penerapan algoritma decision tree c5.0 untuk peramalan forex

PENERAPAN ALGORITMA DECISION TREE C5.0

UNTUK PERAMALAN FOREX

Kurniarti Putri Wirdhaningsih1, Dian Eka Ratnawati, S.Si., M.Kom.2, Drs. Marji, MT.3

Program Studi Informatika/Ilmu Komputer, Fakultas Program Teknologi Informatika dan Ilmu Komputer

Universitas Brawijaya Malang

Jalan Veteran No.8 Malang 65145, Indonesia

Email1:[email protected]

Abstrak

Perdagangan forex merupakan investasi yang berisiko tinggi dan memiliki prospek yang tinggi.

Banyaknya kalangan yang berperan di dalamnya dan besarnya nilai uang yang beredar menjadikan pasar forex

sulit untuk dikendalikan oleh kalangan tertentu sehingga diperlukan sistem prediksi dalam menetukan

kebijakan yang diambil untuk mencapai profit yang tinggi.

Pada penelitian ini bertujuan untuk mengimplementasi algoritma Decision Tree. C5.0 yang

memperlakukan variabel kontinyu dan pemilihan atribut yang akan diproses menggunakan information gain

tertinggi dalam pembentukan tree yang akan memberikan hasil prediksi. Adapun pre-processing, data history

akan diproses menggunakan indikator MACD dan RSI dengan nilai close sebagai inputan sehingga

menghasilkan data training. Selain itu pada pre-processing terdapat proses kondisi dengan inputan open, high,

dan low yang digunakan sebagai parameter asumsi dalam menentukan keputusan buy atau sell pada saat

pergerakan naik ataupun turun. Tingkat keberhasilan prediksi forex dengan metode C5.0 secara optimal

diperoleh dari time frame M15 (per-15-menit) untuk pair mata uang EUR/USD dengan akurasi buy 84,49 %,

akurasi sell 83,69 %, dan nilai profit yang dicapai yaitu 2,31 $.

Kata Kunci: Forex, MACD, RSI, Data Mining, Decision Tree, Algoritma C5.0

Abstract

Forex trading is a high risk investment and has a high prospect. The number of people who participate in it and the

amount of money in circulation makes it difficult for the forex market is controlled by certain circles that the prediction

system is required in determining the measures taken to achieve a higher profit.

In this study aims to implement the Decision Tree algorithm. C5.0 which treat continuous variables and the

selection of attributes that will be processed using the highest information gain in the establishment of tree that would yield

prediction. As for pre-processing, history data will be processed using MACD and RSI indicator with a value close as input

to produce training data. In addition there is a pre-processing on the input conditions of the open, high, low and used as the

parameter assumptions in determining the decision to buy or sell at the time of movement up or down. Forex prediction

success rate with C5.0 method optimally obtained from the time frame M15 (per-15-minutes) for the currency pair EUR /

USD with 84.49% accuracy buy, sell accuracy of 83.69%, and the value of profit achieved is $ 2.31.

Keywords: Forex, MACD, RSI, Data Mining, Decision Tree, C5.0 Algorithm

1. Pendahuluan

Trading Forex atau yang lebih dikenal dengan

valas merupakan suatu jenis transaksi yang

memperdagangkan mata uang (currency) suatu

negara tehadap mata uang negara lainnya dengan

tujuan untuk mendapatkan keuntungan (profit) dari

perbedaan nilai mata uang. Pasar forex tidak seperti

pasar saham, pasar forex bersifat interbank atau

Over The Counter karena waktu perdagangannya

yang secara kontinyu mengikuti waktu

perdagangan masing-masing negara dan bisa

diasumsikan bahwa pasar forex buka 24 jam {7}.

Selama kurun waktu yang cukup lama,

transaksi forex dianggap suatu bisnis/usaha yang

bersifat sangat menguntungkan (High Gain), bisnis

ini juga berisiko tinggi (High Risk) dan

membutuhkan modal yang sangat besar sehingga

setiap pelaku bisnis (trader) harus memahami bisnis

secara benar {7}. Ada beberapa persepsi salah yang

dialami oleh trade-trader yang baru dan persepsi

ini sangat berpengaruh terhadap kesuksesan. Di

dalam menentukan transaksi apa yang dilakukan

oleh trader hanya berbekal analisa sesuai dengan

insting dari penganalisa, padahal analisa

berhubungan dengan data dalam jumlah banyak

membuat analisa menjadi tidak efektif dan tidak

efisien yang membuat dari segi hasil tidak tepat

dengan hasil yang diharapkan.

Prediksi forex adalah suatu proses

menganalisis dan menentukan trend suatu forex

dimasa yang akan datang. Dengan analisa teknikal,

prediksi forex dapat ditentukan dengan mengamati

perubahan harga dimasa lalu. Pemikiran yang

mendasari analisis teknikal adalah bahwa pola

pergerakan kurs forex mencerminkan informasi

yang relevan. Informasi tersebut ditunjukkan oleh

perubahan harga forex di waktu yang lalu dapat

memprediksi pergerakan dimasa yang akan datang,

dan karenanya perubahan pergerakan kurs forex

mempunyai pola tertentu dan pola tersebut

berulang.

Parameter masukan data yang digunakan

dalam prediksi adalah harga buka (open price),

harga terendah (low price), harga tertinggi (high

price), dan harga penutupan (close price). Sedangkan

indikator yang digunakan dalam memprediksikan

pergerakan naik turun nilai pertukarannya yaitu

Moving Average Convergence Divergence (MACD)

dan Relative Strenght Index (RSI). Hal ini

dimaksudkan untuk mengolah dan menganalisa

data sehingga menjadi data testing sebagai input

baru yang akan diolah sebagai hasil prediksi. Dan

keluaran dari prediksi adalah suatu grafik pola

pergerakan forex dengan nilai indikator prediksi

yaitu nilai MACD, nilai RSI, serta hasil prediksi

C5.0 akan menujukkan prediksi membeli (buy) atau

menjual (sell).

Pada penelitian ini digunakan metode C5.0

(Commercial Version 5.0) untuk mengolah variabel-

variabel analisa yang digunakan. C5.0 merupakan

salah satu algoritma yang terdapat dalam

klasifikasi data mining yang khususnya diterapkan

pada teknik Decision Tree. Dalam algoritma C5.0

menghasilkan tree dengan jumlah cabang per node

bervariasi. C5.0 memperlakukan variabel kontinyu

dan pemilihan atribut yang akan diproses

menggunakan information gain tertinggi sebagai

parent bagi node selanjutnya. Dengan metode C5.0

diharapkan dapat melakukan prediksi yang tepat

sehingga memberikan keuntungan yang maksimal.

2. Tinjauan Pustaka

2.1 Pasar Forex

Trading Forex adalah perdagangan mata uang

dari negara yang berbeda satu sama lain. Forex ini

adalah singkatan dari Foreign Exchange. Sebagai

contoh, mata uang yang beredar di Eropa disebut

Euro (EUR) dan mata uang yang beredar di

Amerika Serikat disebut Dolar AS (USD). Sebuah

contoh dari perdagangan Forex adalah untuk

membeli Euro dan secara bersamaan menjual US

Dolar yang disingkat EUR/USD. Sedangkan pasar

Forex adalah pasar tunai non stop dimana terdapat

mata uang negara-negara yang diperdagangkan {3}.

Pada Forex, terdapat pair yang di dalamnya

terdapat session yang dikenal dengan istilah time

frame yang terdiri dari time frame 1M (per-1-menit),

5M (per-5-menit), 15M (per-15-menit), 30M (per-30-

menit), H1 (per hours), H4(per-four-hours), D1 (daily),

W1 (weekly), dan MN (monthly). Di dalamnya

terdapat komponen berupa candlestick yang

memiliki variabel waktu, open, high, low, close.

2.2 Data Mining

Ada beberapa definisi mengenai data mining.

Menurut Han (2001), Data mining merupakan

sebuah proses menganalisis sekumpulan data hasil

penelitian, dengan tujuan untuk menemukan

hubungan antar data, dan untuk meringkas data

sehingga data menjadi mudah dimengerti dan

berguna bagi pemilik data{5}. Sedangkan menurut

Connolly (2005: 123), data mining adalah proses

menghasilkan informasi yang tidak diketahui

sebelumnya dari suatu database yang besar, yang

kemudian digunakan dalam proses pengambilan

keputusan bisnis{1}.

Kumpulan data dalam jumlah besar membuat

organisasi memiliki data dalam jumlah banyak,

namun tanpa adanya pengolahan data, data

tersebut belum dapat menghasilkan informasi

ataupun knowlegde yang berguna. Oleh karena itu,

data mining diperlukan untuk menemukan pola-

pola dari data yang ada, meningkatkan nilai

intrinsik data, dan mengubah data menjadi

knowledge {8}.

2.3 Algoritma C5.0

Algoritma C5.0 adalah salah satu algoritma

data mining yang khususnya diterapkan pada

teknik decision tree. C5.0 merupakan

penyempurnaan algoritma sebelumnya yang

dibentuk oleh Ross Quinlan pada tahun 1987, yaitu

ID3 dan C4.5. Dalam algoritma ini pemilihan

atribut yang akan diproses menggunakan

information gain. Dalam memilih atribut untuk

pemecah obyek dalam beberapa kelas harus dipilih

atribut yang menghasilkan information gain paling

besar. Atribut dengan nilai information gain

tertinggi akan dipilih sebagai parent bagi node

selanjutnya {4}

C5.0 adalah versi komersial dari C4.5 yang

secara luas digunakan di banyak pemaketan data

mining seperti Clementine and RuleQuest. Tidak

seperti C4.5, penggunaan algoritma yang tepat

untuk C5.0 belum terungkap. Hasil menunjukkan

bahwa C5.0 meningkatkan pada penggunaaan

memori sekitar 90%, lebih cepat daripada C4.5 {2}.

2.4 Information Gain

Ukuran information gain digunakan untuk

memilih atribut uji pada setiap node di dalam tree.

Ukuran ini digunakan untuk memilih atribut atau

node pada tree. Atribut dengan nilai information

gain tertinggi akan terpilih sebagai parent bagi

node selanjutnya. Rumus yang digunakan untuk

information gain adalah {6}:

��,��,… , � = − �� ∗ ��(��)

��

dengan : S = himpunan kasus

m = jumlah sample

Pi = proporsi kelas

S adalah sebuah himpunan yang terdiri dari s

data sampel. Diketahui atribut class adalah m

dimana mendefinisikan kelas-kelas di dalamnya, Ci

(for i= 1, …, m), si adalah jumlah sampel pada S

dalam class Ci. Untuk mengklasifikasikan sampel

yang digunakan maka diperlukan informasi

dengan menggunakan aturan seperti di atas.

Dimana pi adalah proporsi kelas dalam output

seperti pada kelas Ci dan diestimasikan dengan si

/s.

Atribut A memiliki nilai tertentu {a1, a2, …,

av}. Atribut A dapat digunakan pada partisi S ke

dalam v subset, {S1, S2, …, Sv}, dimana Sj berisi

sample pada S yang bernilai aj pada A. Jika A

dipilih sebagai atribut tes (sebagai contoh atribut

terbaik untuk split), maka subset ini akan

berhubungan pada cabang dari node himpunan S.

Sij adalah jumlah sample pada class Ci dalam

sebuah subset Sj.

Untuk mendapatkan informasi nilai subset

dari atribut A tersebut maka digunakan rumus

sebagai berikut {9}:

dengan : ��

� = jumlah subset j yang dibagi

dengan jumalah sampel S

Untuk mendapatkan nilai gain selanjutnya

digunakan rumus di bawah ini {9}:

dengan : A = atribut

S = himpunana kasus

S1 = jumlah sampel

3. Metodologi Dan Perancangan Sistem

3.1 Gambaran Umum Perangkat Sistem

Aplikasi perangkat analisa forex trading

merupakan implementasi dari beberapa teknik

penganalisaan data yaitu MACD, dan RSI dengan

algoritma C5.0. Pada aplikasi ini terdapat dua

proses utama yaitu proses perancangan data

training dan proses pengambilan keputusan.

Proses perancangan data training menjalankan

prosedur MACD, dan RSI. Pada proses

pengambilan keputusan dijalankan prosedur

Algoritma C5.0 untuk menganalisa hasil sebuah

prediksi nilai tukar mata uang. Algoritma C5.0

akan memberikan hasil prediksi berupa keputusan

transaksi sell atau buy disertai dengan nilai

kemungkinannya.

Alur penelitian yang dilakukan dapat

diilustrasikan dalam bentuk diagram alir yang

ditunjukkan pada Gambar 3.1.

Gambar 3.1. Tahapan-tahapan dalam penelitian

3.2 Perancangan Perangkat Lunak

Proses – proses untuk perancangan model

prediksi trend saham adalah :

1. Memasukkan data history untuk dianalisa.

2. Pemanggilan indikator MACD, RSI, dan

kondisi.

3. Dari pemanggilan indikator maka diperoleh

data training.

4. Pembangunan proses prediksi dengan

Algoritma Decision Tree C5.0

5. Hasil prediksi (output).

Langkah – langkah perancangan model

ditunjukkan pada Gambar 3.2.

Gambar 3.2. Diagram alir perancangan model

4. Implementasi Antarmuka

Expert advisor merupakan bagian program

yang dijalankan oleh trader. Pada bagian ini trader

diminta untuk memasukan empat data yaitu lots,

data_testing, TakeProfit, StopLost.

�(�) = ∑ �!�…� "! �(#

$�� $ , …�$)

Gain(A) = I�S�,S�,… , S, − E(A)

Perancangan

Pengujian dan

Evaluasi

Implementasi

Identifikasi

Studi Literatur Load Data

Gambar 4.1 Data masukan pada Expert Advisor

Setelah program expert advisor dijalankan,

program ini akan menampilkan hasil Naïve Bayes

dan candlestick.

Gambar 4.2 Hasil analisis C5.0 dan candlestick.

Gambar 4.2 menunjukkan hasil analisis

Algoritma Decision Tree C5.0 dan candlestick. Pada

gambar tersebut terdapat garis merah yang

menunjukkan TakeProfit, Garis hijau menunjukan

posisi order. Pada gambar juga terlihat MACD=

0.00015984, menunjukkan nilai MACD saat ini

adalah 0.00015984, SL=0,00040970, menunjukkan

nilai SL saat ini adalah 0,00040970, RSI=

26,82926829, menunjukkan nilai RSI saat ini adalah

26,82926829, serta C5.0 = SELL menujukkan

prediksi C5.0 adalah SELL.

5. Analisa Hasil Uji Coba

5.1 Uji Coba

Pada subbab ini akan dilakukan pembahasan

mengenai pengujian yang telah dilakukan pada

sistem dan hasil evaluasi dari ringkasan hasil

Strategi Tester. Ditunjukan pada Gambar 5.1

Gambar 5.1 Hasil Strategy Tester M15

Dari hasil uji coba yang dilakukan pada

Strategi Tester untuk Pair mata uang EUR/USD

time frame M1 (per-1-menit), M5 (per-5-menit),

M15 (per-15-menit), M30 (per-30-menit), H1 (per

hours), H4 (per-four-hours), dan D1 (daily) dengan

data selama satu bulan yaitu 6 Juni 2013 s/d 28 Juni

2013 maka didapat hasil akurasi buy/sell dengan

nilai profit/loss yang dicapai diitunjukkan oleh

tabel 5.1 berikut:

Tabel 5.1. Tabel uji coba system

No Time

Frame

Akurasi (%) Profit/loss

( $ ) Buy Sell

1 M1 81,71 83,03 -9,21

2 M5 82,31 82,61 -5,43

3 M15 84,49 83,69 2,31

4 M30 80,14 81,39 -4,41

5 H1 80,29 81,82 -2,16

6 H4 82,14 82,89 -0,18

7 D1 85,71 86,67 0,12

Dari tabel 5.1 dapat dilihat:

1. Pada time frame M1 (per-1-menit) prosentase

akurasi buy 81,71%, akurasi sell 83,03%, dengan

nilai loss 9,21 $.



nilai loss 5,43 $.



nilai profit 2,31 $.



nilai loss 4,41 $.

5. Pada time frame H1 (per hours) prosentase


nilai loss 2,16$.

6. Pada time frame H4 (per-four-hours) prosentase


nilai loss 0,18 $.

Pada time frame D1 (daily) prosentase akurasi

buy 85,71%, akurasi sell 86,67%, dengan nilai profit

0,12 $.

5.2 Analisis

Berdasarkan hasil pengujian yang telah

dilakukan pada sistem dari ringkasan hasil Strategi

Tester dapat dianalisis akurasi buy/sell dengan nilai

profit/loss yang dicapai untuk masing-masing time

frame. Pada Gambar 5.8. dapat dilihat grafik

akurasi buy/sell dari masing-masing time frame

pada pair mata uang EUR/USD.

Gambar 5.2. Grafik Akurasi Buy/Sell

Akurasi buy dan sell optimal terdapat pada

time frame D1 (daily) dengan prosentase akurasi

buy 85,71%, akurasi sell 86,67%. Dan akurasi buy

dan sell terendah terdapat pada time frame M1

(per-1-menit) dengan prosentase akurasi

81,71%, dan akurasi sell 83,03%.

Adapun Gambar grafik dari nilai profit dan

loss yang dicapai untuk masing-masing time frame

pada pair mata uang EUR/USD sebagai berikut.

Gambar 5.3. Grafik Profit/Loss

Untuk nilai profit optimal didapat pada time

frame M15 (per-15-menit) yaitu 2,31 $. Dan nilai

loss terbesar didapat pada time frame M5 (per

menit) dengan nilai loss 5,43 $.

Dari analisa akurasi buy/sell dan analisa

profit/loss untuk pair mata uang EUR/USD maka

dapat disimpulkan bahwa akurasi buy dan se

dengan profit optimal didapat pada time frame

M15 (per-15-menit) dengan akurasi buy 84,49 %,

akurasi sell 83,69 %, dan nilai profit yang dicapai

yaitu 2,31 $. Sedangkan akurasi buy dan sell

dengan loss terbesar didapat pada time frame M5

(per-5-menit) prosentase akurasi buy 82,31%,

akurasi sell 82,61%, dengan nilai loss 5,43 $. Hal ini

dikarenakan pergerakan harga forex pada time

frame M15 (per-15-menit) lebih stabil

dibandingkan dengan time frame M5 (per

yang fluktuatif.

M1 M5 M15 M30 H1

81,7182,31

84,49

80,14 80,29

83,0382,61

83,69

81,3981,82

Ak

ura

si (

% )

Time Frame

-9,21

-5,43

2,31

-4,41

-10

-8

-6

-4

-2

0

2

4

M1 M5 M15 M30 H1

5.2. Grafik Akurasi Buy/Sell

Akurasi buy dan sell optimal terdapat pada

time frame D1 (daily) dengan prosentase akurasi

buy 85,71%, akurasi sell 86,67%. Dan akurasi buy

dan sell terendah terdapat pada time frame M1

menit) dengan prosentase akurasi buy

Adapun Gambar grafik dari nilai profit dan

masing time frame

pada pair mata uang EUR/USD sebagai berikut.

Profit/Loss

Untuk nilai profit optimal didapat pada time

menit) yaitu 2,31 $. Dan nilai

loss terbesar didapat pada time frame M5 (per-5-

Dari analisa akurasi buy/sell dan analisa

profit/loss untuk pair mata uang EUR/USD maka

dapat disimpulkan bahwa akurasi buy dan sell

dengan profit optimal didapat pada time frame

menit) dengan akurasi buy 84,49 %,

akurasi sell 83,69 %, dan nilai profit yang dicapai

yaitu 2,31 $. Sedangkan akurasi buy dan sell

dengan loss terbesar didapat pada time frame M5

rosentase akurasi buy 82,31%,

akurasi sell 82,61%, dengan nilai loss 5,43 $. Hal ini

dikarenakan pergerakan harga forex pada time

menit) lebih stabil

dibandingkan dengan time frame M5 (per-5-menit)

6. Kesimpulan Dan Saran

6.1 Kesimpulan

Setelah melakukan skripsi ini maka

disimpulkan :

1. Pada implementasi prediksi forex


training (pre-processing)

pengambilan keputusan. Dalam

data history akan diproses menggunakan

indikator MACD dan RSI

sebagai inputan sehingga menghasilkan data

training. Selain itu pada pre

proses kondisi dengan inputan

low yang digunakan sebagai parameter

dalam menentukan keputusan

pada saat pergerakan naik ataupun turun.

Sedangkan pada proses pengambilan keputusan

dijalankan prosedur Algoritma

C5.0 dengan mencari information gain

pembentukan tree yang akan

prediksi berupa keputusan

2. Tingkat keberhasilan prediksi forex dengan

metode C5.0 secara optimal diperoleh dari

frame M15 (per-15-menit)

EUR/USD dengan akurasi sebagai berikut:

a. Akurasi Buy dengan persentase sebesar

84,49%.

b. Akurasi Sell dengan persentase sebesar

83,69%.

c. Profit Optimal sebesar

6.2 Saran

Untuk pengembangan lebih lanjut perangkat

lunak maka ada beberapa saran yang dapat

diberikan :

1. Untuk membuat model prediksi terlebih dahulu

menentukan variabel-variabel yang digunakan

sebagai indikator pada forex salah satunya

MACD dan RSI.

2. Untuk pengembangan selanjutnya dapat

digunakan variasi metod

prediksi yang diperoleh memberikan profit

yang optimal dan keputusan eksekusi yang

tepat.

7. Daftar Pustaka

[1] Connolly, T and Begg, Carolyn E. (2005).

Database System: A Practical Approach to

Design, Implementation, and Management,

Fourth Edition. Addison Wesley Publishing

company, Inc, USA.

[2] Dunham, M.H. 2003.

introductory and advanced topics

Saddle River, NJ: Pearson Education, Inc.

[3] Dharmawan, Bagas.2012.

Rahasia Sukses Forex Trading

Baru Press.

H4 D1

82,14

85,71

81,82

82,89

86,67

Buy

Sell

-2,16

-0,18 0,12

H4 D1

Profit/loss (

$ )

Setelah melakukan skripsi ini maka

implementasi prediksi forex terdapat dua


processing) dan proses

pengambilan keputusan. Dalam pre-processing,

akan diproses menggunakan

indikator MACD dan RSI dengan nilai close

sehingga menghasilkan data

pre-processing terdapat

dengan inputan open, high, dan

yang digunakan sebagai parameter asumsi

keputusan buy atau sell

pada saat pergerakan naik ataupun turun.

Sedangkan pada proses pengambilan keputusan

dijalankan prosedur Algoritma Decision Tree

information gain dalam

yang akan memberikan hasil

prediksi berupa keputusan order sell atau buy .

Tingkat keberhasilan prediksi forex dengan

metode C5.0 secara optimal diperoleh dari time

menit) untuk pair mata uang

EUR/USD dengan akurasi sebagai berikut:

Akurasi Buy dengan persentase sebesar

Akurasi Sell dengan persentase sebesar

Profit Optimal sebesar 2,31$.

Untuk pengembangan lebih lanjut perangkat

k maka ada beberapa saran yang dapat

Untuk membuat model prediksi terlebih dahulu

variabel yang digunakan

sebagai indikator pada forex salah satunya

Untuk pengembangan selanjutnya dapat

digunakan variasi metode C5.0 agar hasil

prediksi yang diperoleh memberikan profit

yang optimal dan keputusan eksekusi yang

Connolly, T and Begg, Carolyn E. (2005).

Database System: A Practical Approach to

Design, Implementation, and Management,

ison Wesley Publishing

Dunham, M.H. 2003. Data mining

introductory and advanced topics. Upper

Saddle River, NJ: Pearson Education, Inc.

Dharmawan, Bagas.2012. Membongkar

Rahasia Sukses Forex Trading. Solo: Pustaka

[4] Ernawati, Iin.2008. Prediksi Status Keaktifan

Studi Mahasiswa Dengan Algoritma C5.0 Dan

K-Nearest Neighbor. Sekolah Pasca Sarjana

Institute Pertanian Bogor: Bogor.

[5] Han, Jiawei and Khamber, Micheline. 2001.

Data Mining : Concepts and Techniques.

Morgan Kaufmann Publishers. San Francisco.

[6] Kantardzic M. 2003. Data Mining Concept

Models, Methods, and Algorithms. New

Jersey, USA: A John Wiley & Sons.

[7] Susanto, Andi. 2007. Forex Trading. Penerbit :

Andi. Yogyakarta.

[8] Tan, Pang-Ning, Michael Steinbach dan Vipin

Kumar. 2004. Introducing to data Mining.

New York

[9] Prof. Nilima Patil, Prof. Rekha Lathi, Prof.

Vidya Chitre. 2012. Comparison of C5.0 &

CART Classification algorithms using pruning

technique. International Journal of

Engineering Research & Technology (IJERT).

Vol. 1. ISSN: 2278-0181. [4 June 2012].

penerapan algoritma decision tree c5.0 untuk peramalan forex

Documents