implementasi adaptive neuro fuzzy inference system dan fibonacci

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.






2 bulan mengalami penurunan, kemudian dari data uji

2 bulan ke data uji 3 bulan mengalami kenaikan. Nilai



data uji 2 bulan.

Hubungan rata-rata RMSE menggunakan data latih

yang sama 3 tahun dapat digambarkan dalam bentuk

grafik gambar 4.



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


Nila

i Rat

a-r

ata

RM

SE

Data Uji


high

low

close

0

0.01

0.02

0.03

0.04

0.05


Nila

i Rat

a-r

ata

RM

SE

Data Uji


high

low

close




2 bulan mengalami penurunan, kemudian dari data uji

2 bulan ke data uji 3 bulan mengalami kenaikan. Nilai



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

implementasi adaptive neuro fuzzy inference system dan fibonacci

Documents