Professional Documents
Culture Documents
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.