penerapan algoritma decision tree c5.0 untuk peramalan forex
DESCRIPTION
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 tinggiTRANSCRIPT
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 $.
2. Pada time frame M5 (per-5-menit) prosentase
akurasi buy 82,31%, akurasi sell 82,61%, dengan
nilai loss 5,43 $.
3. Pada time frame M15 (per-15-menit) prosentase
akurasi buy 84,49%, akurasi sell 83,69%, dengan
nilai profit 2,31 $.
4. Pada time frame M30 (per-30-menit) prosentase
akurasi buy 80,14%, akurasi sell 81,39%, dengan
nilai loss 4,41 $.
5. Pada time frame H1 (per hours) prosentase
akurasi buy 80,29%, akurasi sell 81,82%, dengan
nilai loss 2,16$.
6. Pada time frame H4 (per-four-hours) prosentase
akurasi buy 82,14%, akurasi sell 82,89%, dengan
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
proses utama yaitu proses perancangan data
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
proses utama yaitu proses perancangan data
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].