Web Development & AI
Completed
October 2026
Saham45
Platform web analitik dan prediksi harga saham LQ45 berbasis machine learning ensemble (XGBoost, Random Forest, dan pemodelan volatilitas GARCH) dengan backend arsitektur modular PHP MVC dan Python FastAPI.
Saham45.view
LIVE
Ringkasan Proyek
Latar belakang dan cakupan sistem
Saham45 adalah platform analitik pasar modal yang dirancang untuk membantu investor dan trader mengkaji pergerakan saham indeks LQ45 di Bursa Efek Indonesia (BEI). Aplikasi ini menggabungkan web portal berbasis PHP MVC dengan runtime inference terpisah berbasis Python FastAPI yang mengeksekusi model machine learning secara real-time.
Sistem ini tidak sekadar menebak angka harga acak, melainkan memproses 38 fitur teknikal dan statistik harian. Model memprediksi log return dan estimasi harga untuk horizon perdagangan $t+1$, sekaligus mengukur estimasi volatilitas pasar (regim Low, Medium, High) melalui GARCH(1,1) dan memberikan skor probabilitas keyakinan arah (direction confidence score). Seluruh proses—mulai dari ingestion data harian, rekayasa fitur (feature engineering), penyimpanan state volatilitas, hingga visualisasi tren interaktif—terintegrasi dalam arsitektur yang ringan dan efisien untuk di-hosting pada lingkungan cPanel/WSGI.
Sistem ini tidak sekadar menebak angka harga acak, melainkan memproses 38 fitur teknikal dan statistik harian. Model memprediksi log return dan estimasi harga untuk horizon perdagangan $t+1$, sekaligus mengukur estimasi volatilitas pasar (regim Low, Medium, High) melalui GARCH(1,1) dan memberikan skor probabilitas keyakinan arah (direction confidence score). Seluruh proses—mulai dari ingestion data harian, rekayasa fitur (feature engineering), penyimpanan state volatilitas, hingga visualisasi tren interaktif—terintegrasi dalam arsitektur yang ringan dan efisien untuk di-hosting pada lingkungan cPanel/WSGI.
Latar Belakang & Kebutuhan
Kendala operasional dan kebutuhan spesifikasi sistem
Menganalisis pergerakan saham harian sering kali menghadapi kendala noise pasar yang tinggi dan perubahan volatilitas yang dinamis. Sebagian besar investor ritel mengandalkan indikator teknikal tunggal yang bersifat lagging atau model prediksi sederhana yang tidak memperhitungkan dinamika volatilitas (volatility clustering).
Di sisi teknis, mengawinkan model komputasi kuantitatif Python dengan platform web yang terjangkau (shared/cPanel hosting) kerap menjadi tantangan tersendiri: bagaimana menjalankan komputasi feature extraction (38 variabel matematis per emiten) dan melayani inference machine learning tanpa membebani performa server atau menimbulkan latensi tinggi bagi pengguna web.
Di sisi teknis, mengawinkan model komputasi kuantitatif Python dengan platform web yang terjangkau (shared/cPanel hosting) kerap menjadi tantangan tersendiri: bagaimana menjalankan komputasi feature extraction (38 variabel matematis per emiten) dan melayani inference machine learning tanpa membebani performa server atau menimbulkan latensi tinggi bagi pengguna web.
Solusi & Desain Sistem
Pendekatan arsitektur dan struktur logika sistem
Solusi yang dibangun adalah arsitektur decoupled yang memisahkan beban kerja web interface dengan komputasi analitik:
Web & Orchestration Layer (PHP Native MVC & JavaScript): Menangani interaksi pengguna, autentikasi, manajemen watchlist, serta visualisasi grafik performa dan probabilitas arah yang responsif.
Inference Runtime API (FastAPI & Python 3.11): Berdiri sebagai microservice mandiri yang mengonsumsi frozen model bundle untuk mengeksekusi ensemble model (XGBoost + Random Forest) dan model regime-aware GARCH.
State & Data Store (MySQL 8): Skema database relasional yang dirancang khusus untuk data time-series, mencatat riwayat OHLCV, snapshot 38 fitur teknikal terhitung, log prediksi, dan model registry dengan integritas data yang ketat.
Web & Orchestration Layer (PHP Native MVC & JavaScript): Menangani interaksi pengguna, autentikasi, manajemen watchlist, serta visualisasi grafik performa dan probabilitas arah yang responsif.
Inference Runtime API (FastAPI & Python 3.11): Berdiri sebagai microservice mandiri yang mengonsumsi frozen model bundle untuk mengeksekusi ensemble model (XGBoost + Random Forest) dan model regime-aware GARCH.
State & Data Store (MySQL 8): Skema database relasional yang dirancang khusus untuk data time-series, mencatat riwayat OHLCV, snapshot 38 fitur teknikal terhitung, log prediksi, dan model registry dengan integritas data yang ketat.
Pendekatan Teknis & Pemilihan Teknologi
Alasan pemilihan teknologi dan alur proses data
Machine Learning & Time-Series Modeling: Mengembangkan pendekatan ensemble yang menggabungkan Random Forest dan XGBoost untuk estimasi log return $t+1$, dipadukan dengan pemodelan volatilitas GARCH(1,1) Regime-Aware (R2) untuk membedakan kondisi pasar tenang (low), wajar (medium), atau bergejolak (high). Ditambahkan pula direction classifier untuk probabilitas bias tren naik/turun.
Consistent 38-Feature Pipeline: Memastikan konsistensi input inference dengan pipeline kalkulasi fitur teknikal terstandar (return multi-periode, moving averages, indikator momentum, dan volatilitas).
Stateful Volatility Orchestration: Karena model GARCH memerlukan state continuity, backend web mengelola tracking parameter state per ticker saham secara atomik agar estimasi volatilitas tetap presisi dari hari ke hari.
Database Optimization: Struktur tabel MySQL dengan indeks komposit pada (stock_id, trade_date) dan penanganan idempotensi data untuk menjaga query tetap cepat saat data harian bertambah ribuan baris.
Production Deployment via Passenger WSGI & Reverse Routing: Konfigurasi .htaccess dan passenger_wsgi.py yang optimal di hosting Rumahweb/cPanel untuk menjalankan Python app bersamaan dengan PHP routing secara aman dan terisolasi.
Consistent 38-Feature Pipeline: Memastikan konsistensi input inference dengan pipeline kalkulasi fitur teknikal terstandar (return multi-periode, moving averages, indikator momentum, dan volatilitas).
Stateful Volatility Orchestration: Karena model GARCH memerlukan state continuity, backend web mengelola tracking parameter state per ticker saham secara atomik agar estimasi volatilitas tetap presisi dari hari ke hari.
Database Optimization: Struktur tabel MySQL dengan indeks komposit pada (stock_id, trade_date) dan penanganan idempotensi data untuk menjaga query tetap cepat saat data harian bertambah ribuan baris.
Production Deployment via Passenger WSGI & Reverse Routing: Konfigurasi .htaccess dan passenger_wsgi.py yang optimal di hosting Rumahweb/cPanel untuk menjalankan Python app bersamaan dengan PHP routing secara aman dan terisolasi.
Peran & Tanggung Jawab
Tanggung jawab langsung dalam pengembangan modul
End-to-End System Architecture: Merancang arsitektur sistem secara menyeluruh, mulai dari perancangan skema database MySQL, backend PHP MVC, hingga integrasi API Python FastAPI.
Model Packaging & Deployment: Melakukan bundling dan validasi frozen artifacts machine learning, menyusun unit & package-integrity test untuk memverifikasi checksum model saat dimuat di production.
Feature Engineering & Data Pipeline: Mengembangkan modul ekstraksi 38 indikator teknikal serta sinkronisasi data pasar saham harian.
Frontend Dashboard Development: Membangun antarmuka pengguna interaktif dengan Chart.js dan JavaScript murni untuk menampilkan pergerakan harga, watchlist saham pilihan, dan metrik prediksi secara intuitif.
Server Deployment & DevOps: Mengonfigurasi hosting produksi (cPanel Passenger WSGI), optimasi keamanan direktori web, dan otomatisasi deployment file.
Model Packaging & Deployment: Melakukan bundling dan validasi frozen artifacts machine learning, menyusun unit & package-integrity test untuk memverifikasi checksum model saat dimuat di production.
Feature Engineering & Data Pipeline: Mengembangkan modul ekstraksi 38 indikator teknikal serta sinkronisasi data pasar saham harian.
Frontend Dashboard Development: Membangun antarmuka pengguna interaktif dengan Chart.js dan JavaScript murni untuk menampilkan pergerakan harga, watchlist saham pilihan, dan metrik prediksi secara intuitif.
Server Deployment & DevOps: Mengonfigurasi hosting produksi (cPanel Passenger WSGI), optimasi keamanan direktori web, dan otomatisasi deployment file.
Hasil & Dampak Proyek
Pencapaian fungsional dan pengujian hasil implementasi
Berhasil mendeploy sistem prediksi saham otomatis untuk emiten konstituen LQ45 secara live di domain saham45.id.
Memangkas waktu analisis saham harian melalui automasi kalkulasi 38 variabel teknikal dan prediksi harga $t+1$ dalam hitungan detik.
Arsitektur lightweight mampu menjalankan inferensi machine learning kompleks secara stabil di lingkungan hosting dengan alokasi memori terbatas (<512 MB) tanpa kebutuhan GPU server yang mahal.
Pipeline inferensi memiliki test suite mandiri yang memvalidasi integritas data, format respons, dan konsistensi skema fitur sebelum melayani request pengguna.
Memangkas waktu analisis saham harian melalui automasi kalkulasi 38 variabel teknikal dan prediksi harga $t+1$ dalam hitungan detik.
Arsitektur lightweight mampu menjalankan inferensi machine learning kompleks secara stabil di lingkungan hosting dengan alokasi memori terbatas (<512 MB) tanpa kebutuhan GPU server yang mahal.
Pipeline inferensi memiliki test suite mandiri yang memvalidasi integritas data, format respons, dan konsistensi skema fitur sebelum melayani request pengguna.