PENDEKATAN DATA TIME SERIES MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS PREPROCESING PADA PREDIKSI HARGA SAHAM
Abdul Aziz
Program Studi Teknik Informatika Universitas Yudharta
ABSTRACT
Forex Market is a type of trade or transactions of a country's currency to another country's currency (the currency pair / pair), which involves major money markets in the world for 24 hours continuously. A trader is required to have the ability of technical analysis and fundamental good to be able to reap huge profits. Analysis traders used to predict the price in the market will rise or fall based lower threshold price (support) and upper threshold price (resistance). This study used the method of K-Nearest Neighborand a Fibonacci retracement to predict support and resistance levels. The data used in this study downloaded from the server Forex Alpari UK which consists of open, high, low, close, and volume as input data. In this study, training data and testing using test data with different time intervals. This test resulted in an accuracy rate is 50.76% on the test using the training data and test data 2 years 1 month 4 hour period of real data.
Keywords: Prediction, K-NEAREST NEIGHBOR, Fibonacci Retracement, Forex xvii + 101 pages; 24 images; 40 tables; 1 attachment
PENDAHULUAN
1.1 Latar Belakang
Pasar valuta asing (foreign exchange market) atau disingkat valas merupakan suatu jenis perdagangan atau transaksi yang memperdagangkan mata uang suatu negara terhadap mata uang negara lainnya (pasangan mata uang/pair) yang melibatkan pasar-pasar uang utama di dunia selama 24 jam secara berkesinambungan. Pergerakan pasar valuta asing berputar mulai dari pasar Selandia Baru dan Australia yang berlangsung pukul 05.00– 14.00 WIB, terus ke pasar Asia yaitu Jepang, Singapura, dan Hongkong yang berlangsung pukul 07.00–16.00 WIB, ke pasar Eropa yaitu Jerman dan Inggris yang berlangsung pukul 13.00–22.00 WIB, sampai ke pasar Amerika Serikat yang berlangsung pukul 20.30–10.30 WIB. Dalam perkembangan sejarahnya, bank sentral milik negara-negara dengan cadangan mata uang asing yang terbesar sekalipun dapat dikalahkan oleh kekuatan pasar valuta asing yang bebas. Menurut survei BIS (Bank International for Settlement, bank sentral dunia), yang dilakukan pada akhir tahun 2004, nilai transaksi pasar valuta asing mencapai lebih dari USD$1,4 triliun per harinya.
Mengingat tingkat likuiditas dan percepatan pergerakan harga yang tinggi tersebut, valuta asing juga telah menjadi alternatif yang paling populer karena ROI (return on investment atau tingkat pengembalian investasi) serta laba yang akan
didapat bisa melebihi rata-rata perdagangan pada umumnya. Akibat pergerakan yang cepat tersebut, maka pasar valuta asing juga memiliki risiko yang tinggi [ HYPERLINK \l
"San13" 1 ].
Dengan adanya resiko pasti ada pula peluang untuk mendapatkan keuntungan. Maka seorang trader di tuntut untuk memiliki kemampuan analisa yang bagus agar mampu meraup keuntungan yang besar. Analisa trader digunakan untuk memprediksikan harga pada pasar akan naik atau turun didasarkan ambang bawah harga (support) dan ambang atas harga (resistance). Prediksi harga sangat membantu para trader untuk mengambil keputusan apakah mereka harus menjual atau membeli saat berada dalam pasar forex2].
Dalam menentukan prediksi tingkat support dan resistance ada beberapa cara salah satunya yaitu dengan fibonacci retracement [ HYPERLINK \l "MMu132" 3 ]. Fibonacci Retracement adalah sebuah alat analisa favorit para trader, akurasi bilangan fibonacci dalam analisa forex cukup terkenal. Menurut para ilmuwan fibonacci adalah "Angka Tuhan" karena kombinasi angka fibonacci ini bisa ditemukan di alam bahkan ada dalam setiap jengkal proporsi tubuh ideal manusia. Dalam Metatrader 4 (disingkat MT4) terdapat beberapa level fibonacci retracement yaitu : 0 , 23.6 , 38.2 , 50 , 61.8 , 100 dan fibonacci extension yaitu 161.8 , 261.8 dan 423.6 Pada fibonacci retracement
dan extension yang saya gunakan menghilangkan 23.6 dan 50 karena level yang terpenting pada fibonacci retracement adalah 38.2 dan 61.8 (biasanya sering disebut sebagain key level) saya juga menambahkan level baru yaitu 127.2. Angka 127.2 ini bukan asal menentukan, angka tersebut adalah akar dari 161.8 Pada grafik di bawah ini kita bisa melihat keampuhan fibonacci retracement dan extension dalam memperkirakan letak pembalikan harga dan target. Fibonacci rectrament merupakan salah satu indikator prediksi harga berdasarkan data histori
diharapkan bisa membantu para trader, khususnya untuk para trader yang memiliki kelemahan dalam hal analisis.
Berdasarkan penelitian yang dilakukan oleh 4], bahwa metode K-Nearest Neighbordapat digunakan untuk memprediksikan harga berdasarkan faktor-faktor yang mempengaruhi pergerakan harga. Tingkat akurasinya mencapai rata-rata 98,63%. K-NEAREST NEIGHBOR adalah gabungan antara metode fuzzy logic dengan Jaringan Syaraf Tiruan (JST). Kombinasi kedua metode ini membuat K-NEAREST NEIGHBOR dikatakan menggunakan sistem hibrid. K-NEAREST NEIGHBOR memiliki beberapa lapisan berbasiskan fuzzy inference system. Fuzzy logic memiliki kelebihan dalam memodelkan aspek kualitatif dari pengetahuan manusia dan proses pengambilan keputusan dengan menerapkan basis aturan (rules). Sedangkan JST dapat bekerja berdasarkan data historis yang
dimasukkan kepadanya dan dapat memprediksi kejadian yang akan datang berdasarkan data-data tersebut [ HYPERLINK \l "JSR93" 5 ]. Dalam melakukan analisis teknikal pada forex diperlukan alat bantu analisis yang disebut indikator. Terdapat lebih dari 50 jenis indikator dalam analisis teknikal. Banyak analis dan trader yang memiliki gaya dan karakteristik analisa berdasarkan pergerakan koreksi atau rebound dari harga. Mereka akan berusaha untuk mencari harga tertinggi atau terendah lalu mengambil posisi setelahnya. Pandangan bahwa harga akan berbalik arah (retrace) setelah terjadi pergerakan memang bukan hal yang asing lagi dan untuk mendapatkan tingkat-tingkat tujuan pergerakan harga setelah pergerakan yang cepat dengan sifat support maupun resistance, Fibonacci Retracement dianggap sebagai salah satu yang terbaik6]. Idenya adalah untuk transaksi buy pada retracement di tingkat support Fibonacci saat trend sedang naik, dan transaksi sell pada retracement di tingkat resistance Fibonacci saat trend sedang turun [ HYPERLINK \l "Vio11" 7 ].
Pada skripsi ini akan digunakan
K-NEAREST NEIGHBOR untuk
memprediksikan harga tertinggi (swing high) dan harga terendah (swing low) yang akan dihitung menggunakan Fibonacci Retracement guna mendapatkan tingkat support dan resistance.
1.2 Rumusan Masalah
Beberapa masalah yang dijadikan objek dalam skripsi ini adalah :
Prediksi swing high dan swing low dengan menggunakan K-Nearest NeighborMetode Sugeno.
1.3 Batasan Masalah
Berdasarkan masalah yang diangkat pada skripsi ini, diberikan batasan masalah :
1. Data yang digunakan dalam pengujian skripsi ini adalah data histori pada pasangan mata uang atau pair EURO dan USD periode Januari 2011 – Desember 2013 yang di unduh dari server Forex Alpari UK.
2. Skripsi ini hanya menggunakan parameter dari analisis teknikal (indikator) tanpa memperhatikan parameter dari analisis fundamental. 3. Data Input yang digunakan pada
sistem prediksi dalam skripsi ini yaitu
open, high, low, close, dan volume
dimana data tersebut akan diolah lebih lanjut sesuai parameter-parameter yang telah ditentukan.
1.4 Tujuan Penelitian
Tujuan dari penulisan skripsi ini adalah : Mengukur tingkat akurasi dari prediksi harga tertinggi (swing high) dan harga terendah (swing low) dengan menggunakan K-Nearest NeighborMetode Sugeno.
2. Landasan Teori 2.1 Forex
Forex adalah sebuah investasi yang memperdagangkan mata uang satu dengan mata uang lainnya. Forex merupakan kependekan dari Foreign Exchange atau biasa disebut juga valuta asing (valas) jadi maksunya adalah pertukaran mata uang asing [ HYPERLINK \l "San13" 1 ]. Pasar valuta asing telah berkembang secara revolusioner pada tahun-tahun belakangan ini, teknologi internet dan komunikasi menyediakan sarana baru bagi individu, institusi, dan negara saat bertransaksi di pasar valuta asing internasional8].
Berikut ini beberapa keunggulan yang disediakan oleh pasar valuta asing, baik untuk berinvestasi maupun untuk berspekulasi:
1. Likuiditas
Pasar valutas asing adalah pasar yang sangat likuid (cair). Likuiditas itulah yang menjadi daya tarik utama pasar forex. Oleh karena itu sifatnya yang likuid, hasil transaksi dapat dengan segera diambil. Likuiditas juga menunjukan transparansi pada pergerakan harga.
2. Leverage
Adanya sistem leverage memungkinkan trader dengan margin deposit yang kecil untuk dapat melakukan kontrak transaksi dengan jumlah yang lebih besar. Leverage memberikan kesempatan kepada trader agar trader memperoleh
keuntungan berlipat dan meminimalkan resiko kehilangan modal. Sebagai contoh broker menawarkan 100:1 leverage, artinya dengan deposit $100 anda dapat melakukan transaksi jual beli sebesar $10.000
3. Mudah menyesuaikan
Pasar valuta asing berjalan 24 jam sehari hal tersebut memberikan kebebasan untuk bertransaksi pada jam-jam tertentu. Hal itu sangat memberikan kemudahan, ada juga broker yang memberikan kemudahan untuk menjalankan transaksi secara otomatis “automated trading system”, memulai dari bentuk yang sederhana seperti limit order sampai kepada sistem yang canggih dan terprogram.
2.2K-Means Clustering
K-Means merupakan algoritma clustering yang berulang-ulang. Algoritma K-Means dimulai dengan pemilihan secara acak K, K disini merupakan banyaknya cluster yang ingin dibentuk. Kemudian tetapkan nilai-nilai K secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau biasa disebut dengan centroid, mean atau “means”.
Algoritma K-Means diperkenalkan oleh J.B MacQueen pada tahun 1976, yang merupakan salah satu algoritma clustering yang sangat umum untuk mengelompokkan data sesuai dengan karateristik atau ciri-ciri bersama yang serupa. Grup data ini
dinamakan sebagai cluster. Data di dalam suatu cluster mempunyai ciri-ciri (atau fitur, karakteristik, atribut, properti) serupa dan tidak serupa dengan data pada cluster lain.
Langkah-langkah untuk melakukan pengelompokan K-Means adalah13]:
1. Standarisasi data yang akan dikelompokkan (menentukan bobot dari data mentah yang telah didapatkan). Hal ini dilakukan agar data mempunyai skala yang sama, sehingga pengelompokan akan stabil seperti pada persamaan 2.5 :
(2.5) dimana :
= data yang
distandarisasi
= nilai minimal pada table ke-j
= nilai maksimal pada table ke-j
2. Melakukan pengelompokan dengan metode K-Means Clustering, langkah-langkahnya adalah :
a. Pilih jumlah cluster k.
b. Inisialisasi k sebagai pusat cluster (centroid), ini bisa dilakukan dengan berbagai cara. Yang paling sering dilakukan adalah dengan cara random. Pusat-pusat cluster diberi nilai awal dengan angka-angka random.
c. Tempatkan setiap data/obyek ke cluster terdekat. Kedekatan dua obyek ditentukan jarak antara data dengan centroid. Jarak terdekat antara data dengan centroid akan menentukan data tersebut masuk dalam cluster mana. Untuk menentukan jarak tersebut digunakan rumus seperti pada persamaan 2.6
(2.6) dimana :
= jarak data dengan
centroid
= data yang akan di cluster
= nilai centroid
d. Hitung kembali centroid yang baru dengan keanggotaan cluster yang sekarang. Centroid yang baru adalah rata-rata dari semua data/obyek dalam cluster tertentu. Persamaan 2.7 untuk pencarian
centroid yang baru.
(2.7) dimana :
= centroid yang baru = data pada cluster tertentu
= banyaknya data pada cluster tertentu
Jika dikehendaki bisa juga memakai median dari cluster tersebut. Jika rata-rata (mean) bukan satu-satunya ukuran yang bisa dipakai.
e. Tugaskan lagi setiap data dengan memakai centroid yang baru. Jika data pada setiap cluster sudah tidak berubah lagi, maka proses pengelompokan selesai. Atau, kembali lagi ke langkah ketiga (point c) sampai pusat cluster tidak berubah.
f. Setelah selesai, maka didapatkanlah data yang telah tercluster yang akan dimasukkan untuk pencarian mean pada persamaan 2.8 dan standar deviasi pada persamaan 2.9. (2.8) (2.9) dimana : = mean (rata-rata) = standar deviasi = data ke-i = banyaknya data
IMPLEMENTASI DAN PERANGKAT LUNAK
Pada bab ini di implementasi perangkat lunak sebagai sistem aplikasi yang menerapkan metode K-Nearest Neighbordan
Fibonacci Retracement untuk
memprediksikan tingkat swing high dan
swing low ataupun support dan resistance di server Alpari UK pada Forex Market. Untuk melakukan implementasi metode tersebut perlu adanya ruang lingkup untuk mengimplementasikan kebutuhan program yaitu perangkat lunak dan perangkat keras.
4.1Kebutuhan Perangkat Sistem
Pada perangkat sistem ini meliputi kebutuhan perangkat keras (hardware) dan kebutuhan perangkat lunak (software).
4.2Kebutuhan Perangkat Keras (Hardware)
Kebutuhan perangkat keras yang digunakan untuk mengimplementasikan sistem K-NEAREST NEIGHBOR dan
Fibonacci Retracement untuk prediksi tingkat
support dan resistance pada Forex Market
adalah laptop dengan spesifikasi sebagai berikut :
1. Processor Intel(R) Core i3 (TM) 3317U 2. Memori 4 GB
3. Hardisk 500 GB
4. Vga intel HD + Nvidia Geforce GT 740 5. Monitor 14’
6. Keyboards 7. Mouse
4.3Kebutuhan Perangkat Lunak (Software)
Kebutuhan perangkat lunak ini digunakan untuk mengimplementasikan sistem K-NEAREST NEIGHBOR dan
Fibonacci Retracement untuk prediksi tingkat
support dan resistance pada Forex Market
adalah :
1. Sistem Operasi Windows 7 Ultimate 2. Netbeans IDE 7.0.1
3. Java Development Kit 7
4.4Perhitungan Manual
4.4.1 Proses Perhitungan Manual
Pada sub bab ini akan diterapkan contoh pertama perhitungan manual data excel dengan menggunakan metode yang dipakai dalam penelitian ini. Dalam perhitungan manual ini adalah data yang di unduh dari server Alpari UK untuk prediksi swing high dan swing low atau pada tingkat support dan
resistance menggunakan sistem K-NEAREST NEIGHBOR dan Fibonacci Retracement
pada Forex Market.
4.4.2 Perhitungan Nilai Parameter
Parameter yang digunakan pada data
forex market memiliki 5 variabel yaitu, open,
high, low, close, volume. Data ini bisa dilihat pada tabel 4.1.
Tabel 4.1 Data Forex Periode 02 januari 2012
Open High Low Close Volume
1.29357 1.29681 1.29168 1.29332 40011 1.29331 1.30762 1.29312 1.30489 81388 1.30489 1.30719 1.28974 1.29423 80588 1.2942 1.29461 1.27702 1.27879 92426 1.27878 1.28121 1.26972 1.27188 80314 1.26947 1.27848 1.26661 1.27643 82032
1.27643 1.28174 1.27424 1.27767 76312 1.27766 1.27893 1.26619 1.27058 84678 1.27059 1.28442 1.26994 1.28136 83655 1.28135 1.28778 1.26241 1.26775 92438
Setelah data input sudah diketahui, langkah awal dapat dihitung nilai dari parameter yang telah ditentukan sebagai data
input sistem K-NEAREST NEIGHBOR.
Apapun untuk menghitung nilai parameter bisa dilihat pada persamaan 2.1, 2.2, 2.3. Hasil dari perhitungan nilai parameter bisa dilihat pada tabel 4.2.
Contoh perhitungan nilai parameter :
TP
Tabel 4.2 Hasil Perhitungan Nilai Parameter
x1 (%K) x2 (%D) x3 (TP) x4 (VAMA) 31.96881 0 1.293937 40011 81.17241 0 1.301877 81388 25.73066 48.274 1.297053 80588 10.06254 36.39483 1.283473 92426 18.79896 18.09585 1.27427 80314 82.72957 33.57753 1.27384 82032 45.73333 49.93519 1.277883 76312 34.4584 54.93616 1.2719 84678 78.8674 55.41475 1.278573 83655 21.04848 40.21677 1.272647 92438
4.4.3 Perhitungan Nilai K-Means Clustering
Dari hasil perhitungan 10 data yang ada, maka selanjutnya akan dikelompokkan menjadi 2 cluster berdasarkan jenis output
nya, yaitu nilai tinggi dan nilai rendah. Algoritma K-Means digunakan untuk mencari nilai standar deviasi (a) dan mean (c). Berikut adalah langkah-langkah perhitungannya : 1. Melakukan standarisasi data dari nilai
parameter menggunakan persamaan 2.5 dan dihitung juga bobot dari data nilai parameter yang sudah distandarisasi menggunakan rata-rata. Hasil perhitungan ini bisa dilihat pada tabel 4.3.
Tabel 4.3 Standarisasi Data Nilai Parameter dan Bobot
2. Untuk selanjutnya melakukan perhitungan iterasi pertama seperti pada persamaan 2.6 dengan pusat cluster yang sudah ditentukan secara acak antara nilai minimum dan nilai maksimum dari bobot yang diperoleh. Hasil perhitungan iterasi pertama ditunjukkan pada tabel 4.4. Nilai pusat cluster awal didapatkan secara acak :
Tabel 4.4 Data Cluster Iterasi Pertama
W c1 c2 0.259147 0.100853 0.390853 0.691951 0.331951 0.041951 0.674956 0.314956 0.024956 0.510655 0.150655 0.139345 0.323646 0.036354 0.326354 0.618041 0.258041 0.031959 0.571002 0.211002 0.078998 0.544767 0.184767 0.105233 0.750485 0.390485 0.100485 0.475458 0.115458 0.174542
3. Iterasi akan terus berjalan sampai anggota tiap cluster tidak berubah. Pada iterasi kedua ini, pusat cluster dihitung menggunakan nilai rata-rata data tiap anggota cluster, kemudian dikalikan dengan bobot masing-masing cluster.
Hasil iterasi kedua bisa dilihat pada tabel 4.5.
Contoh perhitungan pusat cluster baru :
Tabel 4.5 Data Cluster Iterasi Kedua
W c1 c2 0.259147 0.093603 0.363975 0.691951 0.3392 0.068828 0.674956 0.322206 0.051834 0.510655 0.157905 0.112467 0.323646 0.029104 0.299476 0.618041 0.26529 0.005082 0.571002 0.218251 0.052121 0.544767 0.192017 0.078355 0.750485 0.397735 0.127363 0.475458 0.122707 0.147664
4. Dari perbandingan antara hasil cluster iterasi pertama dan iterasi kedua menunjukkan bahwa tidak ada perubahan anggota, sehingga iterasi berhenti. Hasil cluster bisa dilihat pada tabel 4.6.
Tabel 4.6 Data Hasil Cluster
x1 (%K) x2 (%D) x3 (TP) x4 (VAMA) Cluster x1 x2 x3 x4 W 0.301461 0 0.735127 0 0.259147 0.978571 0 1 0.789231 0.691951 0.215615 0.87114 0.839097 0.773971 0.674956 0 0.656772 0.386078 0.999771 0.510655 0.120225 0.326553 0.079061 0.768745 0.323646 1 0.605931 0.064717 0.801514 0.618041 0.49088 0.901117 0.1996 0.69241 0.571002 0.335721 0.991363 0 0.851985 0.544767 0.946851 1 0.222618 0.832472 0.750485 0.151182 0.725741 0.024908 1 0.475458
31.96881 0 1.293937 40011 c1 81.17241 0 1.301877 81388 c2 25.73066 48.274 1.297053 80588 c2 10.06254 36.39483 1.283473 92426 c2 18.79896 18.09585 1.27427 80314 c1 82.72957 33.57753 1.27384 82032 c2 45.73333 49.93519 1.277883 76312 c2 34.4584 54.93616 1.2719 84678 c2 78.8674 55.41475 1.278573 83655 c2 21.04848 40.21677 1.272647 92438 c1
4.4.4 Perhitungan Nilai Standar Deviasi dan Mean
Menghitung nilai mean dan nilai standar deviasi sesuai dengan persamaan 2.8 dan 2.9. Hasil perhitungan nilai mean dan nilai standar deviasi bisa dilihat pada tabel 4.7 dan 4.8.
Contoh perhitungan nilai mean cluster 1 untuk nilai parameter x1:
Tabel 4.7 Nilai c (Mean)
Mean x1 x2 x3 x4
c1 23.93875 19.43754 1.280284 70921 c2 51.25062 39.79035 1.283514 83011.29 Contoh perhitungan nilai standar deviasi
cluster 1 untuk nilai parameter x1 :
Tabel 4.8 Nilai a (StandarDeviasi)
Std Deviasi x1 x2 x3 x4
c1 7.044608 20.14193 0.011851 27446.66 c2 29.74635 19.50132 0.011584 4935.854
4.4.5 Perhitungan Nilai Output pada Lapisan 1 (Derajat Keanggotaan)
Dari data sebelumnya sudah diketahui nilai a dan c dari tiap masing-masing cluster, kemudian dicari nilai derajat keanggotaan dari setiap data cluster menggunakan fungsi generalized bell pada persamaan 2.11. Hasil perhitungan nilai derajat keanggotaan bisa dilihat pada tabel 4.9.
Contoh perhitungan nilai derajat keanggotaan dari data pertama :
Tabel 4.9 Nilai Output Pada Lapisan 1
µA1 µA2 µB1 µB2 µC1 µC2 µD1 µD2 0.434907 0.70414 0.517791 0.193678 0.429723 0.552625 0.44086 0.013005 0.014924 0.49706 0.517791 0.193678 0.231503 0.28467 0.873032 0.902397 0.93923 0.576029 0.327905 0.840866 0.333094 0.422636 0.889638 0.805777 0.204919 0.34279 0.585213 0.970575 0.932483 0.999988 0.619616 0.2156 0.652603 0.456587 0.995582 0.446912 0.79519 0.61092 0.895159 0.770044 0.014155 0.471724 0.669869 0.907856 0.77178 0.589101 0.859195 0.962127 0.094593 0.966742 0.30371 0.787016 0.960569 0.808862 0.962853 0.351842 0.309605 0.758337 0.243538 0.623755 0.666427 0.49868 0.799215 0.897646 0.016182 0.537073 0.238638 0.609044 0.979579 0.846066 0.822873 0.983276 0.855922 0.492397 0.48443 0.999522 0.706534 0.531861 0.619353 0.215169
4.4.6 Perhitungan Nilai Output Pada Lapisan 2 (Fire Strength)
Dari data sebelumnya sudah diketahui nilai derajat keanggotaan, kemudian akan dicari nilai fire strength sesuai dengan persamaan 2.12. Hasil perhitungan nilai dari
fire strength bisa dilihat pada tabel 4.10. Contoh perhitungan nilai fire strength dari data pertama:
Tabel 4.10 Nilai Output Pada Lapisan 2
w1 w2 0.042662 0.00098 0.001562 0.02473 0.091264 0.16495 0.069288 0.07173 0.462484 0.095994 0.006288 0.242732 0.026571 0.21653 0.04016 0.21174 0.003113 0.272121 0.181441 0.056323
4.4.7 Perhitungan Nilai Output Pada Lapisan 3 (Normalisasi Fire Strength)
Dari data sebelumnya sudah diketahui nilai fire strength, kemudian pada lapisan 3 ini akan dihitung nilai normalisasi fire strength. Untuk menghitung normalisasi fire strength sesuai dengan persamaan 2.13. Hasil nilai normalisasi dari fire strength bisa dilihat pada tabel 4.11.
Contoh perhitungan normalisasi nilai fire strength dari sdata pertama :
Tabel 4.11 Nilai Output Lapisan 3
0.977542 0.022458 0.059402 0.940598 0.356203 0.643797 0.491343 0.508657 0.828115 0.171885 0.025249 0.974751 0.1093 0.8907 0.159427 0.840573 0.011309 0.988691 0.763114 0.236886
4.4.8 Perhitungan Nilai Output Pada Lapisan 4 (LSE)
Selanjutnya pada lapisan 4 ini ada 2 tahap perhitungan, yaitu mencari nilai matriks desain kemudian di transpose dan dari nilai transpose di inverskan langkah selanjutnya hasil akan digunakan sebagai data nilai input
untuk menghitung nilai LSE dan mencari nilai parameter konsekuen dengan menggunakan LSE. Untuk menghitung LSE sesuai pada persamaan 2.18. Hasil dari nilai matriks desain dan hasil perhitungan nilai LSE dapat dilihat pada tabel 4.12 dan 4.13.
Tabel 4.12 Nilai Matriks Desain c11 c12 c13 c14 c10 c21 c22 c23 c24 c20 31.25087 0 1.264878 39112.45 0.977542 0.71794 0 0.029059 898.548 0.022458 4.821776 0 0.077334 4834.582 0.059402 76.35064 0 1.224543 76553.42 0.940598 9.165335 17.19534 0.462014 28705.68 0.356203 16.56532 31.07866 0.835039 51882.32 0.643797 4.944161 17.88236 0.630626 45412.91 0.491343 5.118375 18.51247 0.652847 47013.09 0.508657 15.56769 14.98544 1.055241 66509.19 0.828115 3.231268 3.110414 0.219029 13804.81 0.171885 2.088842 0.8478 0.032163 2071.229 0.025249 80.64073 32.72973 1.241677 79960.77 0.974751 4.998674 5.457939 0.139673 8340.937 0.1093 40.73466 44.47725 1.13821 67971.06 0.8907 5.49361 8.758323 0.202776 13499.99 0.159427 28.96479 46.17783 1.069124 71178.01 0.840573 0.891943 0.626708 0.01446 946.0882 0.011309 77.97546 54.78804 1.264113 82708.91 0.988691 16.06239 30.68998 0.971175 70540.74 0.763114 4.98609 9.526789 0.301472 21897.26 0.236886
Tabel 4.13 Hasil Perhitungan Nilai LSE Hasil LSE (high) Hasil LSE (low) -0.00053 -0.00021 0.000829 -0.00025 0.570707 1.018127 -6.3E-07 -2.7E-08 0.600847 -0.01816 5.14E-05 -0.00011 -1.3E-05 -3.7E-05 1.148553 0.883107 3.28E-07 -3.9E-07 -0.21485 0.184304
Langkah selanjutnya dari data hasil nilai LSE di atas kemudian di cari nilai output
pada lapisan 4 menggunakan persamaan 2.14. Hasil nilai output pada lapisan 4 bisa dilihat pada tabel 4.14.
Contoh perhitungan nilai output pada lapisan 4 :
Tabel 4.1 4 Nilai Output Pada Lapisan 4
o4,1 o4,2 1.267928 0.028882 0.074213 1.233407 0.468948 0.838242 0.638616 0.655994 1.061918 0.219292 0.031813 1.246667 0.141988 1.139752 0.207332 1.071598 0.014496 1.269924 0.9851 0.30268
4.4.9 Perhitungan Nilai Output Pada Lapisan 5
Nilai output lapisan 5 ini merupakan
output hasil akhir dari sistem K-Nearest Neighbor, seluruh sinyal yang masuk dijumlahkan sesuai dengan persamaan 2.15. Hasil nilai output pada lapisan 5 bisa dilihat pada tabel 4.15.
Contoh perhitungan :
Tabel 4.15 Nilai Output Pada Lapisan 5 o5 1.29681 1.30762 1.30719 1.29461 1.28121 1.27848 1.28174 1.27893 1.28442 1.28778
Dari hasil output jaringan adaptif didapatkan, selanjutnya akan dilakukan proses untuk mencari nilai c dan a yang baru. Akan tetapi sebelum mencari nilai c dan a, terlebih dahulu menghitung nilai error pada lapisan 5 sampai pada lapisan 1 dengan menggunakan metode steepest descent.
Contoh perhitungan :
Nilai error pada lapisan 5
(rata-rata)
Nilai error pada lapisan 4
Nilai error pada lapisan 3
(rata-rata)
(rata-rata)
Nilai error pada lapisan 2
(rata-rata)
(rata-rata)
Nilai error pada lapisan 1
(rata-rata) (rata-rata) (rata-rata) (rata-rata) (rata-rata) (rata-rata) (rata-rata) (rata-rata)
Langka selanjutnya nilai error pada lapisan 1 digunakan untuk mencari nilai error c dan a sesuai dengan persamaan 2.30 dan 2.31. Hasil nilai error c dan a dapat dilihat pada tabel 4.16 dan 4.17.
Tabel 4.16 Nilai Error c
Ecik x1 x2 x3 x4
c1 -1.9E-12 -5.4E-12 -1.2E-12 -3.1E-12 c2 1.16E-12 1.63E-12 1.29E-13 4.24E-12
Tabel 4.17 Nilai Error a
Eaik x1 x2 x3 x4
c1 -2.6E-13 -2.7E-13 -9.7E-11 -1.1E-16 c2 3.89E-14 8.35E-14 1.11E-11 8.59E-16
Karena nilai error a dan nilai error c sudah diketahui, maka selanjutnya menghitung perubahan nilai c dan a sesuai persamaan 2.32 dengan learning rate 0.0001. Hasil perubahan nilai c dan a bisa dilihat pada tabel 4.18 dan 4.19.
∆c = 0.0001 * (-1.9E-12) * 43.05706 = 2.5E-13
∆a = 0.0001* (-2.6E-13) * 43.05706 = 2.3E-14
Tabel 4.18 Perubahan Nilai c
∆c x1 x2 x3 x4
c1 -8E-15 -1.8E-14 -1.5E-16 -2.4E-11 c2 4.99E-15 5.48E-15 1.66E-17 3.37E-11
Tabel 4.19 Perubahan Nilai a
∆a x1 x2 x3 x4
c1 -1.1E-15 -9.1E-16 -1.2E-14 -8.9E-16 c2 1.68E-16 2.81E-16 1.43E-15 6.82E-15
Langkah selanjutnya menghitung dari nilai c dan a yang baru sesuai persamaan 2.33
dan 2.34. Hasil dari nilai c dan a yang baru bisa dilihat pada tabel 4.20 dan 4.21.
C baru = 23.93875 + (-8E-15) = 24.90621 A baru = 7.044608 + (-1.1E-15) = 10.89667 Tabel 4.20 Nilai c Baru
c baru x1 x2 x3 x4
c1 23.93875 19.43754 1.280284 70921 c2 51.25062 39.79035 1.283514 83011.29
Tabel 4.21 Nilai a Baru
a baru x1 x2 x3 x4
c1 7.044608 20.14193 0.011851 27446.66 c2 29.74635 19.50132 0.011584 4935.854
4.4.11 Perhitungan Fibonacci Retracement Dari hasil nilai output pada lapisan 5, maka nilai hasilnya akan digunakan sebagai
input dari Fibonacci Retracement. Untuk menentukan tingkat support dan resistance yang berada pada rasio Fibonacci 0%, 23.6%, 38.2%, 50%, 61.8% dan 100% sesuai dengan persamaan 2.4. Hasil nilai output dari
Fibonacci Retracement bisa dilihat pada tabel 4.22.
Contoh perhitungan :
Tabel 4.22 Nilai Fibonacci Retracement
1.6.1 Form Pelatihan
Pada form pelatihan digunakan sebagai antarmuka program untuk mencari nilai parameter premis dan nilai parameter
0% 23.60% 38.20% 50% 61.80% 100%
konsekuen yang terbaik. Gambar form pelatihan dapat dilihat pada gambar 4.1.
Gambar 4.1 Form Pelatihan
Pada form pelatihan ini, user di sarankan untuk mengisikan nilai max error,
max iterasi, dan learning rate. Kemudian memilih target output yang diharapkan antara
high, low, dan close. Sebelumnya harus mengambil data latih secara manual pada direktori lain menggunakan tombol Load, maka user bisa menekan tombol Proses Pelatihan guna untuk mendapatkan nilai parameter premis dan nilai parameter konsekuen yang terbaik. Hasil dari nilai parameter premis dan nilai parameter konsekuen yang terbaik bisa dilihat pada tabel masing-masing.
1.6.2 Form Pengujian
Pada form pengujian digunakan sebagai antarmuka program untuk menguji data aktual dan data hasil output jaringan (hasil nilai
prediksi). Gambar form pengujian dapat dilihat pada gambar 4.2.
Gambar 4.2 Form Pengujian
User melakukan pelatihan untuk setiap target nilai output yang berada pada form pelatihan agar bisa melakukan pengujian data. Pada form pengujian, user memilih target nilai output guna menyesuaikan antara target nilai output pelatihan dengan target nilai
output pengujian. Kemudian mengambil data uji pada direktori lain menggunakan tombol Load, maka user bisa melakukan pengujian sesuai dengan target nilai output yang dipilih. Jika target nilai output high dan low sudah diproses, selanjutnya perhitungan Fibonacci Retracementakan akan diproses. Jika target nilai output close sudah diproses, maka bisa didapatkan trend dan nilai tingkat akurasinya.
1.6.3 Form Fibonacci Retracement Pada form Fibonacci Retracement
digunakan sebagai antarmuka program untuk melihat tingkat support atau resistance hasil dari perhitungan Fibonacci Retracement.
Gambar form Fibonacci Retracement dapat dilihat pada gambar 4.3.
Gambar 4.3 Form Fibonacci Retracement
Pada form Fibonacci Retracement, user dapat melihat tingkat support atau
resistance yang dihasilkan dari perhitungan
Fibonacci Retracement menggunakan nilai
high dan nilai low hasil dari proses pengujian.
PENGUJIAN DAN ANALISIS
Pada bab V ini membahas tentang tahapan pengujian dan analisis sistem prediksi tingkat support dan resistance pada forex market yang telah diimplementasikan sebelumnya.
5.1Sistematika Pengujian
Pada sub bab sistematika pengujian ini dilakukan 3 macam tahap uji coba. Pengujian pertama adalah pengujian laju pembelajaran data latih. Pengujian kedua adalah pengujian nilai error (RMSE). Pengujian ketiga adalah
pengujian trend. Dalam pengujian digunakan nilai minimum error sebesar dan nilai maksimum iterasi sebesar 500. Penggunaan nilai minimum error dan nilai maksimum iterasi tersebut dimaksudkan agar nilai error jaringan yang dihasilkan dapat mencapai titik yang diharapkan (konvergen) atau mencapai minimum error.
5.2Sistematika Pengujian Laju Pembelajaran
Pada sub bab pengujian pertama adalah menguji nilai laju pembelajaran agar didapatkan nilai laju pembelajaran yang terbaik. Pengujian dilakukan menggunakan data latih dan data uji yang berbeda berdasarkan interval waktu pada 3 target
output yang berbeda. Laju pembelajaran akan diubah-ubah nilainya mulai dari 0.1 hingga 0.9. Laju pembelajaran yang menghasilkan nilai error RMSE terkecil (terbaik) akan digunakan sebagai laju pembelajaran untuk pengujian data selanjutnya.
5.3Sistematika Pengujian Trend
Pengujian kedua adalah menguji trend
dengan cara membandingkan trend data aktual dengan trend output jaringan hasil dari prediksi. Dari pengujian ini dapat dilihat tingkat akurasi dari K-NEAREST NEIGHBOR.
5.4Implementasi Pengujian
5.4.1 Pengujian Laju Pembelajaran
Pada sub bab pengujian ini nilai laju pembelajaran yang digunakan adalah learning
reate 0.1 sampai 0.9. Pengujian dilakukan pada setiap target output berbeda dan akan dipilih nilai RMSE yang terkecil. Tabel 5.1 menunjukkan hasil pengujian laju pembelajaran menggunakan data latih 1 tahun, yaitu periode Januari – Desember 2011 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode mingguan).
Tabel 5.1 Pengujian Laju Pembelajaran Data Latih 1 Tahun Dan Data Uji 1 Bulan
Rat e
RMSE
High Low Close
0.1 0.0184969181169332 28 0.0130284297302007 78 0.0327172480406868 5 0.2 0.0184969179557539 22 0.0130284297108196 14 0.0327172485701965 1 0.3 0.0184969178926956 55 0.0130284294801331 8 0.0327172499027654 4 0.4 0.0184969182177466 7 0.0130284286404491 33 0.0327172482027443 1 0.5 0.0184969180699266 18 0.0130284296243500 38 0.0327172478942434 7 0.6 0.0184969180059963 33 0.0130284303611859 97 0.0327172489464160 75 0.7 0.0184969182671151 92 0.0130284280293744 52 0.0327172479363596 34 0.8 0.0184969186878159 72 0.0130284287998195 66 0.0327172479986773 0.9 0.0184969181520822 12 0.0130284296597045 46 0.0327172550502277 95
Dari tabel 5.1 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 0.3 dengan nilai error RMSE 0.018496917892695655, untuk low
berada pada laju pembelajaran 0.7 dengan nilai erro RMSE 0.013028428029374452, serta untuk close berada pada laju pembelajaran 0.5 dengan nilai error RMSE 0.03271724789424347. Untuk hasil pengujian menggunakan data latih 2 tahun, yaitu periode Januari 2011 – Desember 2012 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode mingguan) dapat dilihat pada tabel 5.2.
Tabel 5.2 Pengujian Laju Pembelajaran Data Latih 2 Tahun Dan Data Uji 1 Bulan
Ra te
RMSE
High Low Close
0.1 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756 0.2 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756 0.3 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756 0.4 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756 0.5 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756 0.6 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756 0.7 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756 0.8 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756 0.9 0.014690960171 733334 0.013143185671 456765 0.023567068776 079756
Dari tabel 5.2 dapat dilihat bahwa nilai error RMSE terkecil untuk high, low, close
semua laju pembelajaran sama rata. Untuk hasil pengujian menggunakan data latih 3 tahun, yaitu periode Januari 2011 – Desember 2013 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode mingguan) dapat dilihat pada tabel 5.3.
Tabel 5.3 Pengujian Laju Pembelajaran Data Latih 3 Tahun Dan Data Uji 1 Bulan
Ra te
RMSE
High Low Close
0.1 0.0130880501 72781541 0.0129525775 88002218 0.0235115141 5213757 0.2 0.0130880501 73300066 0.0129525775 85812794 0.0235115141 5245515 0.3 0.0130880501 71888615 0.0129525775 86706432 0.0235115141 5308048 0.4 0.0130880501 73399271 0.0129525775 8778522 0.0235115141 51867148 0.5 0.0130880501 731299 0.0129525775 86797413 0.0235115141 52321347 0.6 0.0130880501 72679699 0.0129525775 85188772 0.0235115141 5163854 0.7 0.0130880501 72437759 0.0129525775 80217133 0.0235115141 5197024 0.8 0.0130880501 73432092 0.0129525775 87413647 0.0235115141 52141595
0.9 0.0130880501 71554224 0.0129525775 89340888 0.0235115141 51442783
Dari tabel 5.3 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 0.9 dengan nilai error RMSE 0.013088050171554224, untuk low
berada pada laju pembelajaran 0.7 dengan nilai error RMSE 0.012952577580217133, serta untuk close berada pada laju pembelajaran 0.9 dengan nilai error RMSE 0.023511514151442783. Untuk hasil pengujian menggunakan data latih 1 tahun, yaitu periode Januari – Desember 2011 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode harian).
Tabel 5.4 Pengujian Laju Pembelajaran Data Latih 1 Tahun Dan Data Uji 1 Bulan
R at
e
RMSE
High Low Close
0. 1 0.0057727316 5581901 0.0046783340 91355311 0.00708129309 7099769 0. 2 0.0057727316 57671403 0.0046783340 93033449 0.00708129309 7268848 0. 3 0.0057727316 594197945 0.0046783340 90345868 0.00708129309 62786645 0. 4 0.0057727316 57620057 0.0046783340 92597724 0.00708129309 6246574 0. 5 0.0057727316 5770773 0.0046783340 91932942 0.00708129309 6083814 0. 6 0.0057727316 5816497 0.0046783340 9313627 0.00708129309 6583432 0. 7 0.0057727316 58963661 0.0046783340 91629581 0.00708129309 617663 0. 8 0.0057727316 57464919 0.0046783340 91275149 0.00708129309 5547312 0. 9 0.0057727316 5813608 0.0046783340 93711696 0.00708129309 6562986
Dari tabel 5.4 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 0.1 dengan nilai error
RMSE 0.00577273165581901, untuk low
berada pada laju pembelajaran 0.1 dengan nilai error RMSE 0.004678334091355311, serta untuk close berada pada laju pembelajaran 0.1 dengan nilai error RMSE 0.007081293097099769. Untuk hasil pengujian menggunakan data latih 2 tahun, yaitu periode Januari 2011 – Desember 2012 dengan data uji 1 bulan, yaitu januari 2014 (data real periode harian) dapat dilihat pada tabel 5.5.
Tabel 5.5 Pengujian Laju Pembelajaran Data Latih 2 Tahun Dan Data Uji 1 Bulan
Rat e
RMSE
High Low Close
0.1 0.0047303407010727 11 0.0045947404983666 91 0.0061655817503661 87 0.2 0.0047303407005993 27 0.0045947405010172 87 0.0061655817511793 09 0.3 0.0047303407007351 36 0.0045947405011071 705 0.0061655817510744 22 0.4 0.0047303407008511 86 0.0045947404989274 65 0.0061655817512213 445 0.5 0.0047303407010339 97 0.0045947404999175 29 0.0061655817515821 58 0.6 0.0047303407006855 55 0.0045947405005009 35 0.0061655817507139 865 0.7 0.0047303407009462 554 0.0045947405026535 74 0.0061655817511583 22 0.8 0.0047303407007055 08 0.0045947405004469 23 0.0061655817510238 72 0.9 0.0047303407009281 4 0.0045947404998116 24 0.0061655817513065 975
Dari tabel 5.5 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 0.2 dengan nilai error RMSE 0.004730340700599327, untuk low
berada pada laju pembelajaran 0.4 dengan nilai error RMSE 0.004594740498927465, serta untuk close berada pada laju
pembelajaran 0.1 dengan nilai error RMSE 0.006165581750366187. Untuk hasil pengujian menggunakan data latih 3 tahun, yaitu periode Januari 2011 – Desember 2013 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode harian) dapat dilihat pada tabel 5.6.
Tabel 5.6 Pengujian Laju Pembelajaran Data Latih 3 Tahun Dan Data Uji 1 Bulan
Ra te
RMSE
High Low Close
0. 1 0.0043264699 694438415 0.003978970 666519007 0.0058936690 94815932 0. 2 0.0043264699 70131613 0.003978970 667000632 0.0058936690 95097226 0. 3 0.0043264699 69645014 0.003978970 665346745 0.0058936690 950069995 0. 4 0.0043264699 69513784 0.003978970 664369611 0.0058936690 94903436 0. 5 0.0043264699 693625125 0.003978970 664893659 0.0058936690 94619536 0. 6 0.0043264699 695058015 0.003978970 66533175 0.0058936690 95094591 0. 7 0.0043264699 693635585 0.003978970 666206613 0.0058936690 95139311 0. 8 0.0043264699 69670813 0.003978970 665255489 0.0058936690 95149499 0. 9 0.0043264699 69556256 0.003978970 666583988 0.0058936690 95311661
Dari tabel 5.6 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 0.5 dengan nilai error RMSE 0.0043264699693625125, untuk low
berada pada laju pembelajaran 0.4 dengan nilai error RMSE 0.003978970664369611, serta untuk close berada pada laju pembelajaran 0.5 dengan nilai error RMSE 0.005893669094619536. Untuk hasil pengujian menggunakan data latih 1 tahun, yaitu periode Januari 2011 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.7.
Tabel 5.7 Pengujian Laju Pembelajaran Data Latih 1 Tahun Dan Data Uji 1 Bulan
Ra te
RMSE
High Low Close
0. 1 0.0020569218 805921727 0.0019314214 775046179 0.0021647241 19707141 0. 2 0.0020569218 81003446 0.0019314214 781256116 0.0021647241 199501894 0. 3 0.0020569218 788454116 0.0019314214 776325468 0.0021647241 191801634 0. 4 0.0020569218 80347106 0.0019314214 774249462 0.0021647241 1996897 0. 5 0.0020569218 81834798 0.0019314214 769620547 0.0021647241 19781757 0. 6 0.0020569218 79523832 0.0019314214 768155443 0.0021647241 199286003 0. 7 0.0020569218 807318674 0.0019314214 783227202 0.0021647241 20332069 0. 8 0.0020569218 800598867 0.0019314214 771070485 0.0021647241 193154193 0. 9 0.0020569218 797109137 0.0019314214 787086216 0.0021647241 197388437 Dari tabel 5.7 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 0.3 dengan nilai error RMSE 0.0020569218788454116, untuk low
berada pada laju pembelajaran 0.6 dengan nilai error RMSE 0.0019314214768155443, serta untuk close berada pada laju pembelajaran 0.3 dengan nilai error RMSE 0.0021647241191801634. Untuk hasil pengujian menggunakan data latih 2 tahun, yaitu periode Januari 2011 – Desember 2012 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.8.
Tabel 5.8 Pengujian Laju Pembelajaran Data Latih 2 Tahun Dan Data Uji 1 Bulan
te
High Low Close
0. 1 0.0017819201 652374188 0.0018117008 718159064 0.0020677368 98772615 0. 2 0.0017819201 653334622 0.0018117008 70858293 0.0020677368 98974612 0. 3 0.0017819201 651932386 0.0018117008 7182402 0.0020677368 988076595 0. 4 0.0017819201 650439882 0.0018117008 722840677 0.0020677368 98989588 0. 5 0.0017819201 651923717 0.0018117008 713780113 0.0020677368 987069506 0. 6 0.0017819201 652551947 0.0018117008 715508353 0.0020677368 991129795 0. 7 0.0017819201 652266145 0.0018117008 722629325 0.0020677368 990328045 0. 8 0.0017819201 650931583 0.0018117008 714949904 0.0020677368 98829987 0. 9 0.0017819201 652956491 0.0018117008 721899855 0.0020677368 99071492
Dari tabel 5.8 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 0.4 dengan nilai error RMSE 0.0017819201650439882, untuk low
berada pada laju pembelajaran 0.2 dengan nilai error RMSE 0.001811700870858293, serta untuk close berada pada laju pembelajaran 0.5 dengan nilai error RMSE 0.0020677368987069506. Untuk hasil pengujian menggunakan data latih 3 tahun, yaitu periode Januari 2011 – Desember 2013 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.9.
Tabel 5.9 Pengujian Laju Pembelajaran Data Latih 3 Tahun Dan Data Uji 1 Bulan
Ra te
RMSE
High Low Close
0. 1 0.0016669082 588862982 0.0016746889 158779125 0.0020331292 742064625 0. 2 0.0016669082 592387498 0.0016746889 161639955 0.0020331292 74181882 0. 3 0.0016669082 59345012 0.0016746889 167106778 0.0020331292 743372277 0. 4 0.0016669082 58851183 0.0016746889 170377046 0.0020331292 74138542 0. 5 0.0016669082 59142262 0.0016746889 166043247 0.0020331292 74205441 0. 6 0.0016669082 591461437 0.0016746889 168334166 0.0020331292 742090242 0. 7 0.0016669082 590310526 0.0016746889 16958444 0.0020331292 743315616 0. 8 0.0016669082 588978972 0.0016746889 166141784 0.0020331292 743017916 0. 9 0.0016669082 590864597 0.0016746889 169653033 0.0020331292 74349697
Dari tabel 5.9 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 0.4 dengan nilai error RMSE 0.001666908258851183, untuk low
berada pada laju pembelajaran 0.1 dengan nilai erro RMSE 0.0016746889158779125, serta untuk close berada pada laju pembelajaran 0.4 dengan nilai error RMSE 0.002033129274138542.
5.4.2 Pengujian Trend
Hasil pengujian trend menggunakan data latih 1 tahun periode 2011 (data real periode mingguan) dan data uji 1 bulan januari 2014 dapat dilihat pada tabel 5.10. Tabel 5.10 Hasil Pengujian Trend Data Latih 1 Tahun Dan Data Uji 1 Bulan
Data ke- Trend Aktual Trend Jaringan 1 Naik Turun 2 Turun Naik
Dari tabel 5.10 dapat dilihat bahwa
trend jaringan tidak memiliki kesamaan dengan data trend aktual, sehingga dihasilkan tingkat akurasi 0%. Untuk hasil pengujian
trend menggunakan data latih 2 tahun periode januari 2011 – Desember 2012 dan data uji 1
bulan januari 2014 (data real periode mingguan) dapat dilihat pada tabel 5.11. Tabel 5.11 Hasil Pengujian Trend Data Latih 2 Tahun Dan Data Uji 1 Bulan
Data ke- Trend Aktual Trend Jaringan 1 Naik Turun 2 Turun Naik
Dari tabel 5.11 dapat dilihat bahwa
trend jaringan tidak memiliki kesamaan dengan data trend aktual, sehingga dihasilkan tingkat akurasi 0%. Untuk hasil pengujian
trend menggunakan data latih 3 tahun periode januari 2011 – Desember 2013 dan data uji 1 bulan januari 2014 (data real periode mingguan) dapat dilihat pada tabel 5.12. Tabel 5.12 Hasil Pengujian Trend Data Latih 1 Tahun Dan Data Uji 3 Bulan
Data ke- Trend Aktual Trend Jaringan 1 Naik Turun 2 Turun Naik
Dari tabel 5.12 dapat dilihat bahwa
trend jaringan tidak memiliki kesamaan dengan data trend aktual, sehingga dihasilkan tingkat akurasi 0%. Untuk hasil pengujian
trend menggunakan data latih 1 tahun periode 2011 dan data uji 1 bulan januari 2014 (data real periode harian) dapat dilihat pada tabel 5.13.
Tabel 5.13 Hasil Pengujian Trend Data Latih 1 Tahun Dan Data Uji 1 Bulan
Dat a ke- Trend Aktual Trend Jaringan Dat a ke- Trend Aktual Trend Jaringan
1 Naik Turun 11 Naik Turun
2 Turun Naik 12 Naik Naik
3 Turun Turun 13 Turun Naik
4 Naik Turun 14 Naik Turun
5 Naik Naik 15 Turun Naik
6 Naik Naik 16 Turu
n
Turu n
7 Naik Naik 17 Turun Naik
8 Turu
n
Turu
n 18 Turun Naik
9 Naik Turun 19 Turun Naik
10 Turun Naik 20 Turu
n
Turu n
Dari tabel 5.13 dapat dilihat bahwa terdapat 8 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 20 data keseluruhan, sehingga dihasilkan tingkat akurasi 40.0%. Untuk hasil pengujian trend
menggunakan data latih 2 tahun periode januari 2011 – Desember 2012 dan data uji 1 bulan januari 2014 (data real periode harian)dapat dilihat pada tabel 5.14.
Tabel 5.14 Hasil Pengujian Trend Data Latih 2 Tahun Dan Data Uji 1 Bulan
Data ke- Trend Aktual Trend Jaringan Data ke- Trend Aktual Trend Jaringan
1 Naik Turun 11 Naik Turun 2 Turun Naik 12 Naik Naik
3 Turun Turun 13 Turun Naik 4 Naik Turun 14 Naik Turun
5 Naik Naik 15 Turun Naik 6 Naik Naik 16 Turun Turun
7 Naik Naik 17 Turun Naik 8 Turun Naik 18 Turun Naik
9 Naik Turun 19 Turun Naik
Dari tabel 5.14 dapat dilihat bahwa terdapat 7 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 20 data keseluruhan, sehingga dihasilkan tingkat akurasi 35.0%. Untuk hasil pengujian trend
menggunakan data latih 3 tahun periode januari 2011 – Desember 2013 dan data uji 1 bulan januari 2014 (data real periode harian) dapat dilihat pada tabel 5.15.
Tabel 5.15 Hasil Pengujian Trend Data Latih 3 Tahun Dan Data Uji 1 Bulan
Data ke- Trend Aktual Trend Jaringan Data ke- Trend Aktual Trend Jaringan
1 Naik Turun 11 Naik Turun
2 Turun Naik 12 Naik Naik
3 Turun Turun 13 Turun Naik
4 Naik Turun 14 Naik Turun
5 Naik Naik 15 Turun Naik
6 Naik Naik 16 Turun Turun
7 Naik Naik 17 Turun Naik
8 Turun Naik 18 Turun Turun
9 Naik Turun 19 Turun Naik 10 Turun Naik 20 Turun Turun
Dari tabel 5.15 dapat dilihat bahwa terdapat 8 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 20 data keseluruhan, sehingga dihasilkan tingkat akurasi 40.0%. Untuk hasil pengujian trend
menggunakan data latih 1 tahun periode 2011 dan data uji 1 bulan januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.16. Tabel 5.16 Hasil Pengujian Trend Data Latih 1 Tahun Dan Data Uji 1 Bulan
Data ke- Trend Aktual Trend Jaringan Data ke- Trend Aktual Trend Jaringan
1 Turun Turun 66 Naik Turun 2 Turun Turun 67 Turun Turun
3 Naik Turun 68 Turun Turun
4 Turun Naik 69 Turun Turun
5 Turun Naik 70 Naik Turun 6 Turun Turun 71 Turun Naik 7 Turun Naik 72 Naik Turun 8 Turun Naik 73 Naik Turun 9 Turun Turun 74 Naik Naik
10 Turun Turun 75 Naik Naik
11 Turun Turun 76 Turun Turun
12 Turun Turun 77 Naik Turun 13 Naik Naik 78 Turun Naik 14 Turun Naik 79 Turun Turun
15 Naik Turun 80 Naik Turun 16 Turun Naik 81 Naik Naik
17 Turun Turun 82 Naik Naik
18 Turun Naik 83 Naik Naik
19 Turun Turun 84 Turun Naik 20 Naik Naik 85 Turun Turun
21 Naik Naik 86 Naik Naik
22 Turun Naik 87 Turun Naik 23 Naik Turun 88 Turun Turun
24 Naik Naik 89 Turun Naik 25 Turun Naik 90 Naik Turun 26 Turun Turun 91 Naik Turun 27 Turun Turun 92 Naik Naik
28 Naik Turun 93 Naik Naik
29 Naik Naik 94 Naik Naik
30 Naik Naik 95 Turun Naik 31 Naik Turun 96 Naik Turun 32 Turun Naik 97 Turun Naik 33 Naik Turun 98 Naik Turun 34 Naik Naik 99 Turun Naik 35 Naik Naik 100 Turun Turun
36 Naik Turun 101 Naik Turun 37 Turun Naik 102 Naik Naik 38 Naik Turun 103 Naik Turun 39 Naik Naik 104 Turun Naik 40 Naik Naik 105 Naik Turun 41 Turun Naik 106 Turun Naik 42 Naik Turun 107 Turun Turun
43 Turun Naik 108 Naik Turun 44 Turun Turun 109 Turun Naik 45 Naik Turun 110 Naik Turun 46 Naik Naik 111 Turun Naik 47 Turun Naik 112 Naik Turun 48 Naik Turun 113 Turun Naik 49 Naik Naik 114 Naik Turun 50 Turun Naik 115 Naik Naik
51 Naik Turun 116 Turun Naik 52 Turun Naik 117 Naik Turun 53 Turun Turun 118 Naik Naik
54 Turun Turun 119 Turun Naik 55 Turun Naik 120 Turun Turun
56 Turun Turun 121 Turun Turun
57 Turun Turun 122 Turun Turun
58 Naik Turun 123 Turun Turun
59 Naik Naik 124 Naik Turun 60 Naik Naik 125 Naik Naik
61 Naik Turun 126 Turun Naik 62 Naik Naik 127 Turun Turun
64 Naik Turun 129 Turun Turun
65 Turun Naik 130 Turun Turun
Dari tabel 5.16 dapat dilihat bahwa terdapat 58 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 130 data keseluruhan, sehingga dihasilkan tingkat akurasi 46.9%. Untuk hasil pengujian trend
menggunakan data latih 2 tahun periode januari 2011 – Desember 2012 dan data uji 1 bulan januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.17.
Tabel 5.17 Hasil Pengujian Trend Data Latih 2 Tahun Dan Data Uji 1 Bulan
Data ke- Trend Aktual Trend Jaringan Data ke- Trend Aktual Trend Jaringan
1 Turun Turun 66 Naik Turun 2 Turun Turun 67 Turun Turun
3 Naik Turun 68 Turun Turun
4 Turun Naik 69 Turun Turun
5 Turun Turun 70 Naik Turun 6 Turun Turun 71 Turun Naik
7 Turun Naik 72 Naik Turun
8 Turun Turun 73 Naik Turun 9 Turun Turun 74 Naik Naik
10 Turun Turun 75 Naik Naik
11 Turun Turun 76 Turun Turun
12 Turun Turun 77 Naik Turun
13 Naik Turun 78 Turun Naik
14 Turun Naik 79 Turun Turun
15 Naik Turun 80 Naik Turun
16 Turun Naik 81 Naik Naik
17 Naik Turun 82 Naik Naik
18 Turun Turun 83 Naik Naik
19 Turun Turun 84 Turun Naik 20 Turun Turun 85 Turun Turun
21 Naik Turun 86 Naik Turun
22 Turun Naik 87 Turun Naik
23 Naik Turun 88 Turun Turun
24 Naik Naik 89 Turun Turun
25 Turun Turun 90 Naik Turun 26 Turun Turun 91 Naik Naik
27 Turun Turun 92 Naik Naik
28 Naik Turun 93 Naik Naik
29 Naik Naik 94 Naik Naik
30 Naik Naik 95 Turun Naik 31 Naik Naik 96 Naik Turun
32 Turun Naik 97 Turun Naik
33 Naik Turun 98 Naik Turun
34 Naik Naik 99 Turun Naik 35 Naik Naik 100 Turun Turun
36 Naik Turun 101 Naik Turun
37 Turun Naik 102 Naik Naik
38 Naik Turun 103 Naik Turun
39 Naik Naik 104 Turun Naik 40 Naik Naik 105 Naik Turun
41 Turun Naik 106 Turun Naik
42 Naik Turun 107 Turun Turun
43 Turun Naik 108 Naik Turun
44 Turun Turun 109 Turun Naik
45 Naik Turun 110 Naik Turun
46 Naik Naik 111 Turun Naik
47 Turun Naik 112 Naik Turun
48 Naik Turun 113 Turun Naik
49 Naik Naik 114 Naik Turun
50 Turun Naik 115 Naik Naik
51 Naik Turun 116 Turun Naik
52 Turun Naik 117 Naik Turun
53 Turun Turun 118 Naik Naik
54 Turun Turun 119 Turun Naik 55 Turun Turun 120 Turun Turun
56 Turun Turun 121 Turun Turun
57 Turun Turun 122 Turun Turun
58 Naik Turun 123 Turun Turun
59 Naik Naik 124 Naik Turun 60 Naik Naik 125 Naik Naik
61 Naik Turun 126 Turun Naik
62 Naik Naik 127 Turun Turun
63 Turun Naik 128 Turun Turun
64 Naik Turun 129 Turun Turun
65 Turun Naik 130 Turun Turun
Dari tabel 5.17 dapat dilihat bahwa terdapat 66 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 130 data keseluruhan, sehingga dihasilkan tingkat akurasi 50.7%. Untuk hasil pengujian trend
menggunakan data latih 3 tahun periode januari 2011 – Desember 2013 dan data uji 1 bulan januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.18.
Tabel 5.18 Hasil Pengujian Trend Data Latih 3 Tahun Dan Data Uji 1 Bulan
Data ke- Trend Aktual Trend Jaringan Data ke- Trend Aktual Trend Jaringan
1 Turun Turun 66 Naik Turun 2 Turun Turun 67 Turun Turun
3 Naik Turun 68 Turun Turun
4 Turun Naik 69 Turun Turun
5 Turun Turun 70 Naik Turun 6 Turun Turun 71 Turun Naik 7 Turun Naik 72 Naik Turun 8 Turun Turun 73 Naik Turun 9 Turun Turun 74 Naik Naik
10 Turun Turun 75 Naik Naik
11 Turun Turun 76 Turun Naik 12 Turun Turun 77 Naik Turun 13 Naik Turun 78 Turun Naik 14 Turun Naik 79 Turun Turun
15 Naik Turun 80 Naik Turun 16 Turun Naik 81 Naik Naik
17 Turun Turun 82 Naik Naik
18 Turun Turun 83 Naik Naik
19 Turun Turun 84 Turun Naik 20 Naik Turun 85 Turun Turun
21 Naik Naik 86 Naik Turun 22 Turun Naik 87 Turun Naik 23 Naik Turun 88 Turun Turun
24 Naik Naik 89 Turun Turun
25 Turun Turun 90 Naik Turun 26 Turun Turun 91 Naik Naik
28 Naik Turun 93 Naik Naik
29 Naik Naik 94 Naik Naik
30 Naik Naik 95 Turun Naik 31 Naik Naik 96 Naik Turun 32 Turun Naik 97 Turun Naik 33 Naik Turun 98 Naik Turun 34 Naik Naik 99 Turun Naik 35 Naik Naik 100 Turun Turun
36 Naik Turun 101 Naik Turun 37 Turun Naik 102 Naik Naik
38 Naik Turun 103 Naik Turun 39 Naik Naik 104 Turun Naik 40 Naik Naik 105 Naik Turun 41 Turun Naik 106 Turun Naik 42 Naik Turun 107 Turun Turun
43 Turun Naik 108 Naik Turun 44 Turun Turun 109 Turun Naik 45 Naik Turun 110 Naik Turun 46 Naik Naik 111 Turun Naik 47 Turun Naik 112 Naik Turun 48 Naik Turun 113 Turun Naik 49 Naik Naik 114 Naik Turun 50 Turun Naik 115 Naik Naik
51 Naik Turun 116 Turun Naik 52 Turun Naik 117 Naik Turun 53 Turun Turun 118 Naik Naik
54 Turun Turun 119 Turun Naik 55 Turun Turun 120 Turun Turun
56 Turun Turun 121 Turun Turun
57 Turun Turun 122 Turun Turun
58 Naik Turun 123 Turun Turun
59 Naik Naik 124 Naik Turun 60 Naik Naik 125 Naik Naik
61 Naik Turun 126 Turun Naik 62 Naik Naik 127 Turun Turun
63 Turun Naik 128 Turun Turun
64 Naik Turun 129 Turun Turun
65 Turun Naik 130 Turun Turun
Dari tabel 5.18 dapat dilihat bahwa terdapat 65 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 130 data keseluruhan, sehingga dihasilkan tingkat akurasi 50.0%.
6.1Kesimpulan
Berdasarkan hasil penelitian prediksi tingkat support dan resistance pada forex market menggunakan metode K-NEAREST NEIGHBOR dan Fibonacci retracement
dapat disimpulkan :
1. Metode K-Nearest Neighbordapat di implementasikan untuk memprediksi harga tertinggi (swing high) dan harga terendah (swing low) dengan
menggunakan parameter indikator
Stochastic Oscillator %K dan %D,
Typical Price (TP), serta Volume Adjusted Moving Average (VAMA). Langkah awal yang dapat dilakukan adalah menginputkan parameter data real dan mengelompokkan data menggunakan K-Means Clustering, kemudian memodelkan dengan metode
K-NEAREST NEIGHBOR
menggunakan aturan dari fuzy Sugeno (TSK) yang diimplementasikan dalam bentuk jaringan syaraf tiruan (JST) dengan 5 layer yang terdiri dari 3 layer tetap, yaitu layer 2,3, dan 5 serta 2 layer adaptif, yaitu layer 1 dan 4. Layer 1 merupakan parameter premis yang akan diperbaiki menggunakan metode
steepest descent dan layer 4 merupakan parameter konsekuen yang akan diperbaiki menggunakan metode Least Square Estimator (LSE).
2. Nilai tingkat akurasi terbaik yang dihasilkan dari prediksi swing high dan
swing low dengan menggunakan
metode K-NEAREST NEIGHBOR yaitu 50.76% berada pada data latih 2 tahun periode Januari 2011 – Desember 2012 dan data uji 1 bulan periode Januari 2014 (data real periode 4 jam). 3. Metode Fibonacci retracement
diimplementasikan untuk menentukan tingkat support dan resistance dengan menggunakan parameter swing high dan
dilakukan adalah menghitung hasil
Fibonacci Retracement sesuai ratio Fibonacci yaitu, 0%, 23.6%, 38.2%, 50%, 61.8%, dan 100%. Hasil perhitungan ini yang menjadi tingkat
support atau resistance.
6.2Saran
Saran untuk pengembangan penelitian selanjutnya berdasarkan hasil penelitian ini adalah :
1. Dapat menangani data selisih harga yang sering terjadi pada tiap hari, minggu dan bulanan sebelum data digunakan dalam perhitungan nilai parameter input K-NEAREST NEIGHBOR.
2. Dapat menggunakan nilai parameter
input K-NEAREST NEIGHBOR selain
Stochastic Oscillator %K dan %D,
Typical Price (TP), serta Volume Adjusted Moving Average (VAMA) 3. Dapat menggunakan C-Mean Clustering
untuk mendapatkan nilai cluster.
DAFTAR PUSTAKA
[1] Ir. Slamet Heru Santosa, Trading Valas. Yogyakarta: Pustaka Pelajar, 2013.
[2] Edy Suprianto, "Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Harga Saham," Fakultas Teknik dan Ilmu Komputer UNIKOM. Bandung, 2004. [3] M. Mustakim, "Implementasi K-Nearest
Neighbordan Fibonacci Retracement
Untuk Prediksi Tingkat Support dan Resistance Pada Forex Market," Universitas Brawijaya. Malang, 2013. [4] Dita Ayu Dwi Pramita, "Prediksi Harga
Closed Saham Menggunakan Adaptive Neuro Fuzzy Inference System," Universitas Brawijaya. Malang, 2011. [5] J.S.R Jang, "Adaptive Network Based
Fuzzy Inference System,"IEEE Trans Syst. Man Cybern, 1993.
[6] Bill Poulos, "The Truth About Fibonacci Trading,"Profits Run, Inc, 2004.
[7] Violeta Gaucan, "How to use Fibonacci Retracement to Predict Forex Market,"Titu Maiorescu University, Bucharest, Romania, 2011.
[8] Angelique Hayyuza, "Faktor-Faktor Analisis Yang Berpengaruh Terhadap Pengambilan Keputusan Dalam Transaksi Forex Di Perdagangan Berjangka," Fakultas Ekonomi. Universitas Widyatama, februari 2006.
[9] Nanik Indrawati, "Aplikasi Manajemen Risiko Pada Investasi Foreign Exchange (Forex)," Fakultas Ekonomi. Universitas Islam Negeri Malang, Januari 2009. [10] Ajith Abraham, "Analysis of Hybrid Soft
and Hard Computing Techniques for Forex Monitoring Systems,"Universitas Monash.Australia.
[11] Ivan Susanto, Forex Trading. Yogyakarta: Penerbit Andi, 2007.
Perdagangan Saham. Jakarta: Elex Media Komputindo, 2003.
[13] Budi Santosa, Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007. [14] Sri Kusumadewi dan Sri Suharti,
NEURO FUZZY. Yogyakarta: Graha Ilmu, 2006.
[15] Sri Kusumadewi, Artificial Intelligence. Yogyakarta: Garaha Ilmu, 2003.
[16] Sri Kusumadewi, Analisis dan Desain Sistem Fuzzy Menggunakan Tools Box Matlab. Yogyakarta: Graha Ilmu, 2002. [17] ST, Msc Suyanto, Artificial Intelegence.
Bandung: Informatika Bandung, 2007. [18] C.M dan N.El.Shiemy Ellum, "a mobile
mapping system for survey community,"Procedings of the 3rd international symposium on mobile mapping technology (MMS 2001), Januari 2001.
[19] Laurene Fausett, "Fundamental of Neural Network Architectures, algorithms, and Applications," Printice Hall. London, 1993.