PENGELOMPOKAN SAHAM BANK BNI MENGGUNAKAN K-MEANS SEBAGAI DASAR PENGAMBILAN KEPUTUSAN AKUNTANSI INVESTASI

Irly Arelia; Agus Bahtiar; Edi Tohidi; Edi Wahyudin

Authors

Irly Arelia STMIK IKMI Cirebon, Indonesia
Agus Bahtiar STMIK IKMI Cirebon, Indonesia
Edi Tohidi STMIK IKMI Cirebon, Indonesia
Edi Wahyudin STMIK IKMI Cirebon, Indonesia

Abstract

Penelitian ini bertujuan untuk menerapkan metode K-Means clustering pada data historis harga saham Bank BNI (BBNI) sebagai dasar pengambilan keputusan akuntansi investasi. Data yang digunakan meliputi harga pembukaan, penutupan, tertinggi, terendah, dan volume perdagangan yang diperoleh dari Bursa Efek Indonesia dan Yahoo Finance. Proses analisis mengikuti tahapan Knowledge Discovery in Databases (KDD) yang meliputi pemilihan data, pembersihan, normalisasi, pengelompokan, serta evaluasi hasil. Algoritma K-Means digunakan untuk membagi data ke dalam sejumlah cluster berdasarkan kemiripan karakteristik pergerakan harga. Evaluasi hasil dilakukan dengan Average within centroid distance dan Davies-Bouldin Index (DBI) untuk mengukur kualitas pengelompokan. Hasil penelitian menunjukkan bahwa konfigurasi dengan DBI terendah dan jarak rata-rata dalam cluster terkecil menghasilkan pengelompokan paling optimal. Pengelompokan ini mampu memetakan saham BNI ke dalam kategori volatilitas tinggi, sedang, dan rendah, yang dapat dimanfaatkan investor untuk menyesuaikan strategi investasi, seperti buy and hold atau short-term trading. Temuan ini menegaskan bahwa penerapan K-Means dalam analisis saham efektif memberikan gambaran segmentasi pasar yang lebih jelas, sehingga dapat meningkatkan akurasi dan kualitas pengambilan keputusan investasi.

References

“Pendeteksian Kanker Paru-Paru Menggunakan Perpaduan Moment Invariants dan Jaringan Syaraf Propagasi Balik.”

Latifah Listyalina, “PENENTUAN PENYAKIT PARU DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN,” Jurnal SIMETRIS, Vol. 11 No. 1 April 2020, 2020.

K. Ioannou, D. Karampatzakis, P. Amanatidis, V. Aggelopoulos, and I. Karmiris, “Low-cost automatic weather stations in the internet of things,” Apr. 01, 2021, MDPI AG. doi: 10.3390/info12040146.

R. Teguh and H. Usup, “Realtime monitoring for groundwater level and local climate based on universal communication system,” Computer Science and Information Technologies, vol. 2, no. 2, pp. 67–76, Jul. 2021, doi: 10.11591/csit.v2i2.p67-76.

D. A. Kurnia, A. Setiawan, D. R. Amalia, R. W. Arifin, and D. Setiyadi, “Image Processing Identifacation for Indonesian Cake Cuisine using CNN Classification Technique,” in Journal of Physics: Conference Series, IOP Publishing Ltd, Feb. 2021. doi: 10.1088/1742-6596/1783/1/012047.

D. Sudrajat, R. D. Dana, N. Rahaningsih, A. R. Dikananda, and D. A. Kurnia, “Clustering student’s satisfaction in complex adaptive blended learning with the six value system using the K-means algorithm,” Universal Journal of Educational Research, vol. 7, no. 9, pp. 1990–1995, 2019, doi: 10.13189/ujer.2019.070920.

R. Widadi, B. Arif Widodo, and D. Zulherman, “Klasifikasi Sinyal EEG pada Sistem BCI Pergerakan Jari Manusia Menggunakan Convolutional Neural Network,” Jurnal Techno.com, vol. 19, no. 4, pp. 459–467, 2020.

A. Purnomo and H. Tjandrasa, “IMPROVED DEEP LEARNING ARCHITECTURE WITH BATCH NORMALIZATION FOR EEG SIGNAL PROCESSING,” JUTI: Jurnal Ilmiah Teknologi Informasi, vol. 19, no. 1, p. 19, Jan. 2021, doi: 10.12962/j24068535.v19i1.a1023.

H. B. Kim, Y. S. Park, J. E. Lee, K. Do Han, and Y. H. Park, “Study on relationship between self-recognition of voice disorder and mental health status: Korea National Health and Nutrition Examination Survey,” J Affect Disord, vol. 338, pp. 482–486, Oct. 2023, doi: 10.1016/j.jad.2023.05.082.

U. R. Acharya, S. L. Oh, Y. Hagiwara, J. H. Tan, and H. Adeli, “Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals,” Comput Biol Med, vol. 100, pp. 270–278, Sep. 2018, doi: 10.1016/j.compbiomed.2017.09.017.

A. Eviyanti, H. Hindarto, Sumarno, and H. A. A. Duddin, “Epilepsi detection system based on EEG record using neural network backpropagation method,” in Journal of Physics: Conference Series, Institute of Physics Publishing, Nov. 2019. doi: 10.1088/1742-6596/1381/1/012037.

A. Novianto and M. D. Anasanti, “Autism Spectrum Disorder (ASD) Identification Using Feature-Based Machine Learning Classification Model,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 17, no. 3, p. 259, Jul. 2023, doi: 10.22146/ijccs.83585.