Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Penelitian ini menguji secara empiris perubahan dynamic linkages variabel yield SBN-Domestik, IHSG terhadap shocks yield US Treasury bond, SP500 dan IDR/USD. Analisis menggunakan VECM. Uji IRF, VD dan Granger causality membuktikan bahwa dalam jangka panjang, periode pandemic-covid19 variabel yield SBN-domestik mengalami perubahan hubungan dinamis yang signifikan terhadap semua shock, namun perubahan terbesar terdapat pada yield SBN3Y dan SBN5Y. Hal ini disebabkan karena pada periode pendemic-covid19, SBN3Y dan SBN5Y sebagai SBN tenor pendek dan menengah dianggap lebih berisiko. Perubahan IHSG signifikan terhadap shockSP500 periode pandmeic-covid19. Uji variance decomposition periode pandemic-covid19 membuktikan dalam jangka panjang SP500 mempunyai kontribusi varians tertinggi.

---

This study empirically examines the dynamic linkages among yield SBN-Domestic and IDX-Composite to the shocks of US Treasury bonds, SP500 and IDR/USD. Analysis applying VECM. IRF, VD and Granger causality tests prove that in the long-run, during the pandemic-covid19 period, the SBN-Domestic experienced a significant change to all shocks, but the biggest changes were on SBN3Y and SBN5Y. This was due to the fact that during the Covid-19 pandemic, SBN3Y and SBN5Y were considered high risk. IDX-Composite was significantly changes for SP500 during pandemic-covid19 period. Variance decomposition test proved that in the long run, SP500 has the highest variance contribution."

"ABSTRAKIndeks harga saham merupakan indikator yang menggambarkan pergerakan harga sekelompok saham. Salah satu indeks harga saham yang terdapat di Indonesia adalah IHSG Indeks Harga Saham Gabungan . Terdapat banyak manfaat dari mengikuti pergerakan IHSG, salah satunya untuk meminimalisir kerugian dari berinvestasi dalam pasar saham. Oleh karena itu, akan dilakukan prediksi nilai IHSG. Metode yang akan digunakan adalah ANFIS Adaptive Neuro-Fuzzy Inference System dan SVR Support Vector Regression yang merupakan pengembangan dari metode ANN Artificial Neural Network . Selanjutnya performa keduanya akan dibandingkan. Hasil percobaan menghasilkan SVR sedikit lebih baik dari segi keakuratan dibandingkan ANFIS. Nilai keakuratan dari SVR yaitu 78,35 , 97,93 , dan 98,96 sedangkan keakuratan ANFIS yaitu 77,31 , 96,90 , dan 98,80 masing-masing untuk hasil prediksi yang nilai eror relatifnya di bawah 1 , 2 , dan 3 . Maksimum keakuratan dan running time pada ANFIS bergantung banyaknya hari yang digunakan untuk prediksi. Semakin banyak hari yang digunakan untuk prediksi, maka nilai keakuratannya semakin rendah dan running time semakin lama. Sedangkan maksimum keakuratan dan running time pada SVR tak bergantung pada banyaknya hari yang digunakan untuk prediksi. Dalam skripsi ini disajikan pula hasil sampingan berupa clustering berdasarkan eror relatif hasil prediksi menggunakan FKCM Fuzzy Kernel C-Means . Tujuan dari clustering ini yaitu mengecek apakah hasil prediksi yang dihasilkan ANFIS dan SVR kurang dari suatu nilai eror relatif yang ditetapkan.

---

ABSTRACTStock index reflects the price movement a group of stock. There are many stock indices in the world. JKSE Jakarta Composite Index is one of stock index in Indonesia. There are many benefits in following JKSE value, one of them to minimize the loss in stock investment. Therefore, JKSE value will be predicted. The method used are ANFIS Adaptive Neuro Fuzzy Inference System and SVR Support Vector Regression which are development of ANN Artificial Neural Network method. The performance of these two method will be compared. The experiment result gives that SVR is slightly better in terms of accuracy than ANFIS. The accuracy values of SVR are 78,35 , 97,93 , dan 98,96 while the accuracy of ANFIS are 77,31 , 96,90 , dan 98,80 each for a predicted result whose relative eror value is below 1 , 2 , dan 3 . The maximum accuracy and running time on ANFIS depend on how many days are used for prediction. The more days used for prediction will give the lower accuracy and longer running time. While the maximum accuracy and running time on SVR does not depend on the number of days used for prediction. In this thesis, presented also clustering based on relative error from the predicted result using FKCM Fuzzy Kernel C Means . The purpose of this clustering is to check whether the prediction result by ANFIS and SVR is less than a relative error value set."

"Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa sebab atas berkah rahmat dan karunia-Nya, penulis dapat menyelesaikan skripsi ini. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mendapatkan gelar Sarjana Teknik, Program Studi Teknik Komputer, Fakultas Teknik, Universitas Indonesia. Penulis menyadari skripsi ini tidak dapat diselesaikan tanpa bantuan dari Bapak F. Astha Ekadiyanto, S.T., M.Sc., selaku pembimbing skripsi yang telah menyediakan waktu, tenaga, dan pikiran selama penulis mengerjakan skripsi ini serta Bapak Ardiansyah, S.T., M.Eng. dan Ibu Prima Dewi Purnamasari, S.T., M.T., M.Sc. yang telah mengarahkan dan memberi saran dalam penulisan skripsi ini. Perkembangan teknologi saat ini tidak hanya berisi informasi positif, informasi yang negatif pun mudah diperoleh melalui media internet. Untuk mengatasi dampak negatif yaitu gambar pornografi, salah satunya adalah pemfilteran gambar porno. Disini penulis mencoba menerapkan pengenalan pola untuk mengklasifikasi apakah gambar itu termasuk porno atau non porno. Proses klasifikasi konten gambar porno dilakukan melalui tiga tahapan utama. Pada tahap awal dilakukan pra-proses untuk memodifikasi resolusi data kualitas citra dilanjutkan dengan ekstraksi fitur menggunakan dekomposisi wavelet haar bertingkat tiga dan empat agar ukuran citra tidak terlalu besar. Setelah itu dilakukan proses reduksi dimensi menggunakan Principal Component Analysis (PCA). PCA menentukan komponen penting dari citra dengan melihat dari varians yang direpresentasikan oleh nilai eigen, sehingga jumlah komponen yang akan dimasukkan ke proses pembelajaran tidak terlalu banyak, untuk menghindari curse of dimentionality. Baru setelah itu dilakukan proses klasifikasi. Pada penelitian ini telah dilakukan perbandingan algoritma SVM dengan BP untuk klasifikasi konten gambar porno. Untuk proses ekstraksi ciri digunakan metode wavelet pada masing-masing kedua metode tersebut. Pada penelitian ini digunakan 60 data uji, masing-masing 30 citra untuk kelas porno dan non porno. Tingkat akurasi yang diperoleh dengan menggunakan metode SVM lebih tinggi dibandingkan BP, yaitu 88,33% dan 86,67%."

"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."

"Skripsi ini menganalisis secara empiris hubungan harga minyak dunia West Texas Intermediate (WTI), nilai tukar rupiah terhadap dolar Amerika Serikat (KURS), dan Indeks Harga Saham Gabungan. Periode data yang digunakan adalah Januari 2008 hingga Desember 2017 dengan metode Vector Autoregressive (VAR). Kausalitas Granger mengambarkan adanya hubungan satu arah antara IHSG dengan KURS dan terdapat pula hubungan kausalitas dua arah pada WTI dan KURS. Dari pengestimasian model VAR dapat disimpulkan bahwa IHSG dapat menjadi leading indicator terhadap variabel lainnya. Selain menggunakan VAR, penelitian ini juga menggunakan Impulse Response Function (IRF) dan Variance Decomposition (VD). Dari analisis IRF, didapatkan bahwa IHSG memberikan respon terhadap shock yang berasal dari IHSG itu sendiri. Sementara itu WTI dan KURS memberikan respon terhadap shock yang berasal dari IHSG, WTI dan KURS. Masing-masing respon tersebut menunjukkan laju perubahan variabel akan kembali ke titik keseimbangan (ekuilibrium) yang terjadi dalam jangka pendek. Sedangkan pada hasil analisis VD, masing-masing variabel menjadi kontribusi terbesar bagi pergerakan variabel itu sendiri.

---

This thesis empirically analyzes the relationship between West Texas Intermediate (WTI) world oil prices, the rupiah exchange rate against the US dollar, and the Composite Stock Price Index. The data period used is January 2008 to December 2017 with the Vector Autoregressive (VAR) method. Granger Causality descibes a one-way relationship between JCI and KURS and there is also a two-way causality relationship between WTI and KURS. From estimating by the VAR model, it can be concluded that the JCI can be a leading indicator of other variables. In addition to using the VAR, this study also uses Impulse Response Function (IRF) and Variance Decomposition (VD). From the IRF analysis, it was found that the JCI gave a response to the shock originating from the JCI itself. Meanwhile, WTI and KURS provide responses to shocks from JCI, WTI and KURS. Each of these responses shows the rate of change in variables will return to the equilibrium point that occurs in the short term. While the results of the VD analysis, each variable becomes the biggest contribution to the movement of the variable itself."

"ABSTRAKKanker merupakan salah satu penyebab kematian terbesar di seluruh dunia. Secara khusus, kanker otak adalah kanker yang terjadi pada sistem saraf pusat. Salah satu hal yang dapat dilakukan untuk penelitian kanker otak menggunakan machine learning adalah melakukan pendeteksian jenis kanker otak dengan memanfaatkan microarray data. Permasalahan tersebut merupakan masalah klasifikasi multikelas. Dengan menggunakan pendekatan one versus one, akan terbentuk sebanyak k k-1 /2 masalah dua kelas, di mana k menunjukkan jumlah kelas. Karena data kanker otak memiliki fitur yang sangat banyak, perlu dilakukan seleksi fitur. Pada penelitian ini, akan diimplementasikan metode Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM-RFE sebagai metode seleksi fitur, dan Twin Support Vector Machine TWSVM sebagai metode klasifikasi. Pada metode MMSVM-RFE dilakukan pelatihan SVM-RFE pada setiap masalah dua kelas, sehingga setiap masalah dua kelas memiliki pengurutan fitur masing-masing. Sebagai metode klasifikasi, TWSVM memiliki tujuan untuk mencari hyperplane masing ndash; masing kelas sedemikian sehingga data kelas satu sedekat mungkin terhadap suatu hyperplane namun sejauh mungkin dengan hyperplane lainnya. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel linear pada TWSVM adalah 95,33 dengan menggunakan 200 fitur. Rata-rata akurasi tertinggi pada simulasi menggunakan kernel linear pada MMSVM-RFE dan kernel RBF pada TWSVM adalah 87 dengan 70 fitur. Sedangkan apabila proses validasi juga dilakukan pada seleksi fitur, rata-rata akurasi tertinggi yang diperoleh adalah 90,67 dengan menggunakan 90 fitur.

---

ABSTRACTCancer is one of main causes of death worldwide. Brain cancer is a type of cancer which occurs at central nervous system. Taking advantage from microarray data, machine learning methods can be applied to help brain cancer prediction according to its types. This problem can be referred as a multiclass classification problem. Using one versus one approach, the multiclass problem with k classes can be transformed into k k 1 2 binary class problems. The huge amount of features makes it necessary to use feature selection. In this research, Multiple Multiclass Support Vector Machine Recursive Feature Elimination MMSVM RFE method is implemented as the feature selection method, and Twin Support Vector Machine TWSVM method is implemented as the classification method. The main concept of MMSVM RFE is to train SVM RFE at each binary problem so that each binary problem will have their own arrangements of feature. As a classification method, TWSVM is trained to find two hyperplanes, each representative of its own class. The data of one class must be as near as possible from its representative hyperplane while also must be as far as possible from the other hyperplane. In the simulation which uses linear kernel on MMSVM RFE and linear kernel on TWSVM, the highest average accuracy is 95,33 , using 200 features. In the simulation which uses linear kernel on MMSVM RFE and RBF kernel on TWSVM, the highest average accuracy is 87 , using 70 features. In the case where the feature selection process is included in doing validation, the highest average accuracy is 90,67 , using 90 features."

"Sistem pengenalan gerakan manusia penting bagi manusia karena dapat membantu dan mempermudah pekerjaan manusia dalam berbagai hal. Algoritma Artificial Neural Network (ANN) dan Support Vector Mechine (SVM) digunakan untuk mampu mengenali gerakan manusia. Dengan algoritma tersebut, telah dibuat sistem yang mampu mengenali gerakan manusia. Sistem secara garis besar terdiri dari perangkat pada pengguna dan server. Perangkat pada pengguna ditunjukan untuk mengirimkan data ke server. Sedangkan server akan melakukan komputasi dengan data yang diberikan. Jembatan komunikasi antara perangkat pengguna dan server akan menggunakan XBee. Untuk sensor, digunakan sensor Inertial Measurement Unit. Dari hasil pengujian, sistem dengan ANN memiliki tingkat akurasi sebesar 95.78%, sistem dengan SVM memiliki tingkat akurasi sebesar 98.39%, sedangkan sistem gabungan memiliki akurasi sebesar 100%.

---

Human motion recognition is essential because it can help people in doing many things. Artificial Neural Network (ANN) and Support Vector Mechine (SVM) algorithm is used in the system to recognize human motion. The system consists of user device and server. Devices on user are intended for sending user data to the server. On the other hand, server will compute the data which were sent. Comunication between user device and server was conducted by using Xbee module. For the sensor, Inertial Measurement Unit sensor was used to recognize human motion. From the result, system with ANN resulted in 95.78% recognition rate, system with SVM give 98.39% and system with combined algorithm give 100% recognition rate."