Topik ini berfokus pada penerapan metode Support Vector Regression (SVR) dan Double Exponential Smoothing (DES) untuk meramalkan harga saham sebagai bagian dari pengambilan keputusan dalam investasi dan manajemen keuangan. Peramalan harga saham merupakan salah satu tantangan dalam dunia keuangan karena sifat datanya yang dinamis, nonlinier, dan dipengaruhi oleh berbagai faktor eksternal.
Topik ini berfokus pada penerapan pendekatan Bayesian dalam Structural Equation Modeling (SEM) untuk menganalisis hubungan kausal dan struktural antar variabel dalam konteks ekonomi dan bisnis. Bayesian SEM menawarkan fleksibilitas dan keakuratan lebih tinggi dibandingkan SEM konvensional, terutama dalam kondisi data yang kompleks, terbatas, atau mengandung ketidakpastian tinggi.
Topik ini berfokus pada pengembangan model hibrida yang menggabungkan Support Vector Regression (SVR) dan metode deep learning untuk meningkatkan akurasi dalam peramalan harga saham. Pergerakan harga saham yang bersifat nonlinier, kompleks, dan dipengaruhi oleh banyak faktor membuat pendekatan tunggal sering kali tidak cukup efektif. Oleh karena itu, pendekatan kombinasi (hybrid model) menjadi strategi yang menjanjikan untuk mengatasi tantangan tersebut.
Topik ini berfokus pada studi perbandingan kinerja dua metode machine learning populer Random Forest Regression dan Extreme Gradient Boosting (XGBoost) dalam melakukan peramalan pada berbagai kasus bisnis, seperti prediksi penjualan, permintaan produk, churn pelanggan, atau pendapatan perusahaan.
Topik ini berfokus pada pengembangan dan implementasi model hybrid yang menggabungkan analisis sentimen dari media sosial dengan model peramalan kuantitatif untuk meningkatkan akurasi prediksi dalam bidang ekonomi dan bisnis, seperti peramalan harga saham, volume penjualan, permintaan produk, atau popularitas merek.