📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenOPTIMISASI PORTOFOLIO DENGAN PENDEKATAN ANALISIS DATA TOPOLOGI
Portofolio optimal yang dapat memaksimalkan return dan meminimalkan risiko sangat dibutuhkan oleh seluruh investor. Penelitian ini mengusulkan penggunaan pendekatan analisis data topologi (TDA) dalam optimisasi portofolio. Analisis data topologi yang dapat mengekstraksi fitur topologi dari data historis harga saham digunakan dalam penelitian ini untuk menangkap struktur tersembunyi dan hubungan non-linier antar saham. Pada penelitian ini ditemukan bahwa TDA norm dari kelas homologi dimensi 0 dapat merepresentasikan volatilitas saham. Selain itu, kovariansi antar saham juga dapat diperoleh dengan mempergunakan salah satu fitur dalam persistence tools yaitu Wasserstein distance. Kedua hal tersebut (volatilitas dan kovariansi) berperan sangat penting dalam optimisasi portofolio karena digunakan dalam mengukur risiko portofolio. Permasalahan optimisasi portofolio tersebut, dalam penelitian ini, diselesaikan menggunakan NSGA-II untuk menghasilkan solusi-solusi yang mendekati Pareto front. Hasil dari penelitian ini menunjukkan bahwa pendekatan analisis data topologi yang digunakan bekerja dengan sama baiknya dengan metode klasik.
PENYELEKSIAN PORTOFOLIO SAHAM KONSTITUEN IDX30 DENGAN PENDEKATAN ANALISIS DATA TOPOLOGI
Pemilihan portofolio saham yang optimal merupakan salah satu tantangan utama dalam dunia investasi. Kinerja saham dalam IDX30 tidak selalu konsisten pada setiap periode. Oleh karena itu, dibutuhkan metode seleksi portofolio saham yang mampu mengidentifikasi saham-saham dengan karakteristik lebih baik secara topologi. Penelitian ini mengusulkan pendekatan berbasis analisis data topologi (TDA) untuk menyeleksi saham konstituen IDX30. Dengan menggunakan fitur TDA norm yang diperoleh dari persistence landscape kelas homologi dimensi 1, dilakukan klasifikasi saham menjadi tiga kelompok. Penelitian menggunakan rentang data historis yang berbeda-beda, menerapkan metode sliding window yang membagi data menjadi data in-sample dan data out-of-sample. Dengan menggunakan naive strategy dan optimisasi ETDA sebagai metode optimisasi. Kinerja portofolio dinilai berdasarkan beberapa metrik seperti value at risk, Sharpe ratio, Sortino ratio, dan cumulative return. Hasil penelitian menunjukkan bahwa portofolio yang diisi kelompok saham bin1 merupakan portofolio terbaik dan mampu menghasilkan kinerja lebih baik dibandingkan dengan benchmark index.
IMPLEMENTASI ANALISIS DATA TOPOLOGI DAN SUPPORT VECTOR MACHINE DALAM KLASIFIKASI DATASET MNIST
Kemajuan teknologi informasi dan kecerdasan buatan telah mendorong inovasi dalam pengenalan pola, khususnya pada kumpulan data MNIST, yaitu kumpulan digit tulisan tangan. MNIST terdiri dari dua komponen utama: data gambar X dan label y. Penelitian ini berfokus pada eksplorasi penerapan konsep analisis data topologi, khususnya melalui analisis persistence barcode. Selanjutnya, proses klasifikasi menggunakan teknik pembelajaran mesin, khususnya support vector machine dengan kernel radial basis. Setiap digit pada dataset MNIST direpresentasikan sebagai matriks berukuran 28x28, dengan elemen matriks berkisar antara 1 hingga 255. Langkah - langkah yang dilakukan meliputi konversi matriks skala abu - abu ke matriks biner, pembentukan kerangka menggunakan metode Thinning Zhang-Suen, pembentukan embedded graph, penentuan nilai filtrasi, dan pembentukan persistence barcode. Fitur diekstraksi dari persistence barcode menggunakan metode Adcock-Carlsson Coordinates. Untuk meningkatkan akurasi, setiap gambar dalam kumpulan data MNIST mengalami empat rotasi (utara, selatan, barat, timur), sehingga setiap gambar menghasilkan 32 fitur hasil ekstraksi. Fitur ini berfungsi sebagai masukan untuk algoritma klasifikasi. Dataset MNIST dibagi menjadi dua bagian: 80% digunakan sebagai data pelatihan (56.000 data), sementara 20% digunakan sebagai data uji (14.000 data). Parameter yang dipilih meliputi ? sebesar 0.006551285568595509 dan parameter C sebesar 138.94954943731375. Melalui proses ini akurasi yang dicapai pada data pengujian mencapai 70%.