Baparekraf Developer Day adalah kegiatan yang diadakan oleh Kementerian Pariwisata dan Ekonomi Kreatif/Badan Pariwisata dan Ekonomi Kreatif (Kemenparekraf/Baparekraf) dengan tujuan mengasah kemampuan teknis pengembang aplikasi di Indonesia. Kegiatan ini memungkinkan transfer pengetahuan dan standar industri secara langsung dari para praktisi yang telah sukses, khususnya pada bidang pengembangan aplikasi. Machine Learning Session Tema: Prediksi Harga Saham dengan Machine Learning Speaker: Tia Dwi Setiani (Curriculum Developer - Dicoding Indonesia)

1. Replace Me!
(Bisa ditambahkan dengan image yang relevan)
Prediksi Harga Saham dengan Machine Learning
Tia Dwi Setiani
Curriculum Developer Dicoding Indonesia

2. Outline
● Data Time Series
● Memprediksi Data Time Series dengan Deep Neural Network
● Pergerakan Harga Saham
● Prediksi Harga Saham dengan Machine Learning
● Simpulan

3. Disclaimer
Materi dalam slide presentasi ini murni untuk tujuan
sharing dan edukasi sehingga tidak boleh dianggap
sebagai nasihat investasi profesional.

4. Data Time Series

5. Apa itu Data Time Series?
Data Time Series (Deret Waktu)
adalah adalah data urutan
pengamatan yang dilakukan dalam
waktu yang berurutan.
~ George E. P. Box, et.al, dalam Time
Series Analysis: Forecasting and
Control.
Replace Me!
(Bisa ditambahkan dengan image yang
relevan)

6. Data Time Series ada di mana-mana
Ramalan Cuaca

7. Data Time Series ada di mana-mana
Historic Trends

8. Data Time Series ada di mana-mana
Data Pergerakan Harga Saham

9. Pola Time Series - Trend
Trend adalah pola time series
yang bergerak ke arah tertentu.
Kemiringannya meningkat atau
menurun.
Image Source: [1]

10. Pola Time Series - Seasonality
Seasonality memiliki pola berulang dari waktu ke waktu, dengan
pengulangan terjadi secara berkala yang disebut musim.
Image Source: [2]

11. Pola Time Series - Autocorrelation
Deret Autocorrelation
adalah sekumpulan
perilaku tertentu yang
diulang.
Ketika ada perilaku yang
dapat diprediksi setelah
terjadinya suatu peristiwa
Image Source: [1]

12. Pola Time Series - Noise
Gangguan acak dalam suatu
deret waktu yang tidak dapat
diprediksi
Image Source: [3]

13. Pola Time Series - Noise
Mengarah pada ketidakpastian
dan dapat menutupi pola time
series lainnya.
Image Source: [1]

14. Pola Time Series - Real Life
Trend +
Seasonality +
Autocorrelation + Noise
Image Source: [3]

15. Aplikasi Machine Learning pada
Data Time Series
Prediksi / Forecasts
Image Source: [3]

16. Aplikasi Machine Learning pada
Data Time Series
Imputation
Image Source: [3]

17. Aplikasi Machine Learning pada
Data Time Series
Image Source: [3]
Speech Recognition

18. Memprediksi Data Time Series
dengan Deep Neural Network

19. Windowed Dataset
Image Source: [3]
Prediksi dipengaruhi
oleh nilai atau data-data
sebelumnya.
Data dengan nilai
1170-1199 adalah fitur
dan nilai 1200 adalah
label.

20. How RNN Works
Image Source: [3]

21. How RNN Works
Image Source: [3]

22. How RNN Works
Image Source: [3]

23. Simple Structure of RNN: Single Layer
Image Source: [4]

24. LSTM - Long Short Term Memory
Image Source: [4]

25. Metrik Evaluasi
Image Source: [3]
Mean Absolute Error
Mean Squared Error
Root Mean Squared Error

26. Pergerakan Harga Saham

27. Data Time Series: Saham
Image Source: [3]

28. Faktor-Faktor yang Mempengaruhi
Pergerakan Harga Saham (1)
1. Kondisi Ekonomi Makro
2. Kebijakan Pemerintah
3. Kinerja Perusahaan
4. Aksi Korporasi Perusahaan

29. Faktor-Faktor yang Mempengaruhi
Pergerakan Harga Saham (2)
5. Fluktuasi Kurs Rupiah terhadap
Mata Uang Asing
6. Rumor dan Sentimen Pasar
7. Faktor Manipulasi Pasar
8. Faktor Kepanikan

30. Prediksi Harga Saham dengan Machine Learning

31. Dataset
Sumber: Kaggle - New York Stock Exchange Dataset by Dominik Gawlik

32. Model Architecture
Model: Sequential
Layer: LSTM, Dropout, Dense.
Kernel initializer: uniform
Activation Function: Relu, Linear
Loss: MSE
Optimizer: Adam

33. Result

34. Metrik Evaluasi

35. Kesimpulan

36. Kesimpulan
Kita bisa membuat model machine learning
untuk memprediksi trend harga saham dengan
teknik LSTM.
Pergerakan harga saham dipengaruhi oleh
banyak faktor sehingga prediksi harga saham
merupakan hal yang sangat kompleks.
Berhati-hati dan bijaksanalah dalam
berinvestasi!

37. References
[1] L. Moroney, AI and Machine Learning for Coders, Oreilly Media, 2020.
[2] https://www.worldweatheronline.com/
[3] L. Moroney dalam “Course: Sequence, Time Series, and Prediction”. Diakses
pada: 1 April 2021. [Online Video]. Tersedia: Sequence, Time Series, and
Prediction
[4] Christopher Olah, “Understanding LSTM”. Tersedia di: Understanding LSTM
Networks
[5] Dominik Gawlik, “New York Stock Exchange Dataset on Kaggle”, Tersedia di:
Kaggle Dataset
[6] Keras Documentation

38. Contact:
tia@dicoding.com
https://www.linkedin.com/in/tiadwisetiani/
Replace Me!
(Bisa ditambahkan dengan image yang relevan)
“The capacity to learn is a gift,
The ability to learn is a skill,
The willingness to learn is a choice!”
~Brian Herbert.