KOMPARASI KERNEL PADA ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK MEMBANDINGKAN KURVA DENGAN TREND KURVA TRADING FOREX ONLINE Irfan Abbas STMIK Ichsan Gorontalo Email: Irfan_abbas01@yahoo.co.id Abstrak-Pada saat ini, para pemain Trading Forex pada umumnya masih menggunakan data-data nilai tukar suatu Trading Forex yang berupa angka-angka dari sumber yang berbeda-beda. Dengan demikian mereka hanya menerima atau mengetahui data nilai tukar suatu Trading Forex yang sedang berlaku pada saat itu saja sehingga sulit untuk menganalisis atau memprediksi pergerakan nilai tukar masa yang akan datang. Pemain Forex biasanya menggunakan indikator untuk memudahkan mereka menganalisis dan memperdiksi nilai masa depan. Indikator merupakan alat bantu pengambilan keputusan. Trading forex adalah transaksi perdagangan mata uang suatu negara, dengan mata uang negara lainnya. Perdagangan berlangsung secara global antara pusat-pusat keuangan dunia dengan melibatkan bank-bank utama dunia sebagai pelaksana utama transaksi. Trading Forex menawarkan Jenis investasi yang menguntungkan dengan modal yang kecil dan tingkat keuntungan tinggi, dengan modal yang relatif kecil dapat memperoleh keuntungan berlipat. Hal ini disebabkan perdagangan forex terdapat sistem leverage dimana modal yang ditanam akan dilipat gandakan jika hasil prediksi buy/sell akurat, namun Trading Forex mempunyai tingkat risiko tinggi, akan tetapi dengan mengetahui saat yang tepat untuk bertransaksi (buy or sell) maka kerugian dapat dihindari. Trader yang melakukan investasi di pasar valuta asing dituntut untuk memiliki kemampuan menganalisis keadaan dan situasi dalam memprediksi selisih nilai tukar mata uang. Pergerakan harga forex yang membentuk pola (kurva) naik dan turun 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 membandingkan (Comparation) tipe kernel pada algoritma Support Vector Machine (SVM) untuk memprediksi pergerakan kurva pada live time trading forex menggunakan data GBPUSD, 1H. Hasil penelitian pada penelitian ini dari hasil dan pembahasan dapat di simpulkan bahwa Kernel Dot, Kernel Multiquaric, Kernel Neural tidak tepat digunakan untuk data non linier pada kasus data forex untuk mengikuti pola trend kurva, sebab kurva yang dihasilkan membentuk kurva linier (lurus) kemudian untuk tipe kernel yang kurvanya paling mendekati mirip dengan trend kurva trading forex online adalah kernel Anova dan Kernel radial, yang sedikit mendekati Kernel Gaussian Combination, kernel Epachnenikof dan untuk Kernel Polinomial membentuk kurva parabola terbuka. Kata kuci : Trading Forex, Support Vector Machine, Kernel Anova, Kernel Dot, Kernel Multiquaric, Kernel Neural, Prediksi, Kernel radial, Kernel Gaussian Combination, kernel Epachnenikof, Kernel Polinomial EURUSD, H1 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]. Ada dua macam analisis yang digunakan dalam Forex yaitu analisis fundamental dan analisis teknikal. Fundamental menganalisis Forex melalui pergerakan pasar melalui berita-berita atau faktor-faktor yang dirasa dapat mempengaruhi perekonomian suatu negara, sedangkan teknikal menganalisis forex melalui pergerakan pasar melalui pembacaan grafik dan indikator harga pasar yang sedang berlangsung. 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