterbi algorithm. Viterbi algorithm consists of four phases: initialization, recursion, termination, and backtracking.

The aim of this research is to determine the optimum hidden state sequence (X) that will be used to predict the decisions to sell or buy stocks of an agency. Results of this research is stock price forecasting of PT Astra Agro Lestari, Tbk at 2015 for 14 days; the optimum movement of the stock market trend at 2015 that is a sequence of three objects namely bullish, bearish, and sideway; and the analysis of viterbi algorithm application on the movement of the stock market trend. If the trend in a bullish position then the decision should sell the stock. If the bearish trend in the position then the decision should wait for price to increas as well as trends in a bullish position.