APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING

Transkripsi

1 APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, ampus UNDIP Tembalang, Semarang 50275, Indonesia *) Abstra Forex trading adalah perdagangan mata uang asing yang memanfaatan perbandingan valuta suatu negara dengan negara lain. Para trader yang terlibat di dalam pasar forex, umumnya melauan trading pada mata uang utama dunia, salah satunya adalah GBP/USD. Dalam melauan trading, trader harus dapat memperiraan risio yang aan teradi dalam transasinya dan bagaimana memperoleh euntungan berdasaran analisisnya. Berdasaran hal tersebut, maa pada penelitian ini dirancang sebuah apliasi aringan saraf tiruan perambatan bali untu prairaan valuta GBP/USD dalam forex trading. Perancangan ini terbagi menadi 3 tahapan, yaitu: tahap pelatihan aringan, tahap penguian aringan, dan tahap prairaan.terdapat 30 aringan yang divariasian dalam tahap pelatihan berdasaran nilai parameter pelatihan. Jaringan yang telah dilatih, aan digunaan dalam tahap penguian dan prairaan. Prairaan yang dilauan bertuuan untu meramalan harga penutupan harian pasangan valuta GBP/USD. Hasil analisis yang diperoleh dari sistem menunuan bahwa pada penguian data latih, fungsi ativasi tansig-logsig merupaan fungsi ativasi yang paling bai dengan tingat eauratan rata-rata 98,74%. Pada penguian data ui netw24 merupaan aringan yang paling bai diarenaan tingat eauratan 99,21% dan dapat melauan prairaan yang tepat sebanya 4 ali, dan pada prairaan harga penutupan valuta GBP/USD, netw14 merupaan aringan terbai dengan tingat eauratan 99,98%. Kata unci: Forex trading, GBP/USD, Jaringan saraf tiruan perambatan bali, Prairaan Abstract Forex trading is foreign exchange trading which utilize the currency s comparison between countries. The traders involved in the forex maret, generally trading on maor world currencies, one of them is the GBP/USD. In trading, trader has to predict the ris in his transaction and how to gain profit base on his analysis. Therefore, this research design an Artificial neural networ with bac propagation application for GBP/USD forecasting in forex trading. This design will be devided into 3 steps. They are: networ training phase, networ testing phase, and forecasting phase. There are 30 networs varied in the training phase based on the parameter value training. The networ which has been trained, will be used in testing and forecasting phase. The aim of forecasting is to predict daily closing price in GBP/USD. The analysis result of the system showing that in training data test, tansig-logsig function activation is the best function activation with the percentage of forecasting s average is 98,74%, in testing data test, netw24 is the best networ with percentage of forecasting: 99,21% and can perform precise forecasting 4 times. In GBP/USD closing price forecasting, netw14 is the best networ with percentage of forecasting amounted to 99,98%. Keywords: Forex trading, GBP/USD, Artificial neural networ with bac propagation, Forecasting 1. Pendahuluan Perdagangan valuta asing yang sering disebut dengan foreign exchange trading (forex trading) berembang di dunia perdagangan internasional arena adanya perdagangan barang-barang ebutuhan/omoditi antar negara yang bersifat internasional. Perdagangan (espor - impor) ini memerluan alat bayar yaitu uang yang masing-masing negara mempunyai etentuan sendiri dan berbeda satu dengan yang lainya sesuai dengan penawaran dan permintaan di antara negara-negara tersebut sehingga timbul perbandingan nilai mata uang antar negara [2]. Dahulu, masyaraat mengenal forex trading lewat perdagangan onvensional dengan menuaran fisi mata uang suatu negara dengan fisi mata uang negara lain. Saat ini, mulai mara dienal forex trading yang dilauan lewat internet selama 24 am melalui platform yang merupaan sebuah apliasi yang menyediaan

2 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 494 fasilitas epada trader dalam forex trading untu melauan trading secara online, seperti: MetaTrader 4. Dalam penggunaan platform ini, uga dibutuhan perantara yang menghubungan trader dengan pasar secara langsung yang sering disebut dengan broer. Salah satu broer yang cuup dienal di alangan trader adalah FXCM (Forex Capital Maret). Untu melauan trading, seorang trader harus mengetahui dan memahami cara menganalisis perubahan nilai tuar pasangan mata uang tertentu, misalnya : Great Britain Poundsterling/United States Dollar (GBP/USD). Terdapat 2 analisis yang umum digunaan oleh para trader, yaitu [2] : analisis fundamental dan analisis tenis. Analisis fundamental adalah analisis yang dilauan untu mengetahui pergeraan nilai mata uang suatu negara terhadap nilai mata uang negara lain dengan melihat beberapa fator, seperti: fator euangan, tingat suu bunga, fator sosial politi, dan erusuhan ataupun bencana. Analisis tenis adalah analisis yang dilauan dengan melihat apa yang telah disediaan dalam platform, apaah harga, volume, candelistic, dan indiatorindiator yang disediaan guna membantu seorang trader menganalisis pergeraan pasar, seperti: Moving Average, KG Range Calculator, Bollinger Bands, dsb). Untu membantu trader dalam memperuat hasil analisisnya, maa dibuatlah suatu perancangan yang bertuuan untu meramalan harga penutupan di salah satu pasangan mata uang negara (GBP/USD) dalam forex trading, dengan memanfaatan data tenis dan indiator sederhana seperti harga dan volume yang diadian sebagai masuan dalam sebuah aringan saraf tiruan dengan metode perambatan bali melalui pemrograman Matlab. 2. Metode 2.1 Jaringan Saraf tiruan Perambatan Bali Algoritma Jaringan saraf tiruan perambatan bali terdiri dari dua bagian : 1. Algoritma pelatihan aringan saraf tiruan perambatan bali Sebelum melauan proses pelatihan, terdapat beberapa parameter aringan yang harus ditentuan terlebih dahulu, yaitu: a. Lau pembelaaran ( learning rate) harus diberian dan mempunyai nilai positif urang dari 1. Semain tinggi nilainya, maa semain cepat emampuan aringan untu belaar. Aan tetapi hal ini urang bai, arena galat yang dihasilan tida merata. b. Toleransi galat, semain ecil esalahan maa aringan aan memilii nilai bobot yang lebih aurat, tetapi aan memperpanang watu pelatihan. c. Jumlah masimal proses pelatihan yang dilauan (masimum iterasi), biasanya bernilai besar dan diberian untu mencegah teradinya perulangan tanpa ahir. Di dalam proses pelatihan perambatan bali terdapat tiga tahap [8]. Tahap pertama ialah tahap mau. Pada tahap ini seluruh proses awal inisialisasi bobotbobot masuan dilauan. Setelah semua proses inisialisasi dilauan, maa Setiap unit masuan aan mengiriman sinyal masuan e lapisan tersembunyi. Setelah dihitung dengan menggunaan fungsi ativasi maa eluarannya aan diiriman e lapisan di atasnya, yaitu lapisan eluaran. Setelah nilai eluaran diperoleh, maa dibandingan dengan target eluaran sebenarnya. Selisih nilai eluaran dengan target eluaran sebenarnya disebut dengan galat. Jia nilai galat lebih ecil atau sama dengan dari nilai ambang maa proses iterasi dihentian, tetapi ia tida maa nilai galat tersebut digunaan untu memodifiasi bobot-bobot untu mengoresi esalahan yang teradi. Tahap edua adalah tahap mundur. Pada tahap ini, nilai galat yang diperoleh di lapisan eluaran digunaan untu mengoresi bobot-bobot yang ada pada lapisan tersembunyi yang berhubungan langsung dengan lapisan eluaran. Setelah itu nilai galat di setiap unit pada lapisan tersembunyi uga dihitung untu mengoresi bobot-bobot yang menghubungan lapisan tersembunyi dengan lapisan masuan. Tahap etiga adalah tahap pengoresian bobot. Setelah seluruh bobot pada lapisan masuan dan lapisan tersembunyi dimodifiasi sesuai dengan besar fator galatnya, maa etiga fase ini diulang secara terus menerus sampai ondisi berhenti dipenuhi. Kondisi berhenti yang dimasud adalah ia umlah iterasi yang ditetapan tercapai atau ia nilai galat aringan telah sama dengan atau lebih ecil dari nilai toleransi galat yang ditetapan sebelumnya. Algoritma pembelaaran perambatan bali secara umum adalah sebagai beriut [8] : a. Langah 1 : Inisialisasi nilai bobot Pada langah ini, nilai bobot pada tiap-tiap lapisan diinisialisasi dengan bilangan aca ecil. b. Langah 2 : Hitung semua eluaran di unit tersembunyi z (=1, 2,, p) dan unit eluaran y (=1, 2,...,m). Untu mendapatan nilai lapisan eluaran, perhitungan dilauan dari lapisan e lapisan. Tahap ini disebut uga dengan tahap umpan mau. Keluaran pada unit lapisan tersembunyi adalah: z _ net z v n 0 i 1 x i v i 1 f ( z _ net ) z 1 _ net e..( 1).( 2 ) dengan f(z_net ) merupaan fungsi ativasi sigmoid biner (logsig). Keluaran pada unit lapisan eluaran adalah:

3 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 495 y _ net w p 0 1 z w...( y _ net 1 e y f ( y _ net ) ( 4 ) y _ net 1 e dengan f( y_net ) merupaan fungsi ativasi sigmoid bipolar (tansig). c. Langah 3 : Hitung perubahan pada bobot Untu menghitung perubahan bobot, vetor eluaran pada tiap-tiap lapisan dibandingan dengan nilai eluaran yang diharapan atau vetor target. Tahap ini disebut uga dengan tahap mundur. 1) Pada lapisan eluaran Perhitungan fator unit eluaran berdasaran esalahan di setiap unit eluaran y (=1, 2,, m) ( t y ) f ' ( y _ net (1 y )(1 y ) ( t y )...( 5) 2 Perhitungan suu perubahan bobot w (yang aan dipaai nanti untu mengubah bobot w ) dengan lau pembelaaran dan nilai = 1, 2,, m ; = 0, 1,, p w z 2) Pada lapisan tersembunyi.( 6 ) Perhitungan fator unit tersembunyi berdasaran esalahan di setiap unit tersembunyi z ( = 1, 2,, p). _ net m _ net _ net 1 f ' z w ) ( z _ net (1 z ) )......(...( 3) 7 ) Perhitungan suu perubahan bobot v i (yang aan dipaai untu mengubah bobot v i ) dengan lau pembelaaran dan nilai = 1, 2, p ; i = 0, 1,, n. v x i i 8 ) (9) d. Langah 4 : Perubahan nilai bobot Perubahan bobot yang menuu e unit eluaran dengan = 1, 2,..., m dan = 0, 1,, p : w baru ) w ( lama ) w.(10) ( dengan w (baru) merepresentasian nilai dari bobot pada iterasi e (n+1) dan w (lama) merepresentasian nilai bobot pada iterasi e n. Perubahan bobot yang menuu e unit tersembunyi dengan = 1, 2,..., p dan i = 0, 1,, n : v baru ) v ( lama ) v...( 11) i ( i i Dengan v i (baru) merepresentasian nilai dari bobot pada iterasi e (n+1) dan v i (lama) merepresentasian nilai bobot pada iterasi e n. 2. Algoritma Penguian Jaringan Saraf Tiruan Perambatan Bali. Setelah proses pelatihan, tahap selanutnya adalah proses penguian. Pada proses penguian, tahap yang dilauan hanya sampai tahap mau saa, tida ada tahap mundur apalagi tahap modifiasi bobot. Seluruh bobot masuan diambil dari nilai bobot terahir yang diperoleh dari proses pelatihan. Pada tahap penguian ini, aringan diharapan dapat mengenali pola berdasaran data baru yang diberian. 2.2 Perancangan Sistem Beriut adalah perancangan arsitetur aringan saraf tiruan untu apliasi prairaan harga penutupan valuta GBP/USD dalam forex trading. x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 b Lapisan Masuan Lapisan Tersembunyi Lapisan Keluaran Gambar 1. Perancangan arsitetur aringan saraf tiruan v Gambar 1 merupaan arsitetur aringan saraf tiruan yang digunaan dalam perancangan apliasi prairaan harga valas dalam forex. Terdapat 3 lapisan, yaitu : lapisan masuan, lapisan tersembunyi, dan lapisan eluaran. Pada lapisan masuan, terdapat 8 parameter (x 1,x 2,...,x 8) yang merupaan harga pembuaan hari ini (x 1 ), harga pembuaan emarin (x 2 ), harga tertinggi emarin (x 3 ), harga terendah emarin (x 4 ), harga penutupan emarin (x 5 ), volume emarin (x 6 ), harga pembuaan dua hari yang lalu (x 7 ), dan harga penutupan 2 hari yang lalu (x 8 ). Selanutnya pada lapisan tersembunyi, terdapat seumlah neuron dari z 1 -z n yang aan divariasian oleh pengguna, dan lapisan eluaran (y) yang terdiri dari 1 neuron yang merupaan eluaran untu prairaan harga penutupan hari ini. Metode pembelaaran yang digunaan dalam arsitetur aringan saraf tiruan ini yaitu metode supervised learning, yani pasangan data (masuan -target) dipaai untu melatih aringan. b z 1 z n w y

4 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 496 Algoritma pelatihan aringan yang digunaan adalah traingdx yang merupaan gabungan antara algoritma pelatihan dengan variabel lau pemahaman (traingda) dan metode penurunan gradien dengan momentum (traingdm). Algoritma pelatihan bobot dan bias di-setting secara default dengan menggunaan learngdm. Nilai bobot yang digunaan pada perancangan ini merupaan nilai aca, sehingga setiap ali sistem melauan pelatihan, nilai bobot aan berubah-ubah. Dalam Matlab, instrusi yang digunaan untu menginisialisasi nilai bobot dan bias yang aca adalah init. Terdapat 3 tahap yang dilauan dalam perancangan sistem, yaitu: tahap pelatihan aringan, tahap penguian aringan, dan tahap prairaan Tahap Pelatihan Jaringan Setelah merancang arsitetur aringan saraf tiruan, tahap selanutnya adalah pelatihan aringan. Diagram alir tahap pelatihan aringan dapat dilihat pada gambar 2 Mulai Setelah arsitetur aringan saraf tiruan selesai dibangun, maa tahap selanutnya adalah pelatihan aringan. Pelatihan ini dilauan dengan tuuan agar sistem yang dirancang dapat mengenali eluaran berupa target data yang telah dimasuan sebelumnya e database yang berasal dari data historis MetaTrader 4. Setelah pelatihan aringan dilauan, langah terahir dalam tahap pelatihan Jaringan ini adalah penyimpanan aringan. Penyimpanan aringan ini dilauan agar aringan saraf tiruan yang telah dibuat dapat digunaan bai untu melauan pelatihan aringan maupun sebagai aringan yang digunaan dalam tahap penguian maupun dalam prairaan. Jia ingin melatih aringan dengan nilai parameter pelatihan yang berbeda, maa pengguna dapat melauan reset, emudian mengulang dari tahap penentuan nilai parameter pelatihan Tahap Penguian Jaringan Setelah tahap pelatihan, tahap selanutnya adalah tahap penguian aringan. Diagram alir tahap pelatihan aringan dapat dilihat pada gambar 3. Mulai Ambil data (data masuan dan target) Masuan nilai parameter pelatihan (umlah neuron hidden layer, show, epoch, goal, learning rate, momentum, max_fail, fungsi ativasi) Latih aringan Pilih aringan Ambil data ui Penguian Bandingan hasil penguian dengan target yang sebenarnya Simpan aringan Reset Tida Selesai Ya Ya Reset Tida Selesai Gambar 3. Diagram alir tahap penguian Gambar 2. Diagram alir tahap pelatihan Pada tahap pelatihan aringan, untu langah awalnya adalah melauan pengambilan data latih historis, berupa data masuan dan target data masuan untu dilatih e dalam aringan saraf tiruan (supervised learning). Setelah langah awal selesai dilauan, langah selanutnya adalah memasuan nilai parameter pelatihan yang diperluan, seperti : umlah neuron hidden layer, show, epoch, goal, learning rate, momentum, max_fail, dan fungsi ativasi. Dalam tahap penguian ini, langah pertama yang dilauan adalah memilih aringan yang telah dibuat sebelumnya dalam tahap pelatihan. Setelah aringan yang aan digunaan dalam tahap penguian telah dipilih, langah selanutnya adalah mengambil data ui. Data ui yang disediaan berupa 100 enis data aca yang diambil dari data historis yang perancang telah sediaan sebelumnya. Pengambilan data ui dilauan dengan cara memilih hari dan tanggal tertentu untu mengui hasil eluaranya (harga penutupan di hari dan tanggal tersebut). Setelah dilauan pengambilan data, dilauan penguian

5 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 497 data. Keluaran hasil penguian ini berupa harga penutupan, besarnya galat yang teradi, dan unu era aringan. Setelah hasil penguian telah eluar, langah selanutnya adalah membandingan harga penutupan hasil penguian dengan harga penutupan sebenarnya. Bagus atau tidanya hasil penguian dapat dinilai dengan melihat besarnya unu era dan galat yang teradi. Jia ingin melauan penguian ulang dengan data yang berbeda, maa pengguna dapat melauan reset, emudian memasuan embali nilai parameter pelatihan Tahap Prairaan Setelah melauan tahap penguian aringan, tahap selanutnya adalah tahap prairaan. Diagram alir tahap prairaan dapat dilihat pada gambar 4. Mulai Pilih aringan Masuan harga pembuaan untu saat ini Masuan harga pembuaan, tertinggi, terendah, penutupan, dan volume hari emarin Masuan harga pembuaan dan penutupan 2 hari yang lalu Prairaan Melihat hasil prairaan dan reomendasi posisi Reset? Selesai Ya Tida Gambar 4. Diagram alir tahap prairaan Pada saat tahap prairaan, langah pertama yang dilauan adalah memilih aringan untu prairaan yang telah dibuat sebelumnya. Setelah memilih aringan, langah selanutnya adalah memberi data masuan berupa harga pembuaan saat ini, harga pembuaan, harga tertinggi, harga terendah, harga penutupan, dan volume emarin, serta harga pembuaan dan penutupan 2 hari yang lalu. Data tersebut dapat secara langsung diambil melalui platform MetaTrader 4. Setelah semua data telah dimasuan, langah selanutnya adalah melauan prairaan. Hasil dari prairaan ini berupa harga penutupan dan reomendasi posisi pada hari tersebut. Reomendasi pengambilan posisi yang dimunculan berupa open atau sell. Jia pengguna ingin melauan prairaan dengan aringan yang lain, maa pengguna dapat melauan reset, emudian mengulang tahap prairaan dari langah awal. 3. Hasil dan Analisa 3.1 Penguian Data Latih Jumlah variasi aringan yang digunaan dalam perancangan apliasi ini sebanya 30 aringan. Jumlah data latih yang digunaan yaitu sebanya 992 data yang diambil dari periode 06 Januari 2009 s/d 30 Desember 2011 dan 06 Mei 2014 s/d 25 Juli Dari hasi penguian data latih, penguian data ui, dan prairaan harga penutupan valuta GBP/USD, dapat dietahui tingat eauratan sebuah aringan dengan rumus: = 100%...(12) t x dan y x yang digunaan merupaan nilai hasil onversi dari data asli dengan rumus: = ( 10) 10...(13) Keterangan : t x = Target data e-x y x = Keluaran hasil penguian data e-x p = data hasil onversi q = data asli Dalam penguian data latih pada variasi umlah neuron dan fungsi ativasi, digunaan nilai dari parameter learning rate, epoch, momentum, dan max_fail yang tetap. Nilai dari parameter learning rate adalah 0,001, nilai parameter epoch adalah 80000, nilai momentum yang digunaan adalah 0,9, dan nilai parameter max_fail yang digunaan adalah Dalam penguian data latih yang telah dilauan oleh perancang, fungsi ativasi tansig-logsig merupaan fungsi ativasi yang paling bai dalam melauan prairaan harga penutupan valuta GBP/USD dengan tingat eauratan 98,74% Penguian Data Ui Data ui yang digunaan dalam perancangan apliasi prairaan valuta GBP/USD ini berasal dari 100 data historis yang diambil secara aca dari tanggal 17 Januari 2012 s/d 29 Agustus 2013 pada platform MetaTrader 4. Dari hasil penguian data ui, dapat dilihat umlah prairaan yang tepat dalam 100 hari. Prairaan yang tepat adalah prairaan yang memilii hasil eluaran dengan tingat eauratan 99,98%. Selain banyanya prairaan yang tepat, didapat tingat eauratan dalam melauan prairaan harga penutupan pasangan mata uang

6 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 498 GBP/USD dengan menggunaan persamaan 12. Hasil penguian data ui dapat dilihat pada tabel 1. Tabel 1 Hasil penguian data ui NP Fungsi Prairaan Tingat p Momentum NJ ativasi yang tepat eauratan Netw1 6 0,9 3 99,16% Netw2 10 0,9 3 99,12% Netw3 20 0,9 3 99,17% Netw4 40 0,9 3 99,17% Netw5 6 0,9 2 99,16% Netw6 10 0,9 3 99,15% Netw7 20 0,9 1 99,20% Netw8 40 0,9 3 99,14% Netw9 6 0,9 3 99,19% Netw ,9 2 99,15% Netw ,9 2 99,19% Netw ,9 0 99,16% Netw13 6 0,9 2 99,18% Netw ,9 1 99,19% Netw ,9 1 99,13% Netw ,9 2 99,09% Netw17 6 0,9 2 99,17% Netw ,9 0 99,18% Netw ,9 1 99,13% Netw ,9 2 99,15% Netw21 6 Purelintansig 0,9 3 99,20% Netw22 10 Purelintansig 0,9 0 99,21% Netw23 20 Purelintansig 0,9 2 99,20% Netw24 40 Purelintansig 0,9 4 99,21% Netw ,5 0 99,12% Netw ,5 1 99,18% Netw ,5 1 99,19% Netw ,5 3 99,20% Netw ,5 1 99,19% Netw30 10 purelintansig 0,5 2 99,20% Keterangan : p = Jumlah neuron pada hidden layer Dari tabel 1 dapat dilihat bahwa tingat eauratan tertinggi dalam prairaan adalah 99,21 % dan terendah adalah 99,09%. Netw12, netw18, dan netw22 memilii tingat eauratan yang cuup tinggi, namun tida dapat melauan prairaan yang tepat pada 100 data yang diuian. Jia dilihat pada netw16, mesipun memilii tingat eauratan yang paling rendah, namun dapat melauan prairaan yang tepat sebanya 2 ali. Dari semua aringan yang telah diui, maa dapat disimpulan bahwa netw24 merupaan aringan yang paling bai diarenaan tingat eauratan yang cuup tinggi yaitu sebesar 99,21% dan dapat melauan prairaan yang tepat sebanya 4 ali. 3.3 Analisis Terhadap Penguian Data latih dan Data Ui Dari hasil penguian data latih dan data ui dapat ditampilan tingat eauratan hasil penguian sebagai beriut: Tingat Keauratan Perbandingan Hasil Penguian 99.50% 99.00% 98.50% Data Latih Data Ui Gambar 5. Grafi perbandingan hasil penguian Terlihat bahwa hasil penguian data latih dan data ui menghasilan persentase sebesar 98,73 % dan 99,17%. Hal ini menunuan bahwa apliasi prairaan yang telah dirancang ini beralan dengan bai sesuai dengan harapan perancang arena adanya peningatan tingat eauratan pada penguian data ui. 3.4 Prairaan harga penutupan GBP/USD Data Data yang digunaan untu melauan ui coba dalam prairaan harga penutupan valuta GBP/USD adalah data yang terbaru. Perancang melauan prairaan pada tanggal 04 Agustus 2014, dimana data tersebut diluar data latih maupun data ui. Beriut data masuan yang digunaan untu melauan prairaan harga penutupan GBP/USD pada tanggal 4 Agustus Hari ini : Open = 1, Kemarin : Open = 1,68818 High = 1,68919

7 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 499 Low Close Volume = 1,68109 = 1,68285 = hari yang lalu : Open : Close = 1,6911 = 1,68816 Prairaan dilauan dengan menggunaan gunaan 30 buah aringan yang dapat dilihat pada tabel 2. buy. Pergeraan valuta GBP/USD yang berasal dari platform MetaTrader4 dan hasil prairaannya dengan menggunaan netw14 pada tanggal 04 Agustus 2014 dapat dilihat pada gambar 6 dan 7. Tabel 2 Hasil prairaan harga penutupan valuta GBP/USD tanggal 04 Agustus 2014 NP (tx) (yx) Galat Tingat Reomendasi eaurat posisi NJ -an Netw1 1, , , ,57% Buy Netw2 1, , , ,88% Buy Netw3 1, , , ,67% Buy Netw4 1, , , ,55% Buy Netw5 1, , , % Buy Netw6 1, , , % Sell Netw7 1, , , % Buy Netw8 1, , , % Buy Netw9 1, , , % Buy Netw10 1, , , % Buy Netw11 1, , , % Buy Netw12 1, , , % Sell Netw13 1, , , % Sell Netw14 1, , , % Buy Netw15 1, , , % Buy Netw16 1, , , % Sell Netw17 1, , , % Buy Netw18 1, , , % Buy Netw19 1, , , % Sell Netw20 1, , , % Buy Netw21 1, , , % Sell Netw22 1, , , % Sell Netw23 1, , , % Sell Netw24 1, , , % Sell Netw25 1, , , % Sell Netw26 1, , , % Sell Netw27 1, , , % Sell Netw28 1, , , % Buy Netw29 1, , , % Buy Netw30 1, , , % Sell Dari hasil prairaan yang dilauan pada tanggal 04 Agustus 2014, Dapat dilihat harga penutupan yang diramalan oleh tiap aringan. Selain harga penutupan, dapat dilihat tingat eauratan dan besarnya galat yang didapat dengan menggunaan persamaan 12 dan 14. =...(14) t x dan y x yang digunaan dalam perhitungan galat merupaan data asli (buan nilai hasil onversi). Reomendasi posisi yang muncul berupa posisi buy atau sell. Reomendasi posisi ini didapat dengan melihat hubungan antara harga pembuaan ( open) dan harga penutupan ( close) pada hari prairaan. Jia harga pembuaan lebih besar daripada harga penutupan, maa sistem aan memberian reomendasi posisi sell, dan sebalinya. Dari hasil prairaan yang sudah dilauan, dapat dilihat bahwa netw14 memilii tingat eauratan yang paling tinggi yaitu: 99,98%. Jia dibandingan dengan target data ramal, prairaan dengan menggunaan netw14 memilii galat yang cuup ecil sebesar -0,00014 dan reomendasi posisi yang tepat berupa reomendasi posisi Gambar 6. Pergeraan valuta GBP/USD pada tanggal 04 Agustus 2014 Peramalan harga penutupan GBP/USD menggunaan netw14 pada tanggal 04 Agustus :00:00 23:00 Watu Gambar 7. Prairaan harga penutupan valuta GBP/USD pada tanggal 04 Agustus 2014 Jia dibandingan antara pergeraan valuta GBP/USD yang berasal dari platform MetaTrader 4 dan hasil prairaannya menggunaan netw14 pada tanggal 04 Agustus 2014, sudah memilii tren yang sama yaitu nai (uptrend). Kondisi uptrend pada pasangan valuta GBP/USD ini menandaan bahwa adanya peningatan nilai mata uang Poundsterling terhadap Dollar. Dalam forex trading, ondisi tersebut dimanfaatan oleh para trader untu mengambil euntungan dengan mengambil posisi buy. 4. Kesimpulan Dari hasil penguian data latih, fungsi ativasi tansiglogsig merupaan fungsi ativasi yang paling bai dalam melauan prairaan harga penutupan valuta GBP/USD dengan tingat eauratan 98,74%. Penguian data latih dan data ui menghasilan persentase rata-rata tingat eauratan sebesar 98,73% dan 99,17%.

8 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 500 Hal ini menunuan bahwa apliasi prairaan yang telah dirancang ini beralan dengan bai sesuai dengan harapan perancang arena adanya peningatan tingat eauratan pada penguian data ui. Adapun saran yang dapat diberian dalam perancangan apliasi ini adalah dapat ditinau lebih auh hasil prairaan yang dihasilan ia menggunaan algoritma pelatihan selain traingdx dan dapat diembangan apliasi prairaan yang tida hanya dapat mempredisi harga penutupan, tetapi uga pergeraan harga dari pasangan valuta negara yang di perdagangan dalam pasar forex mulai dari open hingga close. Referensi [1]. Agustin, Maria. Penggunaan Jaringan Syaraf Tiruan Perambatan Bacpropagation Untu Selesi Penerimaan Mahasiswa Baru pada Jurusan Teni Komputer di Politeni Negeri Sriwiaya. Tesis Teni Sistem Informasi [2]. Ardiyan, Adi The Master Traders. Jaarta : Gramedia Pustaa Utama. [3]. Berhnard, Jefry Cara Mudah Bermain Forex Trading Online. Manowari : STIH Manowari [4]. Hermawan, Arief. Jaringan Saaf Tiruan Teori dan Apliasi. Yogyaarta: Andi Offset [5]...., (diases 26 Maret 2014). [6]...., (diases 12 Agustus 2014). [7]. Jatmio, Heri Setio. Apliasi Jaringan Saraf Tiruan Sebagai Alat Bantu Analisis Optimalisasi Unu Kera Call Setup Succes Rate (CSSR) Pada Komuniasi GSM. Laporan Penelitian Teni Eletro Undip [8]. Jong, J. S. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunaan Matlab. Yogyaarta: Andi Offset [9]. Taufiq, Mochamad Nur. Sistem Pengenalan Plat Nomor Polisi Kendaraan Bermotor Dengan Menggunaan Metode Jaringan Saraf Tiruan Perambatan Bali. Laporan Penelitian Teni Eletro Undip [10]. Wirya, Febri Fadhil. Apliasi Jaringan Saraf Tiruan Perambatan Bali Untu Prairaan Harga Saham. Laporan Penelitian Teni Eletro Undip [11]. Sutea, Bernard Renaldy. Penerapan Jaringan Saraf Tiruan Propagasi Bali Studi Kasus Pengenalan Jenis Kopi.Jurnal Informatia Universitas Kristen Maranatha, Vol. 3, No.1, Juni 2007: [12]. Jumarwanto, Arif. Apliasi Jaringan Saraf Tiruan Bacpropagation Untu Mempredisi Penyait THT di Rumah Sait Mardi Rahayu Kudus. Jurnal Teni Eletro Unnes Vol. 1 No.1, Juni 2009.