PENDEKATAN DATA TIME SERIES MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS PREPROCESING PADA PREDIKSI HARGA SAHAM

Transkripsi

1 PENDEKATAN DATA TIME SERIES MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS PREPROCESING PADA PREDIKSI HARGA SAHAM Abdul Aziz Program Studi Teknik Informatika Universitas Yudharta ABSTRACT Forex Market is a type of trade or transactions of a country's currency to another country's currency (the currency pair / pair), which involves major money markets in the world for 24 hours continuously. A trader is required to have the ability of technical analysis and fundamental good to be able to reap huge profits. Analysis traders used to predict the price in the market will rise or fall based lower threshold price (support) and upper threshold price (resistance). This study used the method of K-Nearest Neighborand a Fibonacci retracement to predict support and resistance levels. The data used in this study downloaded from the server Forex Alpari UK which consists of open, high, low, close, and volume as input data. In this study, training data and testing using test data with different time intervals. This test resulted in an accuracy rate is 576% on the test using the training data and test data 2 years 1 month 4 hour period of real data. Keywords: Prediction, K-NEAREST NEIGHBOR, Fibonacci Retracement, Forex xvii pages; 24 images; 40 tables; 1 attachment bibliography: 19 ( )

2 PENDAHULUAN 1.1 Latar Belakang Pasar valuta asing (foreign exchange market) atau disingkat valas merupakan suatu jenis perdagangan atau transaksi yang memperdagangkan mata uang suatu negara terhadap mata uang negara lainnya (pasangan mata uang/pair) yang melibatkan pasar-pasar uang utama di dunia selama 24 jam secara berkesinambungan. Pergerakan pasar valuta asing berputar mulai dari pasar Selandia Baru dan Australia yang berlangsung pukul WIB, terus ke pasar Asia yaitu Jepang, Singapura, dan Hongkong yang berlangsung pukul WIB, ke pasar Eropa yaitu Jerman dan Inggris yang berlangsung pukul WIB, sampai ke pasar Amerika Serikat yang berlangsung pukul WIB. Dalam perkembangan sejarahnya, bank sentral milik negara-negara dengan cadangan mata uang asing yang terbesar sekalipun dapat dikalahkan oleh kekuatan pasar valuta asing yang bebas. Menurut survei BIS (Bank International for Settlement, bank sentral dunia), yang dilakukan pada akhir tahun 2004, nilai transaksi pasar valuta asing mencapai lebih dari USD$1,4 triliun per harinya. Mengingat tingkat likuiditas dan percepatan pergerakan harga yang tinggi tersebut, valuta asing juga telah menjadi alternatif yang paling populer karena ROI (return on investment atau tingkat pengembalian investasi) serta laba yang akan didapat bisa melebihi rata-rata perdagangan pada umumnya. Akibat pergerakan yang cepat tersebut, maka pasar valuta asing juga memiliki risiko yang tinggi [ HYPERLINK \l "San13" 1 ]. Dengan adanya resiko pasti ada pula peluang untuk mendapatkan keuntungan. Maka seorang trader di tuntut 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 2]. Dalam menentukan prediksi tingkat support dan resistance ada beberapa cara salah satunya yaitu dengan fibonacci retracement [ HYPERLINK \l "MMu132" 3 ]. Fibonacci Retracement adalah sebuah alat analisa favorit para trader, akurasi bilangan fibonacci dalam analisa forex cukup terkenal. Menurut para ilmuwan fibonacci adalah "Angka Tuhan" karena kombinasi angka fibonacci ini bisa ditemukan di alam bahkan ada dalam setiap jengkal proporsi tubuh ideal manusia. Dalam Metatrader 4 (disingkat MT4) terdapat beberapa level fibonacci retracement yaitu : 0, 23.6, 38.2, 50, 61.8, 100 dan fibonacci extension yaitu 161.8, dan Pada fibonacci retracement

3 dan extension yang saya gunakan menghilangkan 23.6 dan 50 karena level yang terpenting pada fibonacci retracement adalah 38.2 dan 61.8 (biasanya sering disebut sebagain key level) saya juga menambahkan level baru yaitu Angka ini bukan asal menentukan, angka tersebut adalah akar dari Pada grafik di bawah ini kita bisa melihat keampuhan fibonacci retracement dan extension dalam memperkirakan letak pembalikan harga dan target. Fibonacci rectrament merupakan salah satu indikator 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 4], bahwa metode K-Nearest Neighbordapat digunakan untuk memprediksikan harga berdasarkan faktorfaktor yang mempengaruhi pergerakan harga. Tingkat akurasinya mencapai rata-rata 98,63%. K-NEAREST NEIGHBOR adalah gabungan antara metode fuzzy logic dengan Jaringan Syaraf Tiruan (JST). Kombinasi kedua metode ini membuat K-NEAREST NEIGHBOR dikatakan menggunakan sistem hibrid. K-NEAREST NEIGHBOR memiliki beberapa lapisan berbasiskan fuzzy inference system. Fuzzy logic memiliki kelebihan dalam memodelkan aspek kualitatif dari pengetahuan manusia dan proses pengambilan keputusan dengan menerapkan basis aturan (rules). Sedangkan JST dapat bekerja berdasarkan data historis yang dimasukkan kepadanya dan dapat memprediksi kejadian yang akan datang [ berdasarkan data-data tersebut 5 HYPERLINK \l "JSR93" ]. Dalam melakukan analisis teknikal pada forex diperlukan alat bantu analisis yang disebut indikator. Terdapat lebih dari 50 jenis indikator dalam analisis teknikal. 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 6]. 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 [ HYPERLINK \l "Vio11" 7 ]. Pada skripsi ini akan digunakan K- NEAREST NEIGHBOR untuk memprediksikan harga tertinggi (swing high) dan harga terendah (swing low) yang akan dihitung menggunakan Fibonacci Retracement guna mendapatkan tingkat support dan resistance.

4 1.2 Rumusan Masalah Beberapa masalah yang dijadikan objek dalam skripsi ini adalah : Prediksi swing high dan swing low dengan menggunakan K-Nearest NeighborMetode Sugeno. 1.3 Batasan Masalah Berdasarkan masalah yang diangkat pada skripsi ini, diberikan batasan masalah : 1. Data yang digunakan dalam pengujian skripsi ini adalah data histori pada pasangan mata uang atau pair EURO dan USD periode Januari 2011 Desember 2013 yang di unduh dari server Forex Alpari UK. 2. Skripsi ini hanya menggunakan parameter dari analisis teknikal (indikator) tanpa memperhatikan parameter dari analisis fundamental. 3. Data Input yang digunakan pada sistem prediksi dalam skripsi ini yaitu open, high, low, close, dan volume dimana data tersebut akan diolah lebih lanjut sesuai parameterparameter yang telah ditentukan. 1.4 Tujuan Penelitian Tujuan dari penulisan skripsi ini adalah : Mengukur tingkat akurasi dari prediksi harga tertinggi (swing high) dan harga terendah (swing low) dengan menggunakan K-Nearest NeighborMetode Sugeno. 2. Landasan Teori 2.1 Forex Forex adalah sebuah investasi yang memperdagangkan mata uang satu dengan mata uang lainnya. Forex merupakan kependekan dari Foreign Exchange atau biasa disebut juga valuta asing (valas) jadi maksunya adalah pertukaran mata uang asing [ 1 HYPERLINK \l "San13" ]. Pasar valuta asing telah berkembang secara revolusioner pada tahun-tahun belakangan ini, teknologi internet dan komunikasi menyediakan sarana baru bagi individu, institusi, dan negara saat bertransaksi di pasar valuta asing internasional 8]. Berikut ini beberapa keunggulan yang disediakan oleh pasar valuta asing, baik untuk berinvestasi maupun untuk berspekulasi: 1. Likuiditas Pasar valutas asing adalah pasar yang sangat likuid (cair). Likuiditas itulah yang menjadi daya tarik utama pasar forex. Oleh karena itu sifatnya yang likuid, hasil transaksi dapat dengan segera diambil. Likuiditas juga menunjukan transparansi pada pergerakan harga. 2. Leverage Adanya sistem leverage memungkinkan trader dengan margin deposit yang kecil untuk dapat melakukan kontrak transaksi dengan jumlah yang lebih besar. Leverage memberikan kesempatan kepada trader agar trader memperoleh

5 keuntungan berlipat dan meminimalkan resiko kehilangan modal. Sebagai contoh broker menawarkan 100:1 leverage, artinya dengan deposit $100 anda dapat melakukan transaksi jual beli sebesar $ Mudah menyesuaikan Pasar valuta asing berjalan 24 jam sehari hal tersebut memberikan kebebasan untuk bertransaksi pada jam-jam tertentu. Hal itu sangat memberikan kemudahan, ada juga broker yang memberikan kemudahan untuk menjalankan transaksi secara otomatis automated trading system, memulai dari bentuk yang sederhana seperti limit order sampai kepada sistem yang canggih dan terprogram. 2.2 K-Means Clustering K-Means merupakan algoritma clustering yang berulang-ulang. Algoritma K-Means dimulai dengan pemilihan secara acak K, K disini merupakan banyaknya cluster yang ingin dibentuk. Kemudian tetapkan nilai-nilai K secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau biasa disebut dengan centroid, mean atau means. Algoritma K-Means diperkenalkan oleh J.B MacQueen pada tahun 1976, yang merupakan salah satu algoritma clustering yang sangat umum untuk mengelompokkan data sesuai dengan karateristik atau ciri-ciri bersama yang serupa. Grup data ini dinamakan sebagai cluster. Data di dalam suatu cluster mempunyai ciri-ciri (atau fitur, karakteristik, atribut, properti) serupa dan tidak serupa dengan data pada cluster lain. Langkah-langkah untuk melakukan pengelompokan K-Means adalah 13] : 1. Standarisasi data yang akan dikelompokkan (menentukan bobot dari data mentah yang telah didapatkan). Hal ini dilakukan agar data mempunyai skala yang sama, sehingga pengelompokan akan stabil seperti pada persamaan 2.5 : (2.5) dimana : = data yang distandarisasi = nilai minimal pada table ke-j = nilai maksimal pada table ke-j 2. Melakukan pengelompokan dengan metode K-Means Clustering, langkah-langkahnya adalah : a. Pilih jumlah cluster k. b. Inisialisasi k sebagai pusat cluster (centroid), ini bisa dilakukan dengan berbagai cara. Yang paling sering dilakukan adalah dengan cara random. Pusat-pusat cluster diberi nilai awal dengan angka-angka random.

6 c. Tempatkan setiap data/obyek ke cluster terdekat. Kedekatan dua obyek ditentukan jarak antara data dengan centroid. Jarak terdekat antara data dengan centroid akan menentukan data tersebut masuk dalam cluster mana. Untuk menentukan jarak tersebut digunakan rumus seperti pada persamaan 2.6 (2.6) dimana : = jarak data dengan centroid = data yang akan di cluster = nilai centroid d. Hitung kembali centroid yang baru dengan keanggotaan cluster yang sekarang. Centroid yang baru adalah rata-rata dari semua data/obyek dalam cluster tertentu. Persamaan 2.7 untuk pencarian centroid yang baru. (2.7) dimana : = centroid yang baru = data pada cluster tertentu = banyaknya data pada Jika dikehendaki bisa juga memakai median dari cluster tersebut. Jika rata-rata (mean) bukan satu-satunya ukuran yang bisa dipakai. e. Tugaskan lagi setiap data dengan memakai centroid yang baru. Jika data pada setiap cluster sudah tidak berubah lagi, maka proses pengelompokan selesai. Atau, kembali lagi ke langkah ketiga (point c) sampai pusat cluster tidak berubah. f. Setelah selesai, maka didapatkanlah data yang telah tercluster yang akan dimasukkan untuk pencarian mean pada persamaan 2.8 dan standar deviasi pada persamaan 2.9. (2.8) (2.9) dimana : = mean (rata-rata) = standar deviasi = data ke-i = banyaknya data IMPLEMENTASI DAN PERANGKAT LUNAK cluster tertentu

7 Pada bab ini di implementasi perangkat lunak sebagai sistem aplikasi yang menerapkan metode K-Nearest Neighbordan Fibonacci Retracement untuk memprediksikan tingkat swing high dan swing low ataupun support dan resistance di server Alpari UK pada Forex Market. Untuk melakukan implementasi metode tersebut perlu adanya ruang lingkup untuk mengimplementasikan kebutuhan program yaitu perangkat lunak dan perangkat keras. 4.1 Kebutuhan Perangkat Sistem Pada perangkat sistem ini meliputi kebutuhan perangkat keras (hardware) dan kebutuhan perangkat lunak (software). 4.2 Kebutuhan Perangkat Keras (Hardware) Kebutuhan perangkat keras yang digunakan untuk mengimplementasikan sistem K-NEAREST NEIGHBOR dan Fibonacci Retracement untuk prediksi tingkat support dan resistance pada Forex Market adalah laptop dengan spesifikasi sebagai berikut : 1. Processor Intel(R) Core i3 (TM) 3317U 2. Memori 4 GB 3. Hardisk 500 GB 4. Vga intel HD + Nvidia Geforce GT Monitor Keyboards 7. Mouse 4.3 Kebutuhan Perangkat Lunak (Software) Kebutuhan perangkat lunak ini digunakan untuk mengimplementasikan sistem K-NEAREST NEIGHBOR dan Fibonacci Retracement untuk prediksi tingkat support dan resistance pada Forex Market adalah : 1. Sistem Operasi Windows 7 Ultimate 2. Netbeans IDE Java Development Kit Perhitungan Manual Proses Perhitungan Manual Pada sub bab ini akan diterapkan contoh pertama perhitungan manual data excel dengan menggunakan metode yang dipakai dalam penelitian ini. Dalam perhitungan manual ini adalah data yang di unduh dari server Alpari UK untuk prediksi swing high dan swing low atau pada tingkat support dan resistance menggunakan sistem K-NEAREST NEIGHBOR dan Fibonacci Retracement pada Forex Market Perhitungan Nilai Parameter Parameter yang digunakan pada data forex market memiliki 5 variabel yaitu, open, high, low, close, volume. Data ini bisa dilihat pada tabel 4.1. Tabel 4.1 Data Forex Periode 02 januari 2012 Open High Low Close Volume

8 Setelah data input sudah diketahui, Tabel 4.2 Hasil Perhitungan Nilai Parameter langkah awal dapat dihitung nilai dari x4 x1 (%K) x2 (%D) x3 (TP) parameter yang telah ditentukan sebagai data (VAMA) input sistem K-NEAREST NEIGHBOR Apapun untuk menghitung nilai parameter bisa dilihat pada persamaan 2.1, 2.2, Hasil dari perhitungan nilai parameter bisa dilihat pada tabel Contoh perhitungan nilai parameter : TP Perhitungan Nilai K-Means Clustering Dari hasil perhitungan 10 data yang ada, maka selanjutnya akan dikelompokkan menjadi 2 cluster berdasarkan jenis output nya, yaitu nilai tinggi dan nilai rendah. Algoritma K-Means digunakan untuk mencari nilai standar deviasi (a) dan mean (c). Berikut adalah langkah-langkah perhitungannya : 1. Melakukan standarisasi data dari nilai parameter menggunakan persamaan 2.5 dan dihitung juga bobot dari data nilai parameter yang sudah distandarisasi menggunakan rata-rata. Hasil perhitungan ini bisa dilihat pada tabel 4.3. Contoh perhitungan :

9 Hasil iterasi kedua bisa dilihat pada tabel 4.5. Contoh perhitungan pusat cluster baru : Tabel 4.3 Standarisasi Data Nilai Parameter dan Bobot 2. Untuk selanjutnya melakukan perhitungan iterasi pertama seperti pada persamaan 2.6 dengan pusat cluster yang sudah ditentukan secara acak antara nilai minimum dan nilai maksimum dari bobot yang diperoleh. Hasil perhitungan iterasi pertama ditunjukkan pada tabel 4.4. Nilai pusat cluster awal didapatkan secara x1 x2 x3 x4 W acak : Tabel 4.4 Data Cluster Iterasi Pertama W c1 c Iterasi akan terus berjalan sampai anggota tiap cluster tidak berubah. Pada iterasi kedua ini, pusat cluster dihitung menggunakan nilai rata-rata data tiap anggota cluster, kemudian dikalikan dengan bobot masing-masing cluster. Tabel 4.5 Data Cluster Iterasi Kedua W c1 c Dari perbandingan antara hasil cluster iterasi pertama dan iterasi kedua menunjukkan bahwa tidak ada perubahan anggota, sehingga iterasi berhenti. Hasil cluster bisa dilihat pada tabel 4.6. Tabel 4.6 Data Hasil Cluster x1 (%K) x2 (%D) x3 (TP) x4 (VAMA) Clust

10 c1 Dari data sebelumnya sudah diketahui nilai c2 a dan c dari tiap masing-masing cluster, c2 kemudian c2 dicari nilai derajat keanggotaan dari setiap c1 data cluster menggunakan fungsi generalized c2 bell pada persamaan Hasil c2 perhitungan c2 nilai derajat keanggotaan bisa dilihat c2 pada tabel Contoh c1 perhitungan nilai derajat keanggotaan Perhitungan Nilai Standar Deviasi dari data pertama : dan Mean Menghitung nilai mean dan nilai standar deviasi sesuai dengan persamaan 2.8 dan 2.9. Hasil perhitungan nilai mean dan nilai standar deviasi bisa dilihat pada tabel 4.7 dan 4.8. Contoh perhitungan nilai mean cluster 1 untuk nilai parameter x1: Tabel 4.7 Nilai c (Mean) Mean x1 x2 x3 x4 c c Contoh perhitungan nilai standar deviasi cluster 1 untuk nilai parameter x1 : Tabel 4.8 Nilai a (StandarDeviasi) Std Deviasi x1 x2 x3 x c c Perhitungan Nilai Output pada Lapisan 1 (Derajat Keanggotaan) Tabel 4.9 Nilai Output Pada Lapisan 1 µa1 µa2 µb1 µb2 µc1 µ

11 4.4.6 Perhitungan Nilai Output Pada Lapisan 2 (Fire Strength) Dari data sebelumnya sudah diketahui nilai derajat keanggotaan, kemudian akan dicari nilai fire strength sesuai dengan persamaan Hasil perhitungan nilai dari fire strength bisa dilihat pada tabel 4.1 Contoh perhitungan nilai fire strength dari data pertama: Tabel 4.10 Nilai Output Pada Lapisan 2 w1 w Perhitungan Nilai Output Pada Lapisan 3 (Normalisasi Fire Strength) Dari data sebelumnya sudah diketahui nilai fire strength, kemudian pada lapisan 3 ini akan dihitung nilai normalisasi fire strength. Untuk menghitung normalisasi fire strength sesuai dengan persamaan Hasil nilai normalisasi dari fire strength bisa dilihat Contoh perhitungan normalisasi nilai fire strength dari sdata pertama : Tabel 4.11 Nilai Output Lapisan Perhitungan Nilai Output Pada Lapisan 4 (LSE) Selanjutnya pada lapisan 4 ini ada 2 tahap perhitungan, yaitu mencari nilai matriks desain kemudian di transpose dan dari nilai transpose di inverskan langkah selanjutnya hasil akan digunakan sebagai data nilai input untuk menghitung nilai LSE dan mencari nilai parameter konsekuen dengan menggunakan LSE. Untuk menghitung LSE sesuai pada persamaan Hasil dari nilai matriks desain dan hasil perhitungan nilai LSE dapat dilihat pada tabel 4.12 dan Contoh perhitungan nilai matriks desain : pada tabel 4.11.

12 Tabel 4.12 Nilai Matriks Desain c11 c12 c13 c14 c10 c c c23 c24 c Tabel 4.13 Hasil Perhitungan Nilai LSE Hasil LSE (high) Hasil LSE (low) E E E E E E E Langkah selanjutnya dari data hasil nilai LSE di atas kemudian di cari nilai output pada lapisan 4 menggunakan persamaan Hasil nilai output pada lapisan 4 bisa dilihat pada tabel Contoh perhitungan nilai output pada lapisan 4 : Perhitungan Nilai Output Pada Lapisan 5 Nilai output lapisan 5 ini merupakan output hasil akhir dari sistem K-Nearest Neighbor, seluruh sinyal yang masuk dijumlahkan sesuai dengan persamaan Hasil nilai output pada lapisan 5 bisa dilihat pada tabel Contoh perhitungan : Tabel 4.15 Nilai Output Pada Lapisan 5 o Tabel Nilai Output Pada Lapisan 4 o4,1 o4, Perhitungan Nilai Propagation error

13 Dari hasil output jaringan adaptif didapatkan, selanjutnya akan dilakukan proses untuk mencari nilai c dan a yang baru. Akan tetapi sebelum mencari nilai c dan a, terlebih dahulu menghitung nilai error pada lapisan 5 sampai pada lapisan 1 dengan menggunakan metode steepest descent. Contoh perhitungan : (rata-rata) (rata-rata) Nilai error pada lapisan 1 Nilai error pada lapisan 5 (rata-rata) Nilai error pada lapisan 4 (rata-rata) (rata-rata) Nilai error pada lapisan 3 (rata-rata) (rata-rata) (rata-rata) (rata-rata) (rata-rata) (rata-rata) (rata-rata) (rata-rata) Nilai error pada lapisan 2 Langka selanjutnya nilai error pada lapisan 1 digunakan untuk mencari nilai error c dan a sesuai dengan persamaan 2.30 dan Hasil nilai error c dan a dapat dilihat pada tabel 4.16 dan Contoh perhitungan :

14 dan Hasil dari nilai c dan a yang baru bisa dilihat pada tabel 4.20 dan Tabel 4.16 Nilai Error c Ecik x1 x2 x3 x4 c1-1.9e e e e-12 c2 1.16E E E E-12 Tabel 4.17 Nilai Error a Eaik x1 x2 x3 x4 c1-2.6e e e e-16 c2 3.89E E E E-16 Karena nilai error a dan nilai error c sudah diketahui, maka selanjutnya menghitung perubahan nilai c dan a sesuai persamaan 2.32 dengan learning rate Hasil perubahan nilai c dan a bisa dilihat pada tabel 4.18 dan c = 0001 * (-1.9E-12) * = 2.5E- 13 a = 0001* (-2.6E-13) * = 2.3E- 14 Tabel 4.18 Perubahan Nilai c c x1 x2 x3 x4 c1-8e e e e-11 c2 4.99E E E E-11 Tabel 4.19 Perubahan Nilai a a x1 x2 x3 x4 c1-1.1e e e e-16 c2 1.68E E E E-15 Langkah selanjutnya menghitung dari nilai c dan a yang baru sesuai persamaan % 23.60% 38.20% 50% 61.80% 100% C baru = (-8E-15) = A baru = (-1.1E-15) = Tabel 4.20 Nilai c Baru c baru x1 x2 x3 x4 c c Tabel 4.21 Nilai a Baru a baru x1 x2 x3 x4 c c Perhitungan Fibonacci Retracement Dari hasil nilai output pada lapisan 5, maka nilai hasilnya akan digunakan sebagai input dari Fibonacci Retracement. Untuk menentukan tingkat support dan resistance yang berada pada rasio Fibonacci 0%, 23.6%, 38.2%, 50%, 61.8% dan 100% sesuai dengan persamaan 2.4. Hasil nilai output dari Fibonacci Retracement bisa dilihat pada tabel Contoh perhitungan : Tabel 4.22 Nilai Fibonacci Retracement Form Pelatihan Pada form pelatihan digunakan sebagai antarmuka program untuk mencari nilai parameter premis dan nilai parameter

15 konsekuen yang terbaik. Gambar form pelatihan dapat dilihat pada gambar 4.1. prediksi). Gambar form pengujian dapat dilihat pada gambar 4.2. Gambar 4.1 Form Pelatihan Pada form pelatihan ini, user di sarankan untuk mengisikan nilai max error, max iterasi, dan learning rate. Kemudian memilih target output yang diharapkan antara high, low, dan close. Sebelumnya harus mengambil data latih secara manual pada direktori lain menggunakan tombol Load, maka user bisa menekan tombol Proses Pelatihan guna untuk mendapatkan nilai parameter premis dan nilai parameter konsekuen yang terbaik. Hasil dari nilai parameter premis dan nilai parameter konsekuen yang terbaik bisa dilihat pada tabel masing-masing. Gambar 4.2 Form Pengujian User melakukan pelatihan untuk setiap target nilai output yang berada pada form pelatihan agar bisa melakukan pengujian data. Pada form pengujian, user memilih target nilai output guna menyesuaikan antara target nilai output pelatihan dengan target nilai output pengujian. Kemudian mengambil data uji pada direktori lain menggunakan tombol Load, maka user bisa melakukan pengujian sesuai dengan target nilai output yang dipilih. Jika target nilai output high dan low sudah diproses, selanjutnya perhitungan Fibonacci Retracementakan akan diproses. Jika target nilai output close sudah diproses, maka bisa didapatkan trend dan nilai tingkat akurasinya Form Pengujian Pada form pengujian digunakan sebagai antarmuka program untuk menguji data aktual dan data hasil output jaringan (hasil nilai Form Fibonacci Retracement Pada form Fibonacci Retracement digunakan sebagai antarmuka program untuk melihat tingkat support atau resistance hasil dari perhitungan Fibonacci Retracement.

16 Gambar form Fibonacci Retracement dapat dilihat pada gambar 4.3. pengujian trend. Dalam pengujian digunakan nilai minimum error sebesar dan nilai maksimum iterasi sebesar 50 Penggunaan nilai minimum error dan nilai maksimum iterasi tersebut dimaksudkan agar nilai error jaringan yang dihasilkan dapat mencapai titik yang diharapkan (konvergen) atau mencapai minimum error. Gambar 4.3 Form Fibonacci Retracement Pada form Fibonacci Retracement, user dapat melihat tingkat support atau resistance yang dihasilkan dari perhitungan Fibonacci Retracement menggunakan nilai high dan nilai low hasil dari proses pengujian. PENGUJIAN DAN ANALISIS Pada bab V ini membahas tentang tahapan pengujian dan analisis sistem prediksi tingkat support dan resistance pada forex market yang telah diimplementasikan sebelumnya. 5.1 Sistematika Pengujian Pada sub bab sistematika pengujian ini dilakukan 3 macam tahap uji coba. Pengujian pertama adalah pengujian laju pembelajaran data latih. Pengujian kedua adalah pengujian nilai error (RMSE). Pengujian ketiga adalah 5.2 Sistematika Pengujian Laju Pembelajaran Pada sub bab pengujian pertama adalah menguji nilai laju pembelajaran agar didapatkan nilai laju pembelajaran yang terbaik. Pengujian dilakukan menggunakan data latih dan data uji yang berbeda berdasarkan interval waktu pada 3 target output yang berbeda. Laju pembelajaran akan diubah-ubah nilainya mulai dari 1 hingga 9. Laju pembelajaran yang menghasilkan nilai error RMSE terkecil (terbaik) akan digunakan sebagai laju pembelajaran untuk pengujian data selanjutnya. 5.3 Sistematika Pengujian Pengujian kedua adalah menguji trend dengan cara membandingkan trend data aktual dengan trend output jaringan hasil dari prediksi. Dari pengujian ini dapat dilihat tingkat akurasi dari K-NEAREST NEIGHBOR. 5.4 Implementasi Pengujian Pengujian Laju Pembelajaran Pada sub bab pengujian ini nilai laju pembelajaran yang digunakan adalah learning

17 Rat e reate 1 sampai 9. Pengujian dilakukan pada setiap target output berbeda dan akan dipilih nilai RMSE yang terkecil. Tabel 5.1 menunjukkan hasil pengujian laju pembelajaran menggunakan data latih 1 tahun, yaitu periode Januari Desember 2011 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode mingguan). Tabel 5.1 Pengujian Laju Pembelajaran Data Latih 1 Tahun Dan Data Uji 1 Bulan RMSE High Low Close Dari tabel 5.1 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 3 dengan nilai error RMSE , untuk low berada pada laju pembelajaran 7 dengan nilai erro RMSE , serta untuk close berada pada laju pembelajaran 5 dengan nilai error RMSE Untuk hasil pengujian menggunakan data latih 2 tahun, yaitu periode Januari 2011 Desember 2012 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode mingguan) dapat dilihat pada tabel 5.2. Tabel 5.2 Pengujian Laju Pembelajaran Data Latih 2 Tahun Dan Data Uji 1 Bulan Ra te RMSE High Low Close Dari tabel 5.2 dapat dilihat bahwa nilai error RMSE terkecil untuk high, low, close semua laju pembelajaran sama rata. Untuk hasil pengujian menggunakan data latih 3 tahun, yaitu periode Januari 2011 Desember 2013 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode mingguan) dapat dilihat pada tabel 5.3. Tabel 5.3 Pengujian Laju Pembelajaran Data Latih 3 Tahun Dan Data Uji 1 Bulan Ra te RMSE High Low Close

18 Dari tabel 5.3 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 9 dengan nilai error RMSE , untuk low berada pada laju pembelajaran 7 dengan nilai error RMSE , serta untuk close berada pada laju pembelajaran 9 dengan nilai error RMSE Untuk hasil pengujian menggunakan data latih 1 tahun, yaitu periode Januari Desember 2011 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode harian). Tabel 5.4 Pengujian Laju Pembelajaran Data Latih 1 Tahun Dan Data Uji 1 Bulan R at e RMSE High Low Close Dari tabel 5.4 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 1 dengan nilai error Rat e RMSE , untuk low berada pada laju pembelajaran 1 dengan nilai error RMSE , serta untuk close berada pada laju pembelajaran 1 dengan nilai error RMSE Untuk hasil pengujian menggunakan data latih 2 tahun, yaitu periode Januari 2011 Desember 2012 dengan data uji 1 bulan, yaitu januari 2014 (data real periode harian) dapat dilihat pada tabel 5.5. Tabel 5.5 Pengujian Laju Pembelajaran Data Latih 2 Tahun Dan Data Uji 1 Bulan RMSE High Low Close Dari tabel 5.5 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 2 dengan nilai error RMSE , untuk low berada pada laju pembelajaran 4 dengan nilai error RMSE , serta untuk close berada pada laju

19 pembelajaran 1 dengan nilai error RMSE Untuk hasil pengujian menggunakan data latih 3 tahun, yaitu periode Januari 2011 Desember 2013 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode harian) dapat dilihat pada tabel 5.6. Tabel 5.6 Pengujian Laju Pembelajaran Data Latih 3 Tahun Dan Data Uji 1 Bulan Ra te RMSE High Low Close Dari tabel 5.6 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 5 dengan nilai error RMSE , untuk low berada pada laju pembelajaran 4 dengan nilai error RMSE , serta untuk close berada pada laju pembelajaran 5 dengan nilai error RMSE Untuk hasil pengujian menggunakan data latih 1 tahun, yaitu periode Januari 2011 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.7. Tabel 5.7 Pengujian Laju Pembelajaran Data Latih 1 Tahun Dan Data Uji 1 Bulan Ra te RMSE High Low Close Dari tabel 5.7 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 3 dengan nilai error RMSE , untuk low berada pada laju pembelajaran 6 dengan nilai error RMSE , serta untuk close berada pada laju pembelajaran 3 dengan nilai error RMSE Untuk hasil pengujian menggunakan data latih 2 tahun, yaitu periode Januari 2011 Desember 2012 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.8. Tabel 5.8 Pengujian Laju Pembelajaran Data Latih 2 Tahun Dan Data Uji 1 Bulan Ra RMSE

20 te High Low Close Dari tabel 5.8 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 4 dengan nilai error RMSE , untuk low berada pada laju pembelajaran 2 dengan nilai error RMSE , serta untuk close berada pada laju pembelajaran 5 dengan nilai error RMSE Untuk hasil pengujian menggunakan data latih 3 tahun, yaitu periode Januari 2011 Desember 2013 dengan data uji 1 bulan, yaitu Januari 2014 (data real periode 4 jam) dapat dilihat pada tabel 5.9. Tabel 5.9 Pengujian Laju Pembelajaran Data Latih 3 Tahun Dan Data Uji 1 Bulan Ra te RMSE High Low Close Dari tabel 5.9 dapat dilihat bahwa nilai error RMSE terkecil untuk high berada pada laju pembelajaran 4 dengan nilai error RMSE , untuk low berada pada laju pembelajaran 1 dengan nilai erro RMSE , serta untuk close berada pada laju pembelajaran 4 dengan nilai error RMSE Pengujian Hasil pengujian trend menggunakan data latih 1 tahun periode 2011 (data real periode mingguan) dan data uji 1 bulan januari 2014 dapat dilihat pada tabel 5.1 Tabel 5.10 Hasil Pengujian Data Latih 1 Tahun Dan Data Uji 1 Bulan Data ke- Aktual 1 Naik Turun 2 Turun Naik Jaringan Dari tabel 5.10 dapat dilihat bahwa trend jaringan tidak memiliki kesamaan dengan data trend aktual, sehingga dihasilkan tingkat akurasi 0%. Untuk hasil pengujian trend menggunakan data latih 2 tahun periode januari 2011 Desember 2012 dan data uji 1

21 bulan januari 2014 (data real periode mingguan) dapat dilihat pada tabel Tabel 5.11 Hasil Pengujian Data Latih 2 Tahun Dan Data Uji 1 Bulan Data ke- Aktual 1 Naik Turun 2 Turun Naik Jaringan Dari tabel 5.11 dapat dilihat bahwa trend jaringan tidak memiliki kesamaan dengan data trend aktual, sehingga dihasilkan tingkat akurasi 0%. Untuk hasil pengujian trend menggunakan data latih 3 tahun periode januari 2011 Desember 2013 dan data uji 1 bulan januari 2014 (data real periode mingguan) dapat dilihat pada tabel Tabel 5.12 Hasil Pengujian Data Latih 1 Tahun Dan Data Uji 3 Bulan Data ke- Aktual 1 Naik Turun 2 Turun Naik Jaringan Dari tabel 5.12 dapat dilihat bahwa trend jaringan tidak memiliki kesamaan dengan data trend aktual, sehingga dihasilkan tingkat akurasi 0%. Untuk hasil pengujian trend menggunakan data latih 1 tahun periode 2011 dan data uji 1 bulan januari 2014 (data real periode harian) dapat dilihat pada tabel Tabel 5.13 Hasil Pengujian Data Latih 1 Tahun Dan Data Uji 1 Bulan Dat a ke- Aktual Jaringan Dat a ke- Aktual Jaringan 1 Naik Turun 11 Naik Turun 2 Turun Naik 12 Naik Naik 3 Turun Turun 13 Turun Naik 4 Naik Turun 14 Naik Turun 5 Naik Naik 15 Turun Naik 6 Naik Naik 16 Turu n Turu n 7 Naik Naik 17 Turun Naik 8 Turu n Turu n 18 Turun Naik 9 Naik Turun 19 Turun Naik 10 Turun Naik 20 Turu n Turu n Dari tabel 5.13 dapat dilihat bahwa terdapat 8 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 20 data keseluruhan, sehingga dihasilkan tingkat akurasi 40%. Untuk hasil pengujian trend menggunakan data latih 2 tahun periode januari 2011 Desember 2012 dan data uji 1 bulan januari 2014 (data real periode harian)dapat dilihat pada tabel Tabel 5.14 Hasil Pengujian Data Latih 2 Tahun Dan Data Uji 1 Bulan Data ke- Aktual Jaringan Data ke- Aktual Jaringan 1 Naik Turun 11 Naik Turun 2 Turun Naik 12 Naik Naik 3 Turun Turun 13 Turun Naik 4 Naik Turun 14 Naik Turun 5 Naik Naik 15 Turun Naik 6 Naik Naik 16 Turun Turun 7 Naik Naik 17 Turun Naik 8 Turun Naik 18 Turun Naik 9 Naik Turun 19 Turun Naik 10 Turun Naik 20 Turun Turun

22 Dari tabel 5.14 dapat dilihat bahwa terdapat 7 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 20 data keseluruhan, sehingga dihasilkan tingkat akurasi 35.0%. Untuk hasil pengujian trend menggunakan data latih 3 tahun periode januari 2011 Desember 2013 dan data uji 1 bulan januari 2014 (data real periode harian) dapat dilihat pada tabel Tabel 5.15 Hasil Pengujian Data Latih 3 Tahun Dan Data Uji 1 Bulan Data ke- Aktual Jaringan Data ke- Aktual Jaringan 1 Naik Turun 11 Naik Turun 2 Turun Naik 12 Naik Naik 3 Turun Turun 13 Turun Naik 4 Naik Turun 14 Naik Turun 5 Naik Naik 15 Turun Naik 6 Naik Naik 16 Turun Turun 7 Naik Naik 17 Turun Naik 8 Turun Naik 18 Turun Turun 9 Naik Turun 19 Turun Naik 10 Turun Naik 20 Turun Turun Dari tabel 5.15 dapat dilihat bahwa terdapat 8 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 20 data keseluruhan, sehingga dihasilkan tingkat akurasi 40%. Untuk hasil pengujian trend menggunakan data latih 1 tahun periode 2011 dan data uji 1 bulan januari 2014 (data real periode 4 jam) dapat dilihat pada tabel Tabel 5.16 Hasil Pengujian Data Latih 1 Tahun Dan Data Uji 1 Bulan Data Data ke- Aktual Jaringan ke- Aktual Jaringan 1 Turun Turun 66 Naik Turun 2 Turun Turun 67 Turun Turun 3 Naik Turun 68 Turun Turun 4 Turun Naik 69 Turun Turun 5 Turun Naik 70 Naik Turun 6 Turun Turun 71 Turun Naik 7 Turun Naik 72 Naik Turun 8 Turun Naik 73 Naik Turun 9 Turun Turun 74 Naik Naik 10 Turun Turun 75 Naik Naik 11 Turun Turun 76 Turun Turun 12 Turun Turun 77 Naik Turun 13 Naik Naik 78 Turun Naik 14 Turun Naik 79 Turun Turun 15 Naik Turun 80 Naik Turun 16 Turun Naik 81 Naik Naik 17 Turun Turun 82 Naik Naik 18 Turun Naik 83 Naik Naik 19 Turun Turun 84 Turun Naik 20 Naik Naik 85 Turun Turun 21 Naik Naik 86 Naik Naik 22 Turun Naik 87 Turun Naik 23 Naik Turun 88 Turun Turun 24 Naik Naik 89 Turun Naik 25 Turun Naik 90 Naik Turun 26 Turun Turun 91 Naik Turun 27 Turun Turun 92 Naik Naik 28 Naik Turun 93 Naik Naik 29 Naik Naik 94 Naik Naik 30 Naik Naik 95 Turun Naik 31 Naik Turun 96 Naik Turun 32 Turun Naik 97 Turun Naik 33 Naik Turun 98 Naik Turun 34 Naik Naik 99 Turun Naik 35 Naik Naik 100 Turun Turun 36 Naik Turun 101 Naik Turun 37 Turun Naik 102 Naik Naik 38 Naik Turun 103 Naik Turun 39 Naik Naik 104 Turun Naik 40 Naik Naik 105 Naik Turun 41 Turun Naik 106 Turun Naik 42 Naik Turun 107 Turun Turun 43 Turun Naik 108 Naik Turun 44 Turun Turun 109 Turun Naik 45 Naik Turun 110 Naik Turun 46 Naik Naik 111 Turun Naik 47 Turun Naik 112 Naik Turun 48 Naik Turun 113 Turun Naik 49 Naik Naik 114 Naik Turun 50 Turun Naik 115 Naik Naik 51 Naik Turun 116 Turun Naik 52 Turun Naik 117 Naik Turun 53 Turun Turun 118 Naik Naik 54 Turun Turun 119 Turun Naik 55 Turun Naik 120 Turun Turun 56 Turun Turun 121 Turun Turun 57 Turun Turun 122 Turun Turun 58 Naik Turun 123 Turun Turun 59 Naik Naik 124 Naik Turun 60 Naik Naik 125 Naik Naik 61 Naik Turun 126 Turun Naik 62 Naik Naik 127 Turun Turun 63 Turun Naik 128 Turun Turun

23 64 Naik Turun 129 Turun Turun 65 Turun Naik 130 Turun Turun Dari tabel 5.16 dapat dilihat bahwa terdapat 58 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 130 data keseluruhan, sehingga dihasilkan tingkat akurasi 46.9%. Untuk hasil pengujian trend menggunakan data latih 2 tahun periode januari 2011 Desember 2012 dan data uji 1 bulan januari 2014 (data real periode 4 jam) dapat dilihat pada tabel Tabel 5.17 Hasil Pengujian Data Latih 2 Tahun Dan Data Uji 1 Bulan Data ke- Aktual Jaringan Data ke- Aktual Jaringan 1 Turun Turun 66 Naik Turun 2 Turun Turun 67 Turun Turun 3 Naik Turun 68 Turun Turun 4 Turun Naik 69 Turun Turun 5 Turun Turun 70 Naik Turun 6 Turun Turun 71 Turun Naik 7 Turun Naik 72 Naik Turun 8 Turun Turun 73 Naik Turun 9 Turun Turun 74 Naik Naik 10 Turun Turun 75 Naik Naik 11 Turun Turun 76 Turun Turun 12 Turun Turun 77 Naik Turun 13 Naik Turun 78 Turun Naik 14 Turun Naik 79 Turun Turun 15 Naik Turun 80 Naik Turun 16 Turun Naik 81 Naik Naik 17 Naik Turun 82 Naik Naik 18 Turun Turun 83 Naik Naik 19 Turun Turun 84 Turun Naik 20 Turun Turun 85 Turun Turun 21 Naik Turun 86 Naik Turun 22 Turun Naik 87 Turun Naik 23 Naik Turun 88 Turun Turun 24 Naik Naik 89 Turun Turun 25 Turun Turun 90 Naik Turun 26 Turun Turun 91 Naik Naik 27 Turun Turun 92 Naik Naik 28 Naik Turun 93 Naik Naik 29 Naik Naik 94 Naik Naik 30 Naik Naik 95 Turun Naik 31 Naik Naik 96 Naik Turun 32 Turun Naik 97 Turun Naik 33 Naik Turun 98 Naik Turun 34 Naik Naik 99 Turun Naik 35 Naik Naik 100 Turun Turun 36 Naik Turun 101 Naik Turun 37 Turun Naik 102 Naik Naik 38 Naik Turun 103 Naik Turun 39 Naik Naik 104 Turun Naik 40 Naik Naik 105 Naik Turun 41 Turun Naik 106 Turun Naik 42 Naik Turun 107 Turun Turun 43 Turun Naik 108 Naik Turun 44 Turun Turun 109 Turun Naik 45 Naik Turun 110 Naik Turun 46 Naik Naik 111 Turun Naik 47 Turun Naik 112 Naik Turun 48 Naik Turun 113 Turun Naik 49 Naik Naik 114 Naik Turun 50 Turun Naik 115 Naik Naik 51 Naik Turun 116 Turun Naik 52 Turun Naik 117 Naik Turun 53 Turun Turun 118 Naik Naik 54 Turun Turun 119 Turun Naik 55 Turun Turun 120 Turun Turun 56 Turun Turun 121 Turun Turun 57 Turun Turun 122 Turun Turun 58 Naik Turun 123 Turun Turun 59 Naik Naik 124 Naik Turun 60 Naik Naik 125 Naik Naik 61 Naik Turun 126 Turun Naik 62 Naik Naik 127 Turun Turun 63 Turun Naik 128 Turun Turun 64 Naik Turun 129 Turun Turun 65 Turun Naik 130 Turun Turun Dari tabel 5.17 dapat dilihat bahwa terdapat 66 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 130 data keseluruhan, sehingga dihasilkan tingkat akurasi 57%. Untuk hasil pengujian trend menggunakan data latih 3 tahun periode januari 2011 Desember 2013 dan data uji 1 bulan januari 2014 (data real periode 4 jam) dapat dilihat pada tabel Tabel 5.18 Hasil Pengujian Data Latih 3 Tahun Dan Data Uji 1 Bulan Data ke- Aktual Jaringan Data ke- Aktual Jaringan 1 Turun Turun 66 Naik Turun 2 Turun Turun 67 Turun Turun 3 Naik Turun 68 Turun Turun 4 Turun Naik 69 Turun Turun 5 Turun Turun 70 Naik Turun 6 Turun Turun 71 Turun Naik 7 Turun Naik 72 Naik Turun 8 Turun Turun 73 Naik Turun 9 Turun Turun 74 Naik Naik 10 Turun Turun 75 Naik Naik 11 Turun Turun 76 Turun Naik 12 Turun Turun 77 Naik Turun 13 Naik Turun 78 Turun Naik 14 Turun Naik 79 Turun Turun 15 Naik Turun 80 Naik Turun 16 Turun Naik 81 Naik Naik 17 Turun Turun 82 Naik Naik 18 Turun Turun 83 Naik Naik 19 Turun Turun 84 Turun Naik 20 Naik Turun 85 Turun Turun 21 Naik Naik 86 Naik Turun 22 Turun Naik 87 Turun Naik 23 Naik Turun 88 Turun Turun 24 Naik Naik 89 Turun Turun 25 Turun Turun 90 Naik Turun 26 Turun Turun 91 Naik Naik 27 Turun Turun 92 Naik Naik

24 28 Naik Turun 93 Naik Naik 29 Naik Naik 94 Naik Naik 30 Naik Naik 95 Turun Naik 31 Naik Naik 96 Naik Turun 32 Turun Naik 97 Turun Naik 33 Naik Turun 98 Naik Turun 34 Naik Naik 99 Turun Naik 35 Naik Naik 100 Turun Turun 36 Naik Turun 101 Naik Turun 37 Turun Naik 102 Naik Naik 38 Naik Turun 103 Naik Turun 39 Naik Naik 104 Turun Naik 40 Naik Naik 105 Naik Turun 41 Turun Naik 106 Turun Naik 42 Naik Turun 107 Turun Turun 43 Turun Naik 108 Naik Turun 44 Turun Turun 109 Turun Naik 45 Naik Turun 110 Naik Turun 46 Naik Naik 111 Turun Naik 47 Turun Naik 112 Naik Turun 48 Naik Turun 113 Turun Naik 49 Naik Naik 114 Naik Turun 50 Turun Naik 115 Naik Naik 51 Naik Turun 116 Turun Naik 52 Turun Naik 117 Naik Turun 53 Turun Turun 118 Naik Naik 54 Turun Turun 119 Turun Naik 55 Turun Turun 120 Turun Turun 56 Turun Turun 121 Turun Turun 57 Turun Turun 122 Turun Turun 58 Naik Turun 123 Turun Turun 59 Naik Naik 124 Naik Turun 60 Naik Naik 125 Naik Naik 61 Naik Turun 126 Turun Naik 62 Naik Naik 127 Turun Turun 63 Turun Naik 128 Turun Turun 64 Naik Turun 129 Turun Turun 65 Turun Naik 130 Turun Turun Dari tabel 5.18 dapat dilihat bahwa terdapat 65 data trend jaringan yang memiliki kesamaan dengan data trend aktual dari 130 data keseluruhan, sehingga dihasilkan tingkat akurasi 50%. 6.1 Kesimpulan Berdasarkan hasil penelitian prediksi tingkat support dan resistance pada forex market menggunakan metode K-NEAREST NEIGHBOR dan Fibonacci retracement dapat disimpulkan : 1. Metode K-Nearest Neighbordapat di implementasikan untuk memprediksi harga tertinggi (swing high) dan harga terendah (swing low) dengan menggunakan parameter indikator Stochastic Oscillator %K dan %D, Typical Price (TP), serta Volume Adjusted Moving Average (VAMA). Langkah awal yang dapat dilakukan adalah menginputkan parameter data real dan mengelompokkan data menggunakan K-Means Clustering, kemudian memodelkan dengan metode K-NEAREST NEIGHBOR menggunakan aturan dari fuzy Sugeno (TSK) yang diimplementasikan dalam bentuk jaringan syaraf tiruan (JST) dengan 5 layer yang terdiri dari 3 layer tetap, yaitu layer 2,3, dan 5 serta 2 layer adaptif, yaitu layer 1 dan 4. Layer 1 merupakan parameter premis yang akan diperbaiki menggunakan metode steepest descent dan layer 4 merupakan parameter konsekuen yang akan diperbaiki menggunakan metode Least Square Estimator (LSE). 2. Nilai tingkat akurasi terbaik yang dihasilkan dari prediksi swing high dan swing low dengan menggunakan metode K-NEAREST NEIGHBOR yaitu 576% berada pada data latih 2 tahun periode Januari 2011 Desember 2012 dan data uji 1 bulan periode Januari 2014 (data real periode 4 jam). 3. Metode Fibonacci retracement diimplementasikan untuk menentukan tingkat support dan resistance dengan menggunakan parameter swing high dan swing low. Adapun langkah yang