ISSN: 2087-1716 Jurnal Ilmiah ILKOM Volume 8 Nomor 1 (April 2016) 37 PENERAPAN METODE MOVING AVERAGE (MA) BERBASIS ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK MEMBANDINGKAN POLA KURVA DENGAN TREND KURVA PADA TRADING FOREX ONLINE Irfan Abbas STMIK Ichsan Gorontalo Irfan_abbas01@yahoo.co.id Abstrak Bursa valuta asing atau forex adalah tempat dimana mata uang dari suatu negara diperdagangan dengan mata uang negara lainnya. Perdagangan berlangsung secara global antara pusat-pusat keuangan dunia, dengan melibatkan bank-bank utama dunia sebagai pelaksana utama transaksi. Trader yang melakukan investasi di pasar valuta asing dituntut untuk memiliki kemampuan menganalisis keadaan dan situasi dalam memprediksi nilai tukar mata uang. Pergerakan harga forex atau saham yang membentuk kurva sangat membantu para trader dalam pengambilan keputusan, pergerakan kurva dijadikan sebagai salah satu indikator dalam pengambilan keputusan untuk beli (buy) atau jual (sell). Penelitian ini menggunakan algoritma Support Vector Machine (SVM) untuk membandingkan pola kurva, kemudian dataset dari algoritma SVM diproses menggunakan metode Moving Average (MA) untuk membentuk kurva kedua. Hasilnya trend kurva yang dihasilkan algoritma Support Vector Machine dan Metode Moving Average membentuk kurva yang sama dengan kurva live online pada GBPUSD, 1H. Kata kuci : trading forex, support vector machine, moving average, prediksi, poundsterling, dollar. Copyright @ 2016 -- Jurnal Ilmiah ILKOM -- All rights reserved. 1. Pendahuluan Bursa valuta asing (valas) atau forex (Foreign Exchange) adalah sebuah investasi yang memperdagangkan mata uang satu negara dengan mata uang negara lainnya, dimana mata uang dari suatu negara diperdagangan dengan negara lainnya selama 24 jam secara berkesinambungan mulai dari hari Senin pukul 04.00 WIB pagi sampai dengan hari Sabtu pukul 04.00 WIB/GMT+7. Tujuannya untuk mendapatkan profit (keuntungan) dari perbedaan nilai mata uang [1]. Algoritma atau metode yang sering digunakan untuk memprediksi saham atau forex seperti algoritma Artificial Neural Network (ANN) [2] yang merupakan salah satu metode yang paling umum digunakan dalam pengolahan peramalan non-linear, serta memiliki proses paralel yang kuat serta kemampuannya dalam menangani kesalahan toleransi, namun, kepraktisan ANN terbatasi karena beberapa kelemahan seperti membutuhkan sejumlah besar dataset pelatihan, “over fitting”, kecepatan konvergensi lambat dan lemah dalam ekstrem lokal optimal [3]. Algoritma Relevance Vector Machine RVM [4] adalah model probabilistik mirip dengan support vector machines ( SVM ) akan tetapi data pelatihan berlangsung dalam kerangka bayesian dan outputnya berupa prediktif distribusi titik perkiraan. Algoritma Support Vector Machine (SVM) kinerjanya sangat baik untuk prediksi time series , tapi dibatasi oleh pilihan manual dari parameter fungsi dasar [5]. Algorithma Support Vector Machine (SVM) [5] [2] adalah metode yang menjanjikan untuk prediksi time series karena menggunakan fungsi risiko yang terdiri dari kesalahan empiris dan istilah rutinitas yang berasal dari struktur minimalisasi risiko prinsip Jenis kernel [5] Metode ini berdasarkan teori belajar statitik yang dapat memecahkan masalah ‘over-fitting’ [6] juga dapat digunakan untuk solusi global optimal dan tingkat konvergensi rendah serta memiliki kemampuan yang sangat baik dalam menggeneralisasi sampel kecil [3] serta sangat baik untuk memprediksi karena metode ini dapat meminimalkan kesalahan klasifikasi dan penyimpangan data pada data training [6] akan tetapi kepraktisan SVM kesulitan memilih parameter yang sesuai. [4] Setelah beberapa tahun pengembangan, algoritma SVM telah sukses diterapkan di beberapa bidang, seperti pengenalan pola dan regresi fungsi, [3]. Beberapa peneliti mulai menerapkan algoritma SVM untuk prediksi data time series atau memprediksi indeks harga saham, antara lain memprediksi nilai tukar GBP / USD. Metode Simple Moving Average (SMA) [7] merupakan salah satu jenis metode prediksi berdasarkan time series atau disebut data rentet waktu. Metode SMA menggunakan nilai pada masa lalu untuk digunakan sebagai acuan dalam melakukan prediksi pada masa depan. Metode Moving Average mempunyai tiga varian yang berbeda yaitu Simple Moving Average, Weighted Moving Average dan Exponential Moving Average. Masing-masing merupakan metode Moving Average, hanya saja cara me-rata-ratakannya yang berbeda satu sama lain. Perbedaan utamanya terletak pada pembobotan data