Hasil Pencarian  ::  Simpan CSV :: Kembali

"Memprediksi pergerakan harga saham merupakan tugas yang sangat menantang karena karakteristik pasar saham yang kompleks, tidak linier, dan penuh ketidakpastian. Namun berdasarkan pada teori efficient market hypothesis dan tingkat efisiensinya, memprediksi pergerakan harga saham merupakan tugas yang masih memungkinkan untuk dicapai. Banyak pendekatan telah diterapkan untuk memprediksi pergerakan harga saham mulai dari pendekatan statistik linier sederhana seperti discriminant analysis (DA) hingga pendekatan machine learning yang kompleks seperti support vector machine (SVM). Baik DA dan SVM adalah pendekatan yang dapat digunakan untuk melakukan klasifikasi seperti memprediksi tren harga saham dari beberapa kelas. Dalam penelitian ini, tren pergerakan harga saham diklasifikasikan ke dalam dua kelas, yaitu "highly possible to go up" dan "highly possible to go down or be neutral" di mana pemisahan kelasnya didasarkan pada variabel berupa data teknikal, fundamental, keuangan, dan koefisien beta dari saham di Bursa Efek Indonesia (BEI). Dengan menggunakan variabel-variabel ini, sejumlah model prediksi dengan periode prediksi atau fungsi tertentu dilatih dan kemudian digunakan untuk memprediksi tren pergerakan harga saham di BEI. Periode prediksi yang digunakan dalam penelitian ini berkisar dari 1 bulan hingga 9 bulan. Metode stepwise linear regression (SLR) dan sequential forward selection (SFS) diterapkan sebagai metode feature selection guna memilih variabel yang paling relevan sehingga kinerja setiap model prediksi dapat dioptimalkan. Pada penelitian ini, jumlah fitur, nilai signifikansi maksimum dari F-to-enter, fungsi kernel, dan metode parameter selection divariasikan sehingga dihasilkan 12 model prediksi DA dan 30 model prediksi SVM. Dengan menerapkan beberapa proses evaluasi, maka model prediksi dengan tingkat akurasi dan efektifitas yang paling baik dapat dipilih. Dari seluruh 12 model prediksi DA yang dirancang, terdapat 3 model prediksi yang dinilai layak untuk diterapkan. Sedangkan dari seluruh 30 model prediksi SVM yang dirancang, terdapat 11 model prediksi yang dinilai layak untuk diterapkan. Kemudian dari 14 model prediksi yang dinilai layak tersebut, 4 model prediksi terbaik untuk periode prediksi 3, 5, 7, dan 9 bulan serta 1 model prediksi terbaik dengan fungsi untuk mengklasifikasi major trend selama 9 bulan telah berhasil dipilih. Kelima model tersebut merupakan model prediksi SVM sehingga dapat disimpulkan bahwa SVM mengungguli DA dalam memprediksi tren pergerakan harga saham di Bursa Efek Indonesia.

---

Predicting the movement of stock prices is a very challenging task because the characteristics of the stock market are complex, non-linear, and full of uncertainty. However, based on the efficient market hypothesis theory and its level of efficiency, predicting stock price movements is a task that is still possible to achieve. Many approaches have been applied for predicting the movement of stock prices ranging from simple linear statistical approaches such as discriminant analysis (DA) to complex machine learning approaches such as support vector machines (SVM). Both DA and SVM are approaches that can be used to perform classifications such as predicting stock price trends from several classes. In this study, the trends of stock price movements are classified into two classes, namely "highly possible to go up" and "highly possible to go down or be neutral" in which the class separation is based on variables in the form of technical, fundamental, financial, and beta coefficient data of stocks on the Indonesia Stock Exchange (IDX). By using these variables, a number of prediction models with specific prediction periods or functions are trained and then used to predict the trends of stock price movements on the IDX. The prediction periods used in this study range from 1 month to 9 months. The stepwise linear regression (SLR) and sequential forward selection (SFS) methods are applied as the feature selection methods to select the most relevant variables so that the performance of each prediction model can be optimized. In this study, the number of features, the maximum significance value of the F-to-enter, kernel function, and parameter selection method are varied to produce 12 DA prediction models and 30 SVM prediction models. By applying several evaluation processes, the prediction model with the best level of accuracy and effectiveness can be chosen. From all 12 DA prediction models designed, there are 3 prediction models that are considered feasible to be applied. While from all 30 SVM prediction models designed, there are 11 prediction models that are considered feasible to be applied. Then, out of these 14 prediction models that are considered feasible, 4 best prediction models for the prediction periods of 3, 5, 7, and 9 months and 1 best prediction model with the function to classify the major trend for 9 months have been successfully selected. These five prediction models are SVM prediction models so that it can be concluded that SVM outperforms DA in predicting the trends of stock price movements on the Indonesia Stock Exchange."

"Memiliki model prediksi yang baik akan memberikan keuntungan tersendiri bagi investor dan perusahaan dalam mengambil keputusan. Support Vector Machine SVM adalah salah satu algoritma pembelajaran mesin yang diawasi yang dapat digunakan untuk klasifikasi atau regresi. Banyak penelitian menunjukkan bahwa prediksi menggunakan model Support Vector Machine SVM lebih akurat daripada model lainnya. Penelitian terbaru menunjukkan bahwa kinerja tertinggi dari sistem prediksi terjadi ketika periode input indikator teknikal sama dengan periode perkiraan. Dengan menggunakan kombinasi dari periode perkiraan dan periode input indikator teknikal dengan kerangka waktu yang lebih banyak dan Support Vector Machine SVM , penelitian ini ingin mengetahui seberapa besar akurasi yang dihasilkan SVM untuk memprediksi pergerakan harga saham-saham di pasar Indonesia, apakah kinerja tertinggi dari sistem prediksi terjadi ketika periode input indikator teknikal sama dengan periode perkiraan, dan apakah aplikasi penggunaan SVM untuk perdagangan dapat memberikan hasil yang lebih baik dibandingkan strategi buy and hold. Data transaksi saham yang kami gunakan dari Maret 2006 hingga Februari 2018 untuk tiga puluh satu saham perusahaan dan menggunakan kombinasi dua puluh delapan periode perkiraan dan tiga puluh periode input indikator teknikal. Hasil penelitian yang diperoleh yaitu model prediksi dapat memberikan hasil akurasi yang baik karena sebanyak 25 dari 31 saham memberikan hasil akurasi lebih dari 50 tetapi kinerja tertinggi model prediksi tidak terjadi saat periode input indikator teknikal sama dengan periode perkiraan dan diperoleh 21 saham yang memberikan imbal hasil signifikan ketika menggunakan aplikasi model prediksi SVM untuk melakukan perdagangan dibandingkan strategi buy and hold.

---

Having a good predictive model will provide its own advantages for investors and companies in making decisions. Support Vector Machine SVM is one of the supervised machine learning algorithms that can be used for classification or regression. Many studies have shown that predictions using the Support Vector Machine SVM model are more accurate than other models. Recent research shows that the highest performance of the prediction system occurs when the technical indicator input period is equal to the forecast period. Using a combination of forecast periods and technical indicator input periods with more time frames and Support Vector Machine SVM , this study wanted to know how much accuracy SVM generates to predict the movement of stock prices in the Indonesian market, what is the highest performance of the prediction system occurs when the technical indicator input period is equal to the forecast period, and whether the application of SVM usage for trade can give better results than the buy and hold strategy. We used stock transaction data from March 2006 to February 2018 for the thirty one shares of the companies and using a combination of twenty eight forecast periods and thirty periods of input of technical indicators. The result of the research is prediction model can give good accuracy result because 25 of 31 stocks give accurate result more than 50 but highest performance prediction model does not occur when technical indicator input period is same with forecast period and 21 stocks yield return significant when applying SVM prediction model to trade compared to buy and hold strategy."

"Krisis ekonomi yang terjadi di masa lalu menimbulkan pertanyaan tentang validitasEfficient Market Hypothesis dan mendorong berkembangnya model-model yangdapat memprediksi indeks harga saham. Salah satunya yaitu prediksimemanfaatkan komponen ekonomi yang diketahui mempengaruhi IHSG danmemprosesnya dengan teknik machine learning. Support Vector Machine dikenalmemiliki kemampuan untuk menangani data berdimensi tinggi dan memilikikeunggulan dibandingkan algoritma yang lain. Performa SVM akan dibandingkandengan Artificial Neural Network (ANN) dan algoritma klasik Multiple LinearRegression (MLR). Studi ini diawali mengidentifikasi pengaruh komponenekonomi terhadap IHSG mendatang. Hasil penelitian menunjukkan bahwa SVMmemiliki kinerja paling baik dalam memprediksi harga indeks saham keesokanharinya (t + 1), namun kinerja ANN paling baik untuk memprediksi t + 5, t + 10,dst.

---

The economic crisis that occurred in the past raised questions about the validity of

the Efficient Market Hypothesis and encouraged the development of models that

can predict the stock price. One of them is prediction utilizing economic

components known to affect IDX composite index and processed by machine

learning techniques. Support Vector Machines are known to have the ability to

handle high-dimensional data and have advantages over other algorithms. SVM

performance will be compared to Artificial Neural Networks (ANN) and the classic

Multiple Linear Regression (MLR) algorithm. This study begins with identifying

the influence of economic component on the future IDX composite index. The

results showed that SVM had the best performance in predicting the next day stock

index prices (t+1), but ANN's performance was better than others for predicting

t+5, t+10, and so on."

"Globalisasi membawa dampak besar bagi pertumbuhan ekonomi Indonesia. Sejak tahun 1961, secara umum pertumbuhan ekonomi Indonesia selalu mengalami kenaikan. Banyak faktor yang menyebabkan meningkatnya pertumbuhan ekonomi nasional. Salah satunya adalah investasi. Terdapat berbagai macam instrumen investasi. Sekarang ini yang paling banyak diminati oleh masyarakat umum adalah investasi saham. Bursa Efek Indonesia (BEI) mencatat bahwa per Juni 2018 banyaknya investor pasar modal mencapai 1,12 juta Single Investor Identification (SID) dengan 710.000 Single Investor Identification (SID) merupakan total investor saham ritel. Saham menjadi salah satu usaha dalam pemenuhan kebutuhan hidup di masa depan. Daya tarik utamanya adalah karena saham memberikan potensi keuntungan yang tinggi dalam jangka panjang. Namun, dengan potensi keuntungan yang tinggi tersebut, saham juga memiliki potensi kerugian yang tinggi. Salah satu usaha untuk meminimalkan potensi kerugian saham adalah dengan melakukan prediksi harga saham menggunakan machine learning. Harga saham akan diprediksi menggunakan metode penyelesaian masalah regresi, yaitu Fuzzy Support Vector Regression (FSVR). Fungsi pemetaan dalam fungsi keanggotaan fuzzy digunakan untuk menghasilkan fluktuasi harga saham yang tepat. Untuk memastikan keefektifan dan keefisienan penggunaan fitur, Fisher Score digunakan untuk memilih fitur yang paling berpengaruh dan informatif dalam model prediksi sehingga kesalahan hasil prediksi dapat diminimalkan. Fitur-fitur terpilih tersebut akan dijadikan sebagai variabel input dalam model prediksi. Evaluasi hasil prediksi dari data dengan dan tanpa dilakukan pemilihan fitur selanjutnya akan dianalisis menggunakan Normalized Mean Square Error (NMSE) dan dibandingkan sebagai bagian dari evaluasi performa model prediksi. Dari hasil prediksi pada salah satu data yang digunakan, tanpa pemilihan fitur, diperoleh model terbaik dengan nilai NMSE terendah sebesar 0,179 dan persentase data training 80%, sedangkan dengan pemilihan fitur Fisher Score, diperoleh model terbaik menggunakan sembilan fitur dengan nilai NMSE terendah sebesar 0,011 dan persentase data training 90%.

---

Globalization has a big impact on Indonesias economic growth. Since 1961, in general Indonesias economic growth has always increased. Many factors have led to an increase in national economic growth. One of which is investment. There are many investment instruments. The most popular among the public is stock investment. Indonesia Stock Exchange (IDX) recorded as of June 2018 total of capital market investors reached 1,12 million Single Investor Identification (SID) with 710,000 Single Investor Identification (SID) representing total retail stock investors. Stock has become one of the activities to fulfill the needs of life in the future. Its main attraction is that stock provides high potential return of profit in long run. However, as high return of profit, stock also has high potential return of risks. One of the ways to minimize the potential return of risks is by predicting stock prices using machine learning. The stock prices will be predicted using a regression problem solving method, namely Fuzzy Support Vector Regression (FSVR). The mapping function in fuzzy membership function is used to produce the right stock price fluctuations. To ensure the effectiveness and the efficiency of using features, Fisher Score is used to select the most influential and informative features in the prediction model so that the prediction errors can be minimized. These selected features will be used as input variables in the stock price prediction model. The evaluation of the prediction results from the data with and without feature selection will be analyzed using Normalized Mean Square Error (NMSE) and compared as part of the performance evaluation of the prediction model. From the prediction results on one of data used, without doing feature selection, the best model is obtained with the lowest error is 0.179 and 80% training data, while with doing Fisher Score feature selection, the best model is obtained by using nine features with the lowest error is 0.011 and 90% training data."

"Manusia memiliki kebutuhan untuk melangsungkan hidupnya. Seiring waktu harga-harga kebutuhan akan naik dikarenakan inflasi. Untuk mengantisipasi inflasi, manusia melakukan investasi. Investasi dapat bermacam-macam seperti membeli aset-aset riil (tanah, emas, dsb), ataupun membeli surat-surat berharga (efek) di pasar modal. Saham merupakan jenis efek yang paling sering diperjualbelikan. Dalam melakukan investasi saham, seorang investor memiliki permasalahan untuk memilih saham-saham yang dapat menghasilkan nilai imbal balik yang diharapkan. Permasalahan ini akan coba dijawab oleh Support Vector Machine (SVM) dengan mengklasifikasikan saham-saham apa saja yang menghasilkan imbal hasil ≥1%, dan imbal hasil <1%. Atribut yang digunakan terdapat 22, terdiri dari indikator teknikal dan nilai yang diolah dari data historis saham. Data historis saham yang digunakan adalah data perdagangan harian 30 saham dari indeks IDX30 pada jangka waktu 1 September 2020 hingga 31 Agustus 2021. Data historis saham dari 1 September 2020 hingga 5 Juni 2021 digunakan sebagai data training, dan data historis saham dari 6 Juni 2021 hingga 31 Agustus 2021 digunakan sebagai data testing. Model SVM yang dihasilkan memiliki akurasi sebesar 99,44%. Setelah didapatkan saham-saham yang berpotensi menghasilkan keuntungan yang diharapkan melalui SVM, selanjutnya akan dibuat sebuah portofolio investasi dari kumpulan saham tersebut dengan metode Mean Variance (MV). Bobot tiap saham yang dipilih adalah bobot saham yang meminimalkan variansi dari portofolio. Sebagai pembanding digunakan model pembentukan portofolio Equal Weight Portofolio (EWP) dan kinerja dari indeks IDX30. Imbal hasil dari portofolio yang dibentuk oleh SVM+MV dan SVM+EWP jauh lebih baik dari indeks IDX30. Variansi portofolio dari SVM+MV lebih kecil daripada portofolio dari SVM+EWP.

---

Human must has basic need to survive. The price of basic need will increase over time because the effect of inflation. To anticipate the inflation, human tend to invest. There are two kind of investment, real asset such as land and gold, and securities such as stock and obligation. Stock is the most actively traded. When an investor decide to invest on stock, investor have to choose which stocks that will generate enough return for himself. This problem would be solved by using Support Vector Machines. SVM is one of the machine learning technique for classification, in this case we will classify the the stock based on the return ≥1% or <1%. There are 22 attribute that used for SVM. Data come from historical stock data of 30 stocks from IDX30 index. The range is from 1 September 2020 untill 31 August 2021. Data from 1 September 2020 through 5 June 2021 would be training data and data from 6 June 2021 untill 31 August 2021 would be testing data. The result from SVM model has accuracy of 99,44%. The next thing to fo after we have which stock that will be choose is to build a portofolio from it. The portofolio theory of Mean Variance will be used to build portofolio from the result of prediction stock SVM. Mean Variance method will determine how much the portion of respective stock to be invested that would be maximize returns and also minimize investment risk. For measure how well the model perform, we used Equal Weight Portofolio (EWP) method and return of IDX30 index. The result is SVM+MV model and SVM+EWP model generate more return than the underlying index. The variance of portofolio that generated from SVM+MV are smaller than portofolio generated from SVM+EWP."

"Penelitian ini bertujuan untuk menganalisis prediksi kebangkrutan perusahaan manufaktur menggunakan machine learning. Data keuangan dari perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia selama periode tahun 2013 hingga 2023 digunakan dalam penelitian ini. Metode analisis yang digunakan adalah Long Short-Term Memory (LSTM), Support Vector Machine (SVM), Random Forest, dan Extreme Gradient Boosting (XGBoost). Hasil penelitian diharapkan dapat memberikan manfaat bagi perusahaan manufaktur dalam mengidentifikasi tanda-tanda awal kebangkrutan, kreditur dalam mengevaluasi kelayakan pemberian kredit, investor dalam pengambilan keputusan investasi, akademisi dalam pengembangan riset di bidang prediksi kebangkrutan, serta regulator pasar modal (OJK) dalam meningkatkan efisiensi pengawasan terhadap perusahaan manufaktur. Hasil penelitian menunjukkan bahwa SVM efektif dalam memprediksi data historis dengan performa yang konsisten, sementara LSTM memiliki keunggulan dalam menangani variasi dan pola dalam data baru.

---

This study aims to analyze bankruptcy prediction for manufacturing companies using machine learning. Financial data from manufacturing companies listed on the Indonesia Stock Exchange for the period from 2013 to 2023 are used in this study. The analytical methods employed include Long Short-Term Memory (LSTM), Support Vector Machine (SVM), Random Forest, and Extreme Gradient Boosting (XGBoost). The results of this study are expected to provide benefits to various stakeholders: manufacturing companies in identifying early signs of bankruptcy, creditors in evaluating the feasibility of extending credit, investors in making investment decisions, academics in advancing research in bankruptcy prediction, and market regulators (OJK) in enhancing the efficiency of supervision over manufacturing companies. The results indicate that SVM is effective in predicting historical data with consistent performance, while LSTM excels in handling variations and patterns in new data."

"Saham merupakan instrumen investasi yang menawarkan tingkat keuntungan yang menarik, namun memiliki risiko kerugian yang tinggi. Hal ini disebabkan oleh harga saham yang selalu berfluktuasi dan dipengaruhi oleh faktor-faktor tak menentu. Untuk memperoleh keuntungan seperti yang diharapkan, dibutuhkan prediksi pergerakan harga saham yang akurat. Umumnya, investor menggunakan indikator teknikal dalam mengantisipasi pergerakan harga di masa depan. Pada skripsi ini, sebanyak delapan indikator teknikal digunakan dan diproses ke dalam dua pendekatan. Pendekatan pertama memanfaatkan nilai-nilai indikator teknikal yang bersifat kontinu, sementara pendekatan lainnya memanfaatkan kriteria tertentu yang dimiliki oleh setiap indikator teknikal dalam menggambarkan pergerakan harga saham yang bersifat diskrit. Keduanya kemudian dijadikan data input bagi model prediksi dengan menggunakan metode Support Vector Machines yang mengklasifikasi data harga saham ke dalam dua kelas, yaitu naik dan turun. Hasil prediksi tersebut menunjukkan bahwa performa model prediksi yang menerapkan data input bernilai diskrit melampaui performa model prediksi yang menerapkan data input bernilai kontinu, dengan tingkat akurasi tertinggi yang diperoleh ialah sebesar 94,12.

---

Stock is an investment instrument that offers an attractive rate of return, yet has a high risk of loss. This due to the nature of stock prices that are always fluctuate and influenced by uncertain factors. To obtain the expected profit, an accurate prediction of stock price movement is required. Generally, investors use technical indicators to anticipate the future price movement. In this undergraduate thesis, a number of eight technical indicators are used and processed into two approaches. The first approach use the values of technical indicators that are continuous, while the other utilizes certain criteria owned by each technical indicator in describing stock price movement which is a discrete type of value. Both approaches are then used as input data for prediction model using the Support Vector Machines method which classifies the stock price data into two classes, i.e. up and down. The prediction results indicate that the performace of prediction models applying discrete valued of input data exceeds the performance of prediction models which apply continuous valued of input data, with the highest accuracy obtained at 94.12."

"Prediksi trend harga saham dapat berguna bagi trader untuk menentukan nilai saham dimasa yang akan datang. Untuk memprediksi trend dengan analisis teknikal adalah melakukan prediksi harga penutupan saham. Seiring dengan waktu, meningkatnya harga saham setara dengan diperolehnya return saham yang profit. Pada skripsi ini, dilakukan analisis dan prediksi harga penutupan saham selama sebulan menggunakan metode Support Vector Machines ndash; K Nearest Neighbor SVM-KNN . Pertama, terlebih dahulu dilakukan pemilihan indikator teknikal yang berpengaruh terhadap saham perusahaan yang dianalisis menggunakan Support Vector Regression SVR . Kedua, klasifikasi return saham yang terdiri dari profit dan loss dengan SVM. Hasil prediksi label kelas dapat membantu mencari tetangga terdekat dalam memprediksi harga penutupan saham dengan KNN. Percobaan dilakukan menggunakan 3, 4, dan 5 indikator teknikal yang terpilih dan tanpa pemilihan fitur dengan 13 indikator teknikal.

---

Stock price trend prediction is important for trader to determine whether the stock price is rising up or not. To predict the trend using technical stock analysis is by predicting the close prices. Along the time, when the price is rising up then it can indicate profit return. This undergraduate thesis will study how to analysis and prediction of stock closing prices one month ahead with Support Vector Machines ndash K Nearest Neighbor SVM KNN method. First, feature selection method is applied to select the important technical indicators using Support Vector Regression SVR . Second, classify the stock rsquo s return which consist of profit and loss using SVM. The output of class label is used to help find the nearest neighbor. Next, stock prices are forecasted using KNN. This study will be experimented with 3, 4, and 5 selected indicators and compared with 13 technical indicators."

"Prediksi harga saham merupakan hal yang sangat penting bagi investor karena sangat berguna untuk menentukan nilai masa depan dari suatu perusahaan yang sahamnya sedang diperdagangkan di bursa efek. Investor akan mendapatkan keuntungan yang besar dengan prediksi yang tepat, sebaliknya investor akan mendapatkan kerugian jika prediksi yang digunakan tidak tepat. Pada skripsi ini, akan dibahas pembuatan model prediksi Adaptive Neuro Fuzzy Inference System ANFIS dengan menggunakan variabel indikator teknikal terbaik berdasarkan Support Vector Regression SVR yang dilihat dari kecenderungan data historis saham 25 perusahaan dari sub sektor Bank, sektor Keuangan, yang tercatat di Bursa Efek Indonesia. Melalui metode ini, akan didapatkan nilai akurasi model yang cukup baik sedemikian sehingga dapat menjadi rekomendasi bagi investor dalam melakukan prediksi harga saham berdasarkan variabel indikator teknikal terpilih.

---

Forecasting stock price has become an important issue for stock investors because it is very useful to determine the future value of a company whose its share are traded on the stock exchange. Investors will get a profit with a sharp predictions, otherwise they will get loss if the predictions is inappropriately used. This undergraduate thesis will study how to make a model prediction Adaptive Neruo Fuzzy Inference System ANFIS using the best technical indicators. These technical indicators chosen by using Support Vector Regression SVR referred from the tendencies of stock time series data for 25 companies of Banking sub sector, Financial sector, that listed on Indonesian Stock Exchange. Through this method, analyst will get the value of the model rsquo s accuracy, that is good enough. So that it could be a recommendation for investors for forecasting the stock prices using this method with the selected technical indicators."

"Usia biologis mengukur penuaan individu berdasarkan kondisi fisik dan fungsi organ. Meskipun banyak penelitian telah dilakukan untuk memprediksi usia biologis dengan berbagai metode, penerapan metode machine learning masih memiliki ruang untuk penelitian lebih lanjut. Penelitian ini mengimplementasikan dua metode machine learning dengan pendekatan yang berbeda, yaitu metode Support Vector Regression (SVR) dan Light Gradient Boosting Machine (LGBM) dalam memprediksi usia biologis menggunakan data pemeriksaan medis Kementerian Kesehatan tahun 2011 yang mencakup 5960 subjek dan 41 fitur. Proses preprocessing meliputi penyaringan usia kronologis > 30 tahun, pemisahan data berdasarkan jenis kelamin, penanganan missing values dan outlier, serta data encoding. Feature selection menggunakan koefisien korelasi Spearman menghasilkan 8 fitur berbeda untuk setiap jenis kelamin. Data dibagi dengan 90% untuk pelatihan dan 10% untuk pengujian, serta dilakukan tuning hyperparameter menggunakan GridSearchCV. Penelitian ini menggunakan metrik RMSE dan adjusted R-squared, yang dipilih berdasarkan relevansinya dengan tujuan penelitian. Hasil menunjukkan LGBM lebih unggul dari SVR dengan RMSE 7,2064 tahun dan adjusted R-squared 33,36% pada pria, serta RMSE 7,1475 tahun dan adjusted R-squared 22,16% pada wanita. Analisis korelasi menunjukkan hubungan yang wajar antara usia biologis dan usia kronologis serta korelasi yang cukup antara usia biologis dengan biomarker tekanan sistolik dan status hipertensi pada pria, serta tekanan sistolik dan kolesterol pada wanita. Analisis korelasi menunjukkan hubungan signifikan antara usia biologis dengan usia kronologis dan beberapa biomarker. Secara keseluruhan, LGBM lebih efektif dalam memprediksi usia biologis dibandingkan SVR. Hasil dari penelitian diharapkan dapat diaplikasikan dalam kehidupan sehari-hari, seperti membantu perusahaan asuransi menilai kelayakan klaim berdasarkan prediksi usia biologis, serta mendukung keputusan di bidang kesehatan preventif.

---

Biological age measures an individual's aging based on physical condition and organ function. Although numerous studies have been conducted to predict biological age using various methods, there is still room for further research in the application of machine learning techniques. This study implements two machine learning methods with different approaches, namely Support Vector Regression (SVR) and Light Gradient Boosting Machine (LGBM), to predict biological age using medical examination data from the Ministry of Health in 2011, covering 5960 subjects and 41 features. The preprocessing steps include filtering chronological age > 30 years, segregating data by gender, handling missing values and outliers, and data encoding. Feature selection using Spearman correlation coefficients resulted in 8 different features for each gender. The data was split into 90% for training and 10% for testing, with hyperparameter tuning performed using GridSearchCV. This study used RMSE and adjusted R-squared metrics, selected based on their relevance to the research objectives. The results show that LGBM outperformed SVR with an RMSE of 7.2064 years and an adjusted R-squared of 33.36% for men, and an RMSE of 7.1475 years and an adjusted R-squared of 22.16% for women. Correlation analysis revealed a significant relationship between biological age and chronological age, as well as a reasonable correlation between biological age and biomarkers such as systolic blood pressure and hypertension status in men, and systolic blood pressure and cholesterol in women. Overall, LGBM proved to be more effective in predicting biological age compared to SVR. The results of this study are expected to be applicable in everyday life, such as assisting insurance companies in evaluating claim eligibility based on biological age predictions, as well as supporting decision-making in preventive healthcare."