Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013

Sofyan Tandungan - NIM : D42108104

Andhika A. Hakim - NIM : D42108267
1
Prediksi Nilai Tukar Valuta Asing Menggunakan Metode
Adaptive Spline Threshold Autoregression (ASTAR)
Sofyan Tandungan, Andhika A. Hakim, Indrabayu, ST, MT., M.Bus.Sys., Dr. Eng. Wardi, ST.,M.Eng
standungan@gmail.com ankga17@yahoo.com bhayu_16@yahoo.com wardi_dj@yahoo.com
Abstrak
Perkembangan ekonomi internasional yang
semakin pesat menyebabkan nilai mata uang berubah-
ubah di setiap waktu. Perubahan Nilai Tukar Mata Uang
tersebut mengakibatkan sulitnya menentukan harga yang
tepat untuk menukarkan mata uang para pemilik modal ke
dalam bentuk mata uang lain untuk memperoleh
keuntungan dari perbedaan kekuatan mata uang di setiap
negara. Oleh karena itu, pada penelitian ini bertujuan
untuk membuat sistem prediksi harga nilai tukar mata
uang Euro terhadap US Dollar dengan metode Adaptive
Splines Threshold Autoregression (ASTAR) untuk
tanggal 1-5 Oktober 2012. Perancangan sistem prediksi
ini menggunakan variabel input berupa nilai Open, Low,
High, dan Close dari bulan Juli sampai September tahun
2012 pada timeframe 30 menit (M30), satu jam (H1), dan
empat jam (H4) dengan variabel output berupa nilai Open,
Low, High, dan Close untuk tanggal 1 5 Oktober 2012.
Sistem Prediksi ini menggunakan teknik analisis
history pergerakan nilai tukar valuta asing melalui
pembacaan grafik nilai tukar valuta asing yang telah dan
sedang berlangsung. Validasi hasil uji prediksi dilakukan
dengan mencari nilai Root Mean Square Error (RMSE).
Semakin kecil nilai RMSE, maka keakuratan prediksi
akan semakin bagus. Hasil uji prediksi nilai Open, Low,
High, dan Close Euro terhadap USD Dollar untuk tanggal
1-5 Oktober untuk timeframe M30 berdasarkan nilai
RMSE berturut-turut adalah 0,0000177, 0,00067,
0,00079, dan 0,00085. Untuk timeframe H1 berturut-turut
adalah sebesar 0,000486, 0,0009, 0,00112, dan 0,00114.
Dan untuk timeframe H4 berturut-turut adalah sebesar
0,0000512, 0,00138, 0,0028, dan 0,00235. Nilai-nilai
RMSE dari masing-masing timeframe tersebut telah
sesuai dengan standar nilai RMSE yang ditetapkan dalam
penelitian kali ini yaitu lebih kecil dari atau sama dengan
0,0048 ( 0,0048). Dari nilai RMSE tersebut, maka dapat
dikatakan bahwa metode ASTAR dapat melakukan
prediksi nilai tukar valuta asing dengan baik.
Kata Kunci: Adaptive Spline Threshold Autoregression;
prediksi nilai tukar valuta asing; RMSE; timeframe;
1. PENDAHULUAN
Valuta asing atau yang biasa dikenal dengan
sebutan Foreign Exchange (Forex) adalah pertukaran
mata uang suatu negara dengan negara lainnya. Valuta
asing ini diperdagangkan di pasar valuta asing atau yang
biasa dikenal dengan sebutan Forex Market. Forex Market
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
[1]
.
Pasar forex sebenarnya adalah pasar uang
terbesar di dunia. Banyak sekali Trader atau yang terlibat
di dalamnya, perusahaan bertaraf internasional, bank-bank
dunia maupun individu. Banyaknya trader di pasar ini
membuat perputaran uang menjadi sangat cepat.
Perputaran uang yang begitu cepat, disebabkan oleh
beberapa faktor. Selain diakibatkan oleh banyaknya
jumlah trader, juga dipengaruhi oleh berbagai acam
faktor, seperti faktor ekonomi, politik dan sosial suatu
negara. Akibatnya, harga menjadi sangat fluktuatif. Harga
yang sangat fluktuatif inilah merupakan resiko yang harus
dihadapi para trader
[1]
.
Oleh karena itu, para pelaku pasar Forex harus
dapat memprediksi pergerakan harga dengan benar dan
tepat agar dapat memperoleh keuntungan dan
meminimalisir kerugian. Prediksi dapat digunakan dengan
melakukan analisis Fundamental dan Analisis Teknikal
[1]
.
Analisa fundamental adalah metode untuk mengamati
pergerakan pasar melalui kekuatan-kekuatan berita, baik
berita sosial, berita politik maupun berita ekonomi yang
mempengaruhi permintaan dan penawaran. Analisa
teknikal adalah analisa tentang pergerakan menggunakan
chart dan melihat gerakan historis mata uang untuk
memprediksi kemana arah pergerakan selanjutnya.
Terdapat beberapa metode yang dapat digunakan
untuk memprediksi pergerakan harga pada pasar Forex
yaitu metode Exponential smoothing, regresi time series,
ARIMA Box-Jenkins, Neural Network, metode
perubahan Struktur, metode intervensi, dan regresi spline.
Pada Tugas Akhir ini, penulis menggunakan pendekatan
regresi spline dengan metode Adaptive Splines Threshold
Autoregression (ASTAR). Metode ASTAR adalah
algoritma yang digunakan dalam pemodelan time series
non linear, dimana variabel prediktor berupa nilai lag
deret waktu. Metode ASTAR diperkirakan dapat
meningkatkan ketepatan dalam memperkirakan
pergerakan harga valuta asing, dikarenakan metode ini
Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013
Sofyan Tandungan - NIM : D42108104
Andhika A. Hakim - NIM : D42108267
2
dapat memodelkan data yang mengalami perubahan
struktur
[8]
.
I.2. RUMUSAN MASALAH
Rumusan masalah yang akan diuraikan dalam
skripsi ini adalah perancangan sistem prediksi harga mata
uang asing Euro terhadap US Dollar menggunakan
metode Adaptive Spline Threshold Autoregression
(ASTAR).
I.3. TUJUAN PENELITIAN
Tujuan dari penelitian ini adalah membuat sistem
prediksi harga mata uang asing Euro terhadap US Dollar
dengan metode Adaptive Spline Threshold Autoregression
(ASTAR).
I.4. BATASAN MASALAH
Beberapa batasan masalah yang terdapat pada
skripsi ini adalah :
1. Sistem dibuat berdasarkan analisis teknikal yakni
dengan menganalisis data history timeframe M30, H1,
H4 pergerakan mata uang asing Euro terhadap US
Dollar yang mengalami perubahan harga setiap waktu
sesuai timeframe yang digunakan.
2. Menggunakan parameter output dan input sebagai
berikut :
- Parameter output berupa nilai Open dengan parameter
input adalah nilai Close.
- Parameter output berupa nilai Low dengan parameter
input adalah nilai Open, High, dan Close.
- Parameter output berupa nilai High dengan parameter
input adalah nilai Open, Low, dan Close.
- Parameter output berupa nilai Close dengan parameter
input adalah nilai Open, Low, dan High.
3. Mencari titik knot, menentukan jumlah basis fungsi,
dan menentukan jumlah maksimum interaksi antar
variabel menggunakan metode Adaptive Spline
Threshold Autoregression (ASTAR).
4. Memprediksi harga pada waktu berikutnya pada
timeframe M30, H1, dan H4 untuk setiap variabel
dengan menggunakan model yang dihasilkan dari
metode Adaptive Spline Threshold Autoregression
(ASTAR).
5. Sistem dirancang dengan memanfaatkan software
MATLAB 7.7.0 r2008b dan Microsoft Excel 2007.
2. PEMBAHASAN
2.1. Adaptive Spline Threshold Autoregression (ASTAR)
Metode ASTAR merupakan pemodelan deret
waktu nonlinear threshold sebagai pengembangan metode
Multivariate Adaptive Regression Splines (MARS)
dengan prediktornya adalah nilai lag (Zt-d), seperti pada
deret waktu
[8]
. Kelebihan ASTAR adalah kemampuannya
dalam membentuk model dengan limit cycles ketika data
model deret waktu memperlihatkan perilaku berkala.
2.2. Tahapan Penelitian
Tahap pertama dari prosedur penelitian adalah
mencari referensi-referensi yang berkaitan dengan
rumusan masalah untuk memprediksi nilai tukar valuta
asing berupa artikel, bahan kuliah, internet dan sumber
lainnya. Selanjutnya pengambilan data, dimana data
diperoleh dari aplikasi Metatrader yang menyediakan
data histories perdagangan berbagai mata uang asing.
Data yang digunakan dalam percobaan ini adalah data
kurs mata uang Dollar Amerika (USD) dengan Euro
(EUR) untuk timeframe M30, H1, dan H4. Dari data yang
diperoleh terdapat empat parameter yang dapat digunakan
dalam memprediksi nilai tukar valuta asing, yaitu
kecepatan nilai Open, Low, High, dan Close.
Gambar 1. Tahapan Penelitian
2.3. Prediksi Nilai Tukar Valuta Asing Menggunakan
Metode Adaptive Spline Threshold Autoregression
(ASTAR)
Proses prediksi bertujuan untuk menentukan
hasil akhir berupa nilai tukar valuta asing yang terdiri dari
nilai Open, nilai Low, nilai High, dan nilai Close dan
nantinya akan dibandingkan dengan data aktual nilai tukar
valuta asing dari aplikasi Metatrader. Proses tersebut
dinilai baik apabila memiliki nilai error yang sangat kecil
dan dilanjutkan untuk memprediksi pada waktu-waktu di
hari-hari berikutnya.
Setiap variabel-variabel respon yang diprediksi
memiliki model ASTAR yang berbeda-beda. Jadi, sistem
akan membentuk empat model ASTAR untuk Masing-
masing timeframe untuk memprediksi nilai Open, Low,
High, dan Close.
Adapun proses prediksi dengan metode ASTAR adalah
sebagai berikut:
Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013
Sofyan Tandungan - NIM : D42108104
Andhika A. Hakim - NIM : D42108267
3
Gambar 2. Flowchart prediksi nilai tukar valuta asing
menggunakan metodeASTAR
2.4. Simulasi Dan Pengujian Sistem Prediksi Nilai Tukar
Valuta Asing Menggunakan Metode Adaptive Spline
Threshold Autoregression (Astar).
Sistem ini terdiri dari tiga buah GUI untuk
masing-masing timeframe yaitu M30, H1, dan H4. Untuk
prediksi dengan timeframe M30, maka sistem yang akan
dioperasikan adalah dengan menjalankan file M30.m.
Untuk prediksi dengan timeframe H1, maka sistem yang
dioperasikan adalah dengan menjalankan file H1.m.
Begitu pula untuk prediksi dengan timeframe H4, maka
sistem yang dioperasikan adalah dengan menjalankan file
H4.m. Adapun bentuk GUI untuk ketiga timeframe
tersebut adalah sebagai berikut :
Gambar 3. GUI untuk timeframe M30
Gambar 4.5.Perbandingan Data Real Open dengan Hasil
Uji Prediksi Open Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 untuk timeframe
M30.
Gambar 4.6. Perbandingan Data Real High dengan Hasil
Uji Prediksi High Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 untuk timeframe
M30.
Gambar 4.7. Perbandingan Data Real Low dengan Hasil
Uji Prediksi Low Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 timeframe M30.
0 5 10 15 20 25 30 35 40 45 50
1.29
1.295
1.3
1.305
Perbandingan Prediksi Nilai Open dengan Nilai Open Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
0 5 10 15 20 25 30 35 40 45 50
1.29
1.295
1.3
1.305
Perbandingan Prediksi Nilai High dengan Nilai High Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
0 5 10 15 20 25 30 35 40 45 50
1.29
1.295
1.3
1.305
Perbandingan Prediksi Nilai Low dengan Nilai Low Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013
Sofyan Tandungan - NIM : D42108104
Andhika A. Hakim - NIM : D42108267
4
Gambar 4.8. Perbandingan Data Real Close dengan Hasil
Uji Prediksi Close Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 timeframe M30.
Gambar 4.9. Perbandingan Data Real Open dengan Hasil
Uji Prediksi Open Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 untuk timeframe
H1.
Gambar 4.11. Perbandingan Data Real High dengan Hasil
Uji Prediksi High Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 untuk timeframe
H1.
Gambar 4.10. Perbandingan Data Real Low dengan
Hasil Uji Prediksi Low Nilai Tukar Mata uang Asing
dengan Metode ASTAR tanggal 4 Oktober 2012 untuk
timeframe H1.
Gambar 4.12. Perbandingan Data Real Close dengan
Hasil Uji Prediksi Close Nilai Tukar Mata uang Asing
dengan Metode ASTAR tanggal 4 Oktober 2012 untuk
timeframe H1.
Gambar 4.13. Perbandingan Data Real Open dengan Hasil
Uji Prediksi Open Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 untuk timeframe
H4.
0 5 10 15 20 25 30 35 40 45 50
1.29
1.295
1.3
1.305
Perbandingan Prediksi Nilai Close dengan Nilai Close Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
0 5 10 15 20 25
1.29
1.295
1.3
1.305
Perbandingan Prediksi Nilai Open dengan Nilai Open Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
0 5 10 15 20 25
1.29
1.295
1.3
1.305
Perbandingan Prediksi Nilai High dengan Nilai High Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
0 5 10 15 20 25
1.29
1.292
1.294
1.296
1.298
1.3
1.302
1.304
Perbandingan Prediksi Nilai Low dengan Nilai Low Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
0 5 10 15 20 25
1.29
1.295
1.3
1.305
Perbandingan Prediksi Nilai Close dengan Nilai Close Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
1.292
1.294
1.296
1.298
1.3
1.302
1.304
Perbandingan Prediksi Nilai Open dengan Nilai Open Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013
Sofyan Tandungan - NIM : D42108104
Andhika A. Hakim - NIM : D42108267
5
Gambar 4.14. Perbandingan Data Real High dengan Hasil
Uji Prediksi High Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 untuk timeframe
H4.
Gambar 4.15. Perbandingan Data Real Low dengan Hasil
Uji Prediksi Low Nilai Tukar Mata uang Asing dengan
Metode ASTAR tanggal 4 Oktober 2012 untuk timeframe
H4.
Gambar 4.16. Perbandingan Data Real Close dengan
Hasil Uji Prediksi Close Nilai Tukar Mata uang Asing
dengan Metode ASTAR tanggal 4 Oktober 2012 untuk
timeframe H4.
2.5. Analisis Validasi Keakuratan Prediksi
Untuk mengetahui keakuratan kinerja dari prediksi,
pentingnya mengetahui Root Mean Square Error
(RMSE). Semakin kecil nilai RMSE maka keakuratan
prediksi akan semakin bagus. Untuk lebih jelasnya dapat
dilihat formulanya.

N
h i
i y yi
N
RMSE
2
) (
1
Tabel 4.13. Nilai RMSE (Root Mean Square Error) untuk
validasi prediksi dari tanggal 1-5 Oktober 2012 untuk
timeframe M30.
Tanggal
1-5
Oktober
2012
VARIABEL
OPEN LOW HIGH CLOSE
RMSE 0.0000177 0.00067 0.000792 0.000849
Tabel 4.14. Nilai RMSE (Root Mean Square Error) untuk
validasi prediksi dari tanggal 1-5 Oktober 2012 untuk
timeframe H1.
Tanggal
1-5
Oktober
2012
VARIABEL
OPEN LOW HIGH CLOSE
RMSE 0.0000486 0.000904 0.00112 0.00114
Tabel 4.15.Nilai RMSE (Root Mean Square Error) untuk
validasi prediksi dari tanggal 1-5 Oktober 2012 untuk
timeframe H4.
Tanggal
1-5
Oktober
2012
VARIABEL
OPEN LOW HIGH CLOSE
RMSE 0.0000512 0.00138 0.0028 0.00235
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
1.292
1.294
1.296
1.298
1.3
1.302
1.304
1.306
Perbandingan Prediksi Nilai High dengan Nilai High Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
1.29
1.292
1.294
1.296
1.298
1.3
1.302
1.304
Perbandingan Prediksi Nilai Low dengan Nilai Low Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
1.29
1.295
1.3
1.305
Perbandingan Prediksi Nilai Close dengan Nilai Close Real Tanggal 4 Oktober 2012
Waktu
N
i
l
a
i
Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013
Sofyan Tandungan - NIM : D42108104
Andhika A. Hakim - NIM : D42108267
6
Gambar 4.17. Grafik Perbandingan Nilai RMSE untuk
timeframe M30, H1, dan H4
Dari Nilai RMSE yang disajikan pada Tabel
4.13, Tabel 4.14, Tabel 4.15, dan Gambar 4.17, dapat
dilihat bahwa nilai RMSE untuk tiap variabel Open, Low,
High, dan Close baik untuk timeframe M30, H1, maupun
H4 telah memenuhi syarat yang telah ditetapkan, yakni
RMSE < 0.0048. Berdasarkan nilai RMSE tersebut, dapat
dikatakan bahwa model prediksi ASTAR cukup baik
untuk memprediksi pergerakan nilai tukar valuta asing
dalam jangka waktu yang pendek.
Jika dibandingkan nilai RMSE untuk tiap
timeframe, maka nilai RMSE yang paling kecil adalah
nilai RMSE untuk timeframe M30 dengan nilai RMSE
untuk variabel Open adalah 0.0000177, variabel Low
adalah 0.00067, variabel High adalah 0.000792, dan
variabel Close adalah 0.000849. Hal ini menunjukkan
bahwa semakin kecil timeframe yang digunakan untuk
memprediksi nilai tukar mata uang asing menggunakan
metode ASTAR, maka tingkat akurasinya akan semakin
baik.
2.6. Analisis Hasil Transaksi Forex Secara Online
Gambar 4.18. Grafik Profit/Loss yang didapatkan pada
transaksi online tanggal 8-14 Maret 2013
Dari Gambar 4.18, dapat dilihat bahwa transaksi
Online menggunakan metode ASTAR mampu
menghasilkan profit sebesar 70.83% dan loss sebesar
29.17%. Profit yang didapatkan selama 24 kali transaksi
adalah 91 pip. Sedangkan total loss yang didapatkan
adalah sebesar 64.4 pip. Profit terbesar didapatkan pada
tanggal 8 Maret 2013 pukul 13:04 yaitu sebesar 28.6 pip.
Sedangkan loss terbesar didapatkan pada tanggal 13
Maret 2013 pukul 11:15 yaitu sebesar 10.6 pip. Loss pada
tanggal 12 Maret 2013 pukul 16.32-17.02 dan 13 Maret
2013 pukul 11:15 dialami karena adanya factor
fundamental berupa berita German CPI(Consumer Proce
Index), German WPI(Wholesale Price Index), dan Crude
Oil Inventories yang mempengaruhi pergerakan nilai
tukar valuta asing Euro terhadap USDollar. Hal ini
menyebabkan pergerakan nilai tukar valuta asing yang
berbeda dari prediksi.
3. PENUTUP
3.1. Kesimpulan
Dari penelitian yang telah dilakukan dalam
memprediksi nilai tukar valuta asing Euro terhadap US
Dollar pada variabel Open, Low, High, dan Close dengan
sistem prediksi untuk timeframe M30, H1, dan H4
menggunakan metode Adaptive Splines Threshold
Autoregression (ASTAR) ini, maka dapat disimpulkan
bahwa :
1. Validasi keakuratan prediksi nilai Open, Low, High,
dan Close berdasarkan nilai Root Mean Square
Error (RMSE) untuk timeframe M30 berturut-turut
adalah 0,0000177, 0,00067, 0,00079, dan 0,00085.
Untuk timeframe H1 berturut-turut adalah sebesar
0.000486, 0.0009, 0.00112, dan 0.00114. Dan untuk
timeframe H4 berturut-turut adalah sebesar
0.0000512, 0,00138, 0,0028, dan 0,00235.
Berdasarkan nilai RMSE tersebut, dapat dikatakan
bahwa secara umum, model prediksi ASTAR cukup
baik untuk memprediksi pergerakan nilai tukar
valuta asing dalam jangka waktu yang pendek.
2. Jika dibandingkan nilai RMSE untuk tiap
timeframe, maka nilai RMSE yang paling kecil
adalah nilai RMSE untuk timeframe M30. Hal ini
menunjukkan bahwa semakin kecil timeframe yang
digunakan untuk memprediksi nilai tukar mata uang
asing menggunakan metode ASTAR, maka tingkat
akurasinya akan semakin baik.
3. Dalam melakukan transaksi online pada tanggal 8-
14 Maret 2013, profit yang didapatkan sebesar
70.83% dan loss 29.17% dengan menggunakan
metode ASTAR. Hal ini berarti metode ASTAR
mampu menghasilkan lebih banyak profit daripada
loss.
Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013
Sofyan Tandungan - NIM : D42108104
Andhika A. Hakim - NIM : D42108267
6
Gambar 4.17. Grafik Perbandingan Nilai RMSE untuk
timeframe M30, H1, dan H4
Dari Nilai RMSE yang disajikan pada Tabel
4.13, Tabel 4.14, Tabel 4.15, dan Gambar 4.17, dapat
dilihat bahwa nilai RMSE untuk tiap variabel Open, Low,
High, dan Close baik untuk timeframe M30, H1, maupun
H4 telah memenuhi syarat yang telah ditetapkan, yakni
RMSE < 0.0048. Berdasarkan nilai RMSE tersebut, dapat
dikatakan bahwa model prediksi ASTAR cukup baik
untuk memprediksi pergerakan nilai tukar valuta asing
dalam jangka waktu yang pendek.
Jika dibandingkan nilai RMSE untuk tiap
timeframe, maka nilai RMSE yang paling kecil adalah
nilai RMSE untuk timeframe M30 dengan nilai RMSE
untuk variabel Open adalah 0.0000177, variabel Low
adalah 0.00067, variabel High adalah 0.000792, dan
variabel Close adalah 0.000849. Hal ini menunjukkan
bahwa semakin kecil timeframe yang digunakan untuk
memprediksi nilai tukar mata uang asing menggunakan
metode ASTAR, maka tingkat akurasinya akan semakin
baik.
2.6. Analisis Hasil Transaksi Forex Secara Online
Gambar 4.18. Grafik Profit/Loss yang didapatkan pada
transaksi online tanggal 8-14 Maret 2013
Dari Gambar 4.18, dapat dilihat bahwa transaksi
Online menggunakan metode ASTAR mampu
menghasilkan profit sebesar 70.83% dan loss sebesar
29.17%. Profit yang didapatkan selama 24 kali transaksi
adalah 91 pip. Sedangkan total loss yang didapatkan
adalah sebesar 64.4 pip. Profit terbesar didapatkan pada
tanggal 8 Maret 2013 pukul 13:04 yaitu sebesar 28.6 pip.
Sedangkan loss terbesar didapatkan pada tanggal 13
Maret 2013 pukul 11:15 yaitu sebesar 10.6 pip. Loss pada
tanggal 12 Maret 2013 pukul 16.32-17.02 dan 13 Maret
2013 pukul 11:15 dialami karena adanya factor
fundamental berupa berita German CPI(Consumer Proce
Index), German WPI(Wholesale Price Index), dan Crude
Oil Inventories yang mempengaruhi pergerakan nilai
tukar valuta asing Euro terhadap USDollar. Hal ini
menyebabkan pergerakan nilai tukar valuta asing yang
berbeda dari prediksi.
3. PENUTUP
3.1. Kesimpulan
Dari penelitian yang telah dilakukan dalam
memprediksi nilai tukar valuta asing Euro terhadap US
Dollar pada variabel Open, Low, High, dan Close dengan
sistem prediksi untuk timeframe M30, H1, dan H4
menggunakan metode Adaptive Splines Threshold
Autoregression (ASTAR) ini, maka dapat disimpulkan
bahwa :
1. Validasi keakuratan prediksi nilai Open, Low, High,
dan Close berdasarkan nilai Root Mean Square
Error (RMSE) untuk timeframe M30 berturut-turut
adalah 0,0000177, 0,00067, 0,00079, dan 0,00085.
Untuk timeframe H1 berturut-turut adalah sebesar
0.000486, 0.0009, 0.00112, dan 0.00114. Dan untuk
timeframe H4 berturut-turut adalah sebesar
0.0000512, 0,00138, 0,0028, dan 0,00235.
Berdasarkan nilai RMSE tersebut, dapat dikatakan
bahwa secara umum, model prediksi ASTAR cukup
baik untuk memprediksi pergerakan nilai tukar
valuta asing dalam jangka waktu yang pendek.
2. Jika dibandingkan nilai RMSE untuk tiap
timeframe, maka nilai RMSE yang paling kecil
adalah nilai RMSE untuk timeframe M30. Hal ini
menunjukkan bahwa semakin kecil timeframe yang
digunakan untuk memprediksi nilai tukar mata uang
asing menggunakan metode ASTAR, maka tingkat
akurasinya akan semakin baik.
3. Dalam melakukan transaksi online pada tanggal 8-
14 Maret 2013, profit yang didapatkan sebesar
70.83% dan loss 29.17% dengan menggunakan
metode ASTAR. Hal ini berarti metode ASTAR
mampu menghasilkan lebih banyak profit daripada
loss.
Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013
Sofyan Tandungan - NIM : D42108104
Andhika A. Hakim - NIM : D42108267
6
Gambar 4.17. Grafik Perbandingan Nilai RMSE untuk
timeframe M30, H1, dan H4
Dari Nilai RMSE yang disajikan pada Tabel
4.13, Tabel 4.14, Tabel 4.15, dan Gambar 4.17, dapat
dilihat bahwa nilai RMSE untuk tiap variabel Open, Low,
High, dan Close baik untuk timeframe M30, H1, maupun
H4 telah memenuhi syarat yang telah ditetapkan, yakni
RMSE < 0.0048. Berdasarkan nilai RMSE tersebut, dapat
dikatakan bahwa model prediksi ASTAR cukup baik
untuk memprediksi pergerakan nilai tukar valuta asing
dalam jangka waktu yang pendek.
Jika dibandingkan nilai RMSE untuk tiap
timeframe, maka nilai RMSE yang paling kecil adalah
nilai RMSE untuk timeframe M30 dengan nilai RMSE
untuk variabel Open adalah 0.0000177, variabel Low
adalah 0.00067, variabel High adalah 0.000792, dan
variabel Close adalah 0.000849. Hal ini menunjukkan
bahwa semakin kecil timeframe yang digunakan untuk
memprediksi nilai tukar mata uang asing menggunakan
metode ASTAR, maka tingkat akurasinya akan semakin
baik.
2.6. Analisis Hasil Transaksi Forex Secara Online
Gambar 4.18. Grafik Profit/Loss yang didapatkan pada
transaksi online tanggal 8-14 Maret 2013
Dari Gambar 4.18, dapat dilihat bahwa transaksi
Online menggunakan metode ASTAR mampu
menghasilkan profit sebesar 70.83% dan loss sebesar
29.17%. Profit yang didapatkan selama 24 kali transaksi
adalah 91 pip. Sedangkan total loss yang didapatkan
adalah sebesar 64.4 pip. Profit terbesar didapatkan pada
tanggal 8 Maret 2013 pukul 13:04 yaitu sebesar 28.6 pip.
Sedangkan loss terbesar didapatkan pada tanggal 13
Maret 2013 pukul 11:15 yaitu sebesar 10.6 pip. Loss pada
tanggal 12 Maret 2013 pukul 16.32-17.02 dan 13 Maret
2013 pukul 11:15 dialami karena adanya factor
fundamental berupa berita German CPI(Consumer Proce
Index), German WPI(Wholesale Price Index), dan Crude
Oil Inventories yang mempengaruhi pergerakan nilai
tukar valuta asing Euro terhadap USDollar. Hal ini
menyebabkan pergerakan nilai tukar valuta asing yang
berbeda dari prediksi.
3. PENUTUP
3.1. Kesimpulan
Dari penelitian yang telah dilakukan dalam
memprediksi nilai tukar valuta asing Euro terhadap US
Dollar pada variabel Open, Low, High, dan Close dengan
sistem prediksi untuk timeframe M30, H1, dan H4
menggunakan metode Adaptive Splines Threshold
Autoregression (ASTAR) ini, maka dapat disimpulkan
bahwa :
1. Validasi keakuratan prediksi nilai Open, Low, High,
dan Close berdasarkan nilai Root Mean Square
Error (RMSE) untuk timeframe M30 berturut-turut
adalah 0,0000177, 0,00067, 0,00079, dan 0,00085.
Untuk timeframe H1 berturut-turut adalah sebesar
0.000486, 0.0009, 0.00112, dan 0.00114. Dan untuk
timeframe H4 berturut-turut adalah sebesar
0.0000512, 0,00138, 0,0028, dan 0,00235.
Berdasarkan nilai RMSE tersebut, dapat dikatakan
bahwa secara umum, model prediksi ASTAR cukup
baik untuk memprediksi pergerakan nilai tukar
valuta asing dalam jangka waktu yang pendek.
2. Jika dibandingkan nilai RMSE untuk tiap
timeframe, maka nilai RMSE yang paling kecil
adalah nilai RMSE untuk timeframe M30. Hal ini
menunjukkan bahwa semakin kecil timeframe yang
digunakan untuk memprediksi nilai tukar mata uang
asing menggunakan metode ASTAR, maka tingkat
akurasinya akan semakin baik.
3. Dalam melakukan transaksi online pada tanggal 8-
14 Maret 2013, profit yang didapatkan sebesar
70.83% dan loss 29.17% dengan menggunakan
metode ASTAR. Hal ini berarti metode ASTAR
mampu menghasilkan lebih banyak profit daripada
loss.
Penelitian Program Studi Teknik Informatika, UNHAS, Februari 2013
Sofyan Tandungan - NIM : D42108104
Andhika A. Hakim - NIM : D42108267
7
3.2 Saran
1. Penelitian ini masih perlu dilakukan
pengembangan, maka dari itu perlu dilakukan
penelitian lanjutan dengan menggunakan metode
kepakaran yang lain seperti, Genetic Algorithm,
Ant Algorithm, dan Cart Regression atau
mengkombinasikan metode-metode yang sudah
diteliti dengan metode-metode yang lain.
2. Perlu diadakan penelitian lebih lanjut untuk
peramalan nilai tukar valuta asing yang lebih
akurat. Hal ini perlu dilakukan karena penelitian
ini hanya melihat faktor teknikal dan masih ada
faktor-faktor lainnya yang mempenagruhi
pergerakan nilai tukar valuta asing seperti berita-
berita yang bersifat fundamental.
Daftar Pustaka
[1] Frento T. Suharto, MM, MBA. Mengungkap
Rahasia Forex. Jakarta. 2012
[2] Gunaidi Abdia Away. Matlab Programming.
Bandung. 2012
[3] Friedman, J.H. Multivariate Adaptive
Regression Splines. Journal the Annals of
Statistic, Stanford Linear aceleratorcenter and
department of Statistic Stanford University
Stanford, California. 1991
[4] Winalia Agwil, Izzati Rahmi, dan Hazmira
Yozza, Prediksi Luas Area Kebakaran
Hutan Berdasarkan Data Meteorologi Dengan
Menggunakan Pendekatan Multivariate
Adaptive Regression Spline (MARS). Program
Studi Matematika, Universitas Andalas Padang,
Tugas Akhir, 2008
[5] Gunawan Tari dan Yosef Rudolf . Prediksi
Curah Hujan Di Wilayah Makassar
Menggunakan Metode Adaptive Splines
Threshold Autoregression (ASTAR). Jurusan
Teknik Elektro Unhas. Tugas Akhir. 2012
[6] Istriana.Pemodelan Curah Hujan dengan
Pendekatan Adaptive Spline Threshold
Autoregression (ASTAR). Jurusan Statistik
ITS Surabaya, Tugas Akhir. 2009
[7] Rina Andriani. Pemodelan Indeks Harga
Konsumen Kelompok Bahan Makanan
menggunakan Metode Intervensi dan Regresi
Spline, Jurusan Statistika FMIPA-ITS, Tugas
Akhir.2009
[8] Sutikno. Prakiraan Cuaca dengan Metode
ARIMA, NN, dan ASTAR di Stasiun Juanda
Surabaya. Jurnal Jurusan Statistik ITS,
Surabaya. 2010
[9] Wa Ode Ikrawati. Analisis model Multivariate
Adaptive Regression Splines (MARS) dengan
respon Kontinu, Jurusan Matematika
Universitas Hasanuddin, Tugas Akhir.2009
[10] Lean Yu, Shouyang Wang, dan Kin Keung Lai.
Foreign-Exchange-Rate Forecasting with
Artificial Neural Networks. New York, USA.
2007
[11] A.P.Endrosiwi,
http://www.kampusforex.com/KF_forexebook.p
df/ , diakses pada tanggal 20 Agustus 2012
[12] http://www.belajarforexpro.com, diakses pada
tanggal 7 November 2012
Sofyan Tandungan, lahir di
Kendari, 23 Oktober 1990. Anak
pertama dari pasangan Ir. Edison
Tandungan, MT dan Hj. Suryati
Melalui pendidikan di SD Negeri
12 Baruga, Kendari, SMP Negeri
4 Kendari, dan SMA Negri 1
Kendari. Kemudian, 2008-
sekarang menjalankan studi S1 di
prodi Informatika jurusan Elektro
fakultas Teknik Universitas
Hasanuddin.
Andhika A. Hakim, lahir di
Makassar, 21 September 1990.
Anak pertama dari pasangan
Abd. Hakim Yassi dan Fransisca
Rachel. Melalui pendidikan di
SD Negeri Sudirman Makassar,
SMP Negeri 6 Makassar, dan
SMA Negeri 17 Makassar.
Kemudian 2008-sekarang
menjalankan studi S1 di prodi
Informatika jurusan Elektro
Fakultas Teknik Universitas
Hasanuddin.