implementasi adaptive neuro fuzzy inference system dan fibonacci
TRANSCRIPT
-
IMPLEMENTASI ADAPTIVE NEURO FUZZY INFERENCE SYSTEM DAN FIBONACCI
RETRACEMENT UNTUK PREDIKSI TINGKAT SUPPORT DAN RESISTANCE
PADA FOREX MARKET
M Mustakim1 ; Candra Dewi2 ; Lailil Muflikhah3
Program Studi Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer
Universitas Brawijaya
Jl. Veteran Malang, 65145, Indonesia
E-mail : [email protected] ; [email protected] ; [email protected]
ABSTRAK
Pada Forex (Foreign Exchange), seorang trader dituntut 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). Dalam penelitian ini digunakan
metode Adaptive Neuro Fuzzy Inference System (ANFIS) dan Fibonacci Retracement untuk memprediksikan tingkat support
dan resistance. Data yang digunakan dalam penelitian ini diunduh dari server Forex Alpari UK yang terdiri atas open, high,
low, close, dan volume. Pada penelitian ini dilakukan pengujian menggunakan data latih dan data uji dengan interval
waktu yang berbeda. Pengujian ini menghasilkan tingkat akurasi yang terbaik yaitu 80% pada pengujian menggunakan
data latih 2 tahun dan data uji 1 bulan.
Kata Kunci : Prediksi, ANFIS, Fibonacci Retracement, Forex
I. PENDAHULUAN
Masyarakat saat ini mulai menyadari bahwa nilai
mata uang di masa sekarang akan berbeda dengan nilai
mata uang di masa depan. Sebagai masyarakat yang
teredukasi dalam mengelola keuangan, mereka
melakukan investasi untuk menanggulangi peluang
terjadinya kemerosotan nilai mata uang di masa depan.
Investasi berguna untuk menyelamatkan nilai mata
uang supaya tidak mengalami kemerosotan. Bahkan
investasi dapat menaikkan nilai mata uang. Salah satu
investasi yang diminati oleh investor adalah investasi
forex [1].
Forex (Foreign Exchange) yang berarti pertukaran
mata uang asing atau pertukaran mata uang satu
dengan yang lainnya memiliki tujuan awal untuk
pembayaran luar negeri. Karena adanya perbedaan
supply dan demand dalam waktu tertentu,
mengakibatkan terjadinya fluktuasi nilai mata uang
satu dengan yang lainnya. Selisih dari perbedaan nilai
mata uang pada suatu waktu tertentu inilah yang
kemudian dimanfaatkan untuk mendapatkan
keuntungan. Sejak adanya pemahaman tersebut,
akhirnya nilai mata uang ini diperdagangkan dalam
sebuah pasar yang disebut dengan pasar forex [2].
Seorang yang melakukan transaksi dalam pasar forex
disebut trader. Seorang trader dituntut 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 forex [3].
Dengan adanya suatu sistem 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 [1], bahwa metode Adaptive Neuro
Fuzzy Inference System (ANFIS) dapat digunakan untuk
memprediksikan harga berdasarkan faktor-faktor yang
mempengaruhi pergerakan harga. Tingkat akurasinya
mencapai rata-rata 98,63%. ANFIS adalah gabungan
antara metode fuzzy logic dengan Jaringan Syaraf
Tiruan (JST). Kombinasi kedua metode ini membuat
ANFIS dikatakan menggunakan sistem hibrid.
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 terbaik [4]. 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 [5].
Pada penelitian ini akan dicari nilai error dan
tingkat akurasi dari metode ANFIS yang digunakan
untuk memprediksikan swing high dan swing low. Hasil
prediksi swing high dan swing low akan digunakan
untuk menentukan tingkat support atau resistance
menggunakan Fibonacci Retracement.
II. METODOLOGI PENELITIAN
Data. Dalam penelitian ini menggunakan data yang
diunduh dari server Alpari UK melalui aplikasi
MetaTrader 4. Data yang akan digunakan mulai periode
Januari 2010 Maret 2013. Pasangan mata uang yang
digunakan adalah pasangan mata uang Eropa (EURO)
dan mata uang Amerika (USD). Data harga yang
diperoleh terdiri dari 5 atribut, yaitu : open, high, low,
close, volume.
Langkah-langkah. Data yang telah didapatkan
kemudian digunakan untuk menghitung parameter
input ANFIS. Parameter input ANFIS yang akan
digunakan ada 4 yaitu, Stochastic Oscillator %K dan %D,
Ease of Movement (EMV), serta Volume Adjusted Moving
Average (VAMA).
Stochastic Oscillator %K dan %D. %K dan %D
merupakan model indikator Stochastic Oscillator yang
dikembangkan oleh George Lane pada 1950-an.
Stochastic mengidentifikasi momentum pasar dengan
menentukan posisi relatif harga penutupan diantara
kisaran harga tertinggi dan terendah pada periode
waktu tertentu. Formula dari %D dan %K [6] :
*( )
( )+ (1)
*( )
( )+ (2)
Ease of Movement (EMV). EMV dikembangkan oleh
Richards W.Arms. EMV menghitung pada setiap
pergerakan harga yang terjadi. Untuk sinyal beli,
apabila EMV melewati di atas garis nol,
mengidentifikasikan saham bergerak naik. Sinyal jual
adalah apabila EMV melewati di bawah garis nol, yang
mengidentifikasikan bahwa saham bergerak turun.
Formula EMV adalah [6] :
(( )
( )
)
(
)
(3)
Volume Adjusted Moving Average (VAMA). VAMA
adalah nilai dari volume yang ada dalam data suatu
harga dengan periode waktu tertentu [6].
Arsitektur ANFIS. Dalam penelitian ini arsitektur
ANFIS digambarkan pada gambar 1.
Gambar 1 Desain Arsitektur ANFIS
Penjelasan tiap lapisan dari arsitektur ANFIS :
Lapisan 1
Semua simpul pada lapisan ini adalah simpul adaptif
(parameter dapat berubah) dengan fungsi simpul pada
persamaan 4 :
( ), untuk atau
( ), untuk (4)
Simpul berfungsi untuk menyatakan derajat
keanggotaan tiap masukan terhadap himpunan fuzzy A
dan B. Fungsi keanggotaan yang digunakan adalah
jenis generalized bell (gbell). Fungsi keanggotaan
generalized bell ini dipengaruhi oleh parameter {a,b,c}
yang didefinisikan pada persamaan 5 [7].
( )
|
| (5)
Lapisan 2
Semua simpul pada lapisan ini adalah nonadaptif
(parameter tetap). Fungsi simpul ini adalah mengalikan
setiap sinyal masukan yang datang. Tiap keluaran
simpul menyatakan derajat pengaktifan (firing strength)
tiap aturan fuzzy. Fungsi ini dapat diperluas apabila
bagian premis memiliki lebih dari dua himpunan fuzzy.
Banyaknya simpul pada lapisan ini menunjukkan
banyaknya aturan yang dibentuk. Fungsi simpul
seperti pada persamaan 6.
( ) ( ), (6)
Lapisan 3
Setiap simpul pada lapisan ini adalah simpul
nonadaptif yang menampilkan fungsi derajat
pengaktifan terormalisasi (normalized firing strength)
yaitu rasio keluaran simpul ke-i pada lapisan
sebelumnya terhadap seluruh keluaran lapisan
sebelumnya, dengan bentuk fungsi simpul seperti pada
persamaan 7.
, (7)
Apabila dibentuk lebih dari dua aturan, fungsi dapat
diperluas dengan membagi wi dengan jumlah total w
untuk semua aturan.
-
Lapisan 4
Setiap simpul pada lapisan ini adalah simpul adaptif
dengan fungsi simpul seperti pada persamaan 8.
( ) (8)
Lapisan 5
Pada lapisan ini hanya ada satu simpul tetap yang
fungsinya untuk menjumlahkan semua masukan.
Fungsi simpul seperti pada persamaan 9.
(9)
Jaringan ANFIS ini bertujuan untuk melatih jaringan
adaptive pada lapisan pertama dan lapisan keempat.
Pada alur maju digunakan metode Least Square
Estimator untuk melatih parameter konsekuen (ci,1, ci,2,
ci,0) pada lapisan keempat. Jika diketahui keluaran
aktual (y) dengan matriks desain (A), maka dapat
dinotasikan dengan persamaan 10.
(10)
Penyelesaian terbaik untuk , yang meminimalkan
adalah Least Square Estimator (LSE) :
( ) (11)
Sementara pada alur mundur digunakan metode
Steepest Descent untuk melatih parameter premis (a, b,
c) pada lapisan pertama.
Fibonacci Retracement (FR). FR dibuat dengan
mengambil dua titik ekstrim pada grafik dan membagi
jarak vertikal oleh rasio Fibonacci. 0% dianggap awal
retracement, sementara 100% adalah pembalikan dari
pergerakan trend. Setelah tingkat ini diidentifikasi, garis
horisontal ditarik dan digunakan untuk
mengidentifikasi tingkat support dan resistance [5].
Untuk mengetahui tingkat-tingkat retracement tersebut
berada pada harga berapa, dapat dihitung dengan
persamaan 12.
( ) (12)
Evaluasi. Pada penelitian ini digunakan Root Mean
Square Error (RMSE) untuk mengetahui performa dari
model ANFIS.
( )
(13)
Sedangkan untuk mengetahui nilai tingkat akurasi
digunakan persamaan 14.
(14)
III. HASIL DAN PEMBAHASAN
Pengujian RMSE. Pengujian hasil error dengan RMSE
dilakukan sebanyak 5 kali percobaan. Pengujian
dilakukan pada setiap data latih dan data uji dengan
interval waktu yang berbeda, serta target output yang
berbeda. Hasil dari 5 kali percobaan akan diambil nilai
rata-rata RMSE. Hubungan rata-rata RMSE
menggunakan data latih yang sama 1 tahun dapat
digambarkan dalam bentuk grafik gambar 2.
Gambar 2 Grafik Hubungan Rata-rata RMSE
Menggunakan Data Latih yang Sama 1 Tahun
Pada gambar 2 dapat dilihat bahwa grafik untuk
high, low, dan close mengalami trend pergerakan yang
relatif sama. Pergerakan dari data uji 1 bulan ke data uji
2 bulan mengalami kenaikan, kemudian dari data uji 2
bulan ke data uji 3 bulan mengalami penurunan. Nilai
rata-rata RMSE untuk high, low, dan close tertinggi
berada pada data uji 2 bulan dan terendah berada pada
data uji 3 bulan.
Hubungan rata-rata RMSE menggunakan data latih
yang sama 2 tahun dapat digambarkan dalam bentuk
grafik gambar 3.
Gambar 3 Grafik Hubungan Rata-rata RMSE
Menggunakan Data Latih yang Sama 2 Tahun
Pada gambar 3 dapat dilihat bahwa grafik untuk
high, low, dan close mengalami trend pergerakan yang
relatif sama. Pergerakan dari data uji 1 bulan ke data uji
2 bulan mengalami penurunan, kemudian dari data uji
2 bulan ke data uji 3 bulan mengalami kenaikan. Nilai
rata-rata RMSE untuk high, low, dan close tertinggi
berada pada data uji 1 bulan dan terendah berada pada
data uji 2 bulan.
Hubungan rata-rata RMSE menggunakan data latih
yang sama 3 tahun dapat digambarkan dalam bentuk
grafik gambar 4.
Gambar 4 Grafik Hubungan Rata-rata RMSE
Menggunakan Data Latih yang Sama 3 Tahun
0.03
0.032
0.034
0.036
0.038
0.04
1 bulan 2 bulan 3 bulan
Nila
i Rat
a-r
ata
RM
SE
Data Uji
Pengujian Data Latih 1 Tahun
high
low
close
0
0.01
0.02
0.03
0.04
0.05
1 bulan 2 bulan 3 bulan
Nila
i Rat
a-r
ata
RM
SE
Data Uji
Pengujian Data Latih 2 Tahun
high
low
close
0
0.01
0.02
0.03
0.04
0.05
1 bulan 2 bulan 3 bulan
Nila
i Rat
a-r
ata
RM
SE
Data Uji
Pengujian Data Latih 3 Tahun
high
low
close
-
Pada gambar 4 dapat dilihat bahwa grafik untuk
high, low, dan close mengalami trend pergerakan yang
relatif sama. Pergerakan dari data uji 1 bulan ke data uji
2 bulan mengalami penurunan, kemudian dari data uji
2 bulan ke data uji 3 bulan mengalami kenaikan. Nilai
rata-rata RMSE untuk high, low, dan close tertinggi
berada pada data uji 1 bulan dan terendah berada pada
data uji 2 bulan.
Berdasarkan pengujian RMSE didapatkan nilai rata-
rata RMSE tertinggi yaitu 0.039789859 berada pada data
latih 3 tahun dan data uji 1 bulan dengan target output
high. Nilai rata-rata RMSE terendah yaitu 0.028024182
berada pada data latih 2 tahun dan data uji 2 bulan
dengan target output close.
Pengujian Tingkat Akurasi. Pengujian tingkat akurasi
dilakukan menggunakan data latih dan data uji dengan
interval waktu berbeda. Hasil pengujian tingkat akurasi
dapat digambarkan dengan grafik gambar 5.
Gambar 5 Grafik Pengujian Tingkat Akurasi
Pada grafik gambar 5 dapat dilihat bahwa nilai
tingkat akurasi tertinggi berada pada percobaan
dengan data latih 2 tahun dan data uji 1 bulan, yaitu
80.00%. Sedangkan nilai tingkat akurasi terendah
berada pada percobaan dengan data latih 1 tahun dan
data uji 3 bulan, yaitu 37.71%. Nilai rata-rata dari 9 kali
percobaan menggunakan data latih dan data uji dengan
interval waktu yang berbeda adalah 53.99%.
Berdasarkan pengujian ini nilai tingkat akurasi
untuk periode data latih yang sama mengalami
penurunan seiring dengan meningkatnya periode data
uji. Grafik untuk data uji 1 bulan, 2 bulan, dan 3 bulan
mengalami pergerakan trend yang relatif sama.
Pergerakan dari data latih 1 tahun ke data latih 2 tahun
mengalami kenaikan, kemudian dari data latih 2 tahun
ke data latih 3 tahun mengalami penurunan.
IV. KESIMPULAN
Berdasarkan hasil penelitian prediksi tingkat
support dan resistance pada forex market menggunakan
metode ANFIS dan Fibonacci Retracement dapat
disimpulkan :
1. Dari pengujian RMSE sebanyak 5 kali pada data
latih dan data uji dengan interval waktu yang
berbeda serta target output yang berbeda,
didapatkan nilai rata-rata RMSE yang terendah
adalah 0.028024182 berada pada data latih 2 tahun
dan data uji 2 bulan dengan target output close.
2. Nilai tingkat akurasi tertinggi berada pada
percobaan dengan data latih 2 tahun dan data uji 1
bulan, yaitu 80.00%.
DAFTAR PUSTAKA
[1] Ayu, Dita D. P. 2011. Prediksi Harga Closed
Saham Menggunakan Adaptive Neuro Fuzzy
Inference System. Universitas Brawijaya.
Malang.
[2] Masbeken. 2010. (online).
http://forex.gubugreyot.com/2010/11 /apa-sih-
forex-itu.fx. Tanggal akses 19 April 2013.
[3] Supriyanto, Edy. 2004. Penerapan Jaringan
Syaraf Tiruan untuk Memprediksi Harga Saham.
Skripsi Fakultas Teknik dan Ilmu Komputer
UNIKOM. Bandung.
[4] Poulos, Bill. 2004. The Truth About Fibonacci
Trading. Profits Run Inc.
[5] Gaucan, Violeta. 2011. How to Use Fibonacci
Retracement to Predict Forex Market. Titu
Maiorescu University. Romania.
[6] Arief, H. dan Dwi Prabintini. 2008. Kiat Jitu
Prediksi Saham Analisis dan Teknik. Penerbit
ANDI. Yogyakarta.
[7] Kusumadewi, S. dan Sri Hartati. 2006. NEURO
FUZZY : Intergrasi Sistem Fuzzy & Jaringan
Syaraf. Graha Ilmu. Yogyakarta.
0.00 %
20.00 %
40.00 %
60.00 %
80.00 %
100.00 %
1 tahun 2 tahun 3 tahun
Nila
i Tin
gkat
Aku
rasi
Data Latih
Tingkat Akurasi
1 bulan
2 bulan
3 bulan
Data Uji