ANALISA PERBANDINGAN METODE SVM (SUPPORT VECTOR MACHINE) DAN SMA (SIMPLE

MOVING AVERAGE) PADA ANALISA PERDAGANGAN FOREX

(STUDI KASUS : PAIR EUR/USD)

Andika Aji Saputra

Program Studi Teknologi Informasi Fakultas Teknik Informatika

Jl. Taman Malaka Selatan, pondok kelapa,Duren Sawit,Kota jakata timur

Jakarta, Indonesia

andikaaji09@gmail.com

Abstrak - Transaksi perdangangan forex pada era sekarang telah mencapai valuasi transaksi sebesar 5 triliun
setiap hari, itu berarti dalam rentang 1 menit ada ratusan bahkan jutaan transaksi perdagangan forex (foreign
exchange) di seluruh dunia, konsep dalam dunia forex ialah setiap orang yang membeli mata uang negara lain
dengan mata uang yang sekarang dihitung berdasarkan nilai kurs pada masing-masing nilai mata uang. Prediksi
dalam forex menjadi hal yang sangat penting mengingat prediksi adalah suatu pandangan harga kedepan dengan
harapan harga yang sebenarnya dapat sesuai dengan pola yang sudah terprediksi. Para trader selalu melihat
harga yang telah lampau serta melihat analisa fundamental diluar analisa teknikal seperti: berita ekonomi,
gejolak politik , pidato para petinggi, sentimen pasar yang sewaktu-waktu dapat memengaruhi pergerakan harga.
Penelitian ini dibangun untuk merancang analisa prediksi pergerakan harga pada pair EURUSD menggunakan
metode Simple Moving Average dan metode SVM (Support Vector Machine) pada dataset dengan rentang waktu
1 januari 2020 – 28 mei 2021, pada metode Simple Moving Average menghasilkan nilai RMSE terhadap data
testing sebesar :0,804,MAPE sebesar: 7,126% pada data training menghasilkan nilai RMSE sebesar:2,057,
MAPE sebesar:0,598% sedangkan pada metode SVM menghasilkan akurasi nilai testing sebesar :37%, f-1 score
sebesar:67,9% pada data training menghasikan akurasi nilai training sebesar: 44%,, f-1score sebesar : 61,1%.
Kata kunci : Forex,Prediksi, SVM, SMA

Abstract - Forex trading transactions in the current era have reached a transaction valuation of 5 trillion every
day, that means in the span of 1 minute there are hundreds of thousands of forex trading transactions around the
world, the concept in the forex world is everyone who buys the currency of another country with the current
currency. calculated based on the exchange rate for each currency value. Prediction in forex is very important
considering that prediction is a future price view with the hope that the actual price will match the predicted
pattern. Traders always look at prices that have ended and look at fundamental analysis outside of technical
analysis such as: economic news, political turmoil, talk of officials, market sentiment which at any time can affect
price movements. This study was built to analyze the prediction of price movements on the EURUSD pair using
the Simple Moving Average method and the SVM (Support Vector Machine) method on a dataset with a time span
of 1 January 2020 - 28 May 2021, the Simple Moving Average method produces an RMSE value of the testing
data of: 0.804, MAPE of: 7.126% on the training data produces an RMSE value of: 2.057, MAPE of: 0.598%
while the SVM method produces an accuracy of testing values of: 37%, f-1 score of: 67.9% on the training data
produces accuracy training value of: 44%, f-1score of: 61.1%.
Keywords : Forex, Prediction, SVM, SMA
1.PENDAHULUAN
Transaksi perdangangan forex pada era sekarang
telah mencapai valuasi transaksi sebesar 5 triliun
setiap hari(Bank for National Settlement BIS, 2016),
itu berarti dalam rentang 1 menit ada ratusan bahkan
jutaan transaksi perdagangan forex (foreign
exchange) di seluruh dunia. pasar valuta asing adalah
suatu pasar keuangan yang memperdagangkan atau
mentransaksikan berbagai valuta asing [1]. Menurut
undang undang nomor 32 tahun 1997 tentang
perdangangan berjangka komoditi sebagai landasan
hukum pelaksanaan bursa kontrak berkangka adalah
suatu bentuk kontrak standar untuk membeli atau
menjual Komoditi dalam jumlah, mutu, jenis, tempat
dan waktu penyerahan di kemudian hari yang telah
ditetapkan, dan termasuk dalam pengertian Kontrak
Berjangka ini adalah Opsi atas Kontrak Berjangka
[2]. konsep dalam dunia forex yang sebenarnya ialah
transaksi yang dilakukan dalam hitungan sekejap
pada saat itu juga, baik dalam bentuk pembelian atau
penjualan pasangan mata uang yang diinginkan/spot
features. Prediksi forex dapat dilihat dari dua
parameter analisa teknikal & analisa fundamental.
analisa teknikal adalah cara memprediksi pergerakan
harga pada masa depan menggunakan chart,
persamaan matematis serta indikator teknikal
berdasarkan harga yang telah terjadi sebelumnya.
sedangkan analisa fundamental adalah grafik
kecenderungan jangka panjang pergerakan suatu
harga yang memiliki periode mingguan, bulanan dan
bahkan tahunan berdasarkan data-data ekomomi
yang penting. likuiditas yang tinggi pada pergerakan
harga forex dinilai menjadi persoalan ketika ingin
memprediksi daripada harga pergrakan tersebut.
Sejalan dengan masalah terebut Penelitian ini
dibangun untuk merancang analisa prediksi
pergerakan harga pada pair EURUSD menggunakan
metode Simple Moving Average dan metode SVM
(Support Vector Machine) pada dataset dengan
rentang waktu 1 januari 2020 – 28 mei 2021,
diharapkan metode ini dapat memprediksi secara
baik terhadap nilai aktual yang sudah terjadi
1.1 Rumusan Masalah
Permasalahan yang akan dipecahkan pada
penelitian skripsi ini adalah:
1. Bagaimana akurasi prediksi metode Simple
Moving Average yang dihasilkan terhadap
nilai aktual?
2. Bagaimana akurasi nilai prediksi metode
SVM (Simple Moving Average) yang
dihasilkan terhadap nilai aktual?
3. Apa kesimpulan yang didapat dari kedua
metode terhadap nilai aktual yang ada ?
1.2 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah:
1. Penelitian ini hanya membahas analisa
prediksi berbasis metode terhadap dataset
yang diperoleh, tidak membahas pola bisnis
dari trader, kerjasama bisnis yang dilakukan
atau hasil keuntungan yang didapat oleh
trader pada transaksi perdagangan forex.
2. Data historis dan data pihak ketiga/data API
yang diambil berasal dari portal website
investing.com dan tradingview.com,
perbedaan data aktual yang dihasilkan pada
masing-masing sumber mungkin bisa terjadi
mengingat beberapa portal website yang
bekerjasama dengan broker mempunyai
kebijakan pengaturan harga yang ditetapkan
masing-masing platform
1.3 Tujuan Penelitian
Adapun tujuan yang ingin dicapai oleh penulis
adalah sebagai berikut:
1. Mengetahui nilai prediksi yang dihasilkan
oleh metode Simple Moving Average dan
metode SVM (Support Vector Machine)
terhadap nilai aktual.
2. Melihat pengaruh analisa fundamental dan
analisa teknikal terhadap pergerakan harga
aktual yang ada.
3. Mengetahu penggunaan sistem aplikasi
analisa prediksi dengan metode Simple
Moving Average dan SVM (Support Vector
Machine).
2. TINJAUAN PUSTAKA
Penelitian Terkait
Berikut merupakan tinjauan pada penelitian
terdahulu yang relevan atas penelitian ini sebagai
bagian dari penguatan terhadap masalah yang
dihadapi. Penelitian [3] terhadap optimasi parameter
metode SVM terhadap prediksi nilai tukar rupiah
terhadap dollar amerika serikat dengan tujuan
memprediksi nilai tukar rupiah didapatkan hasil pada
kernel dot 80,2% untuk training dan testing
sebesar:80,4%, Penelitian[4] pada implementasi
SVM pada harga saham gabungan IHSG dengan
tujuan memprediksi harga IHSG agar trader dapat
mempunyai keputusan dengan hasil nilai training
sebesar:0,211% dan 0,251%, kemudian pada
penelitian [5] APPLICATION OF SUPPORT
VECTOR MACHINE (SVM) METHODS ON
STOCK PRICE FORECASTINGOF PT
TELEKOMUNIKASI INDONESIA TBK dengan
tujuan melihat gambran umum saham dan
memprpediksi pergerakan harga dengan hasil nilai
MAPE<10% predikat baik.
3. METODE PENELITIAN
Perancangan ini menggunakan perancangan
metode peneltian secara konklusif deskriptif, artinya
adalah penelitian dirancang atau diramu sebagai alat
bantu pengambilan keputusan bisnis bagi para trader
dalam menentukan serta memilih solusi maupun
alternatif yang terbaik dalam menentukan aksi
jual/sell dan beli/buy pad sebuah perdagangan mata
uang forex khusunya pada pasangan mata uang/pair
EURUSD. Program memecahkan suatu masalah
dengan menggunakan metode ilmiah yang
mengumpulkan, menyajikan, serta menganalisis
fakta-fakta yang relevan dengan penelitian ini,
sehingga akan terbentuk suatu gambaran yang
komprehensif mengenai obyek yang diteliti. Hasil
analisis tersebut akan diolah menjadi data yang
selanjutnya diolah sehingga menghasilkan sebuah
kesimpula akhir yang ditampilkan bagi para trader
dalam menentukan arah kebijakan arah bisnis yang
diambil.
3.1 Pasangan Mata Uang EURUSD
Pair EURUSD merupakan pasangan mata
uang yang paling banyak dipilih oleh para trader
untuk diperdagangkan di seluruh dunia. Ini dipilih
karena kedua mata uang yang mempunyai volatilitas
tinggi. Euro yang digunakan sebagai mata uang
nasional oleh banyak negara eropa seperti
belanda,jerman,swiss dll sedangkan Dolar AS
merupakan alat pembayaran utama dalam
perdagangan barang dan jasa internasional, alat
pertukaran uang dalam export-import serta
masyarakat dunia yang banyak menggunakan mata
uang Dollar AS dalam transaksi pembayarannya.
Perdagangan forex mempunyai jadwal dalam
permbukaan pasar nya, pergerakan pasar valuta asing
bergerak mulai dari pasar selandia baru dan australia
yang dimulai pada pukul 05.00-14.00 WIB,
kemudian pasar asia yaitu jepang, singapura dan
hongkong yang berlangsung pukul 07.00-16.00 WIB
kemudian pasar eropa yaitu jerman dan inggris yang
berlangsung pukul 13.00-22.00 WIB, sampai pada
pasar forex yang terakhir yaitu pasar amerika serikat
yang berlangsung pukul 20.30-10.30 WIB.
Gambar 1 Waktu Perdagangan Forex
Pelaku dalam transaksi forex tentunya beragam
sesauai dengan peran masing masing dalam dunia
forex, Menurut [6]Secara umum, pelaku dalam forex
dapat dikategorikan menjadi:
1. Bank Komersial
bank komersial yang merupakan pelaku utama
dari perdagangan forex. Seperti Bank of
Amerika, Barclays, Societe Generale, JP
Morgan, Citigroup, Deutche bank, UBS serta
Goldman Sachs. Transaksi dilakukan dalam
bentuk jual beli dengan konsumen dari
kalangan dunia usaha, bank yang lebih kecil,
pengiriman uang ke seluruh dunia
2. Dunia Usaha
Perusahaan multinasional seperti Google,
Microsoft, Apple, Samsung, Toyota dan lain-
lain merupakan pelaku utama dalam pasar
forex.
3. Broker atau pialang
Lembaga yang berfungsi sebagai perantara
antara pedagang retail atau masyarakat umum
dengan pihak bank.
4. Lembaga yang melakukan kegiatan investasi
jangka pendek atau spekulasi dengan
mengharapkan keuntungan
5. Retail Trader
Perorangan yang melakukan transaksi
perdagangan forex dengan bank komersial atau
pelaku pasar lain
3.2 Kerangka Penelitian
Gambaran umum mengenai deployment diagram
adalah sebagai berikut

Gambar 3 Deployment Diagram
Deployment diagram pada aplikasi ini aplikasi yaitu
menyatukan data center yaitu XAMPP dengan client
sebagai penerima sebuah informasi akhir, XAMPP
menggunakan apache,mysql serta “sirex” sebagai
nama database nya,
Gambar 2 Kerangka Penelitian
Langkah langkah pada kerangka penelitian adalah
mengunduh data pada pair EURUSD berdasarkan
rentang waktu yang telah ditentukan sebelumnya,
kemudian dataset yang diperoleh dilakukan
pembersihan data/cleansing data yang artinya data
yang telah diperoleh dilakukan pembersihan data
seperti membuang data yang tidak perlu, menambah
nomor pada dataset, mengganti format tanggal agar
dapat dibaca oleh sistem di website ketika dilakukan
proses upload, kemudian data tersebut dilakukan
proses perhitungan menggunakan kedua metode
yang ada, yaitu metode SVM (Support Vector
Machine) maupun Simple Moving Average
3.3 Tahapan Penelitian
Metode SMA(Simple Moving Average)
Metode SMA (Simple Moving Average) adalah jenis
metode peramalan yang cara kerjanya ialah
mengambil data kelompok dari nilai pengamatan,
menghitung nilai rata-ratanya kemudian hasil yang
didapat itulah yang mejadi hasil/nilai peramalan pada
suatu data yang sedang diamati. Menurut [7]. Konsep
perhitungan metode Simple Moving Average dapat
menggunakan rataan harga yang berbeda-beda, bisa
menggunakan rataan harga selama 5 hari(SMA5),
rataan harga selama 10 hari(SMA10), rataan harga
selama 15 hari(SMA15) dan lainnya tergantung
kondisi dataset dan evaluasi perhitungan
Keterangan :
Dt = Data rentetan waktu
N = Total jumlah periode rataan
At = Prediksi pada periode t+1
Metode SVM(Support Vector Machine)
Support Vector Machine (SVM) pertama kali
dikembangkan oleh Boser, Guyon, Vapnik, dan
pertama kali dipresentasikan pada tahun 1992 di
Annual Workshop on Computational Learning
Theory. SVM merupakan suatu teknik yang relatif
baru dan saat ini telah banyak digunakan untuk
melakukan prediksi, baik dalam kasus klasifikasi
maupun regresi, yang sangat populer belakangan ini,
terlebih lagi pada pendekatan analisa prediksi Selain
itu metode ini dapat bekerja sangat baik untuk
prediksi karena metode ini dapat meminimalkan
kesalahan klasifikasi dan penyimpangan data pada
data training.
Gambar 4 Ilustrasi SVM
Prinsip dasar dari analisis ini adalah menemukan
hyperplane terbaik yakni dengan meminimalkan
kesalahan klasifikasi dan memaksimalkan margin
geometriknya sementara inti dari pemodelan metode
ini adalah berusaha menacari lokasi hyperplane yang
terbaik.
Menurut [8] dalam jurnal nya menyatakan rumus- terhadap (αi), dengan memperhatikan sifat bahwa
rumus untuk mencari nilai prediksi pada sebuah data pada titik optimal gradient L= 0.
adalah sebagai berikut:
(8)
Diasumsikan kedua kelas dapat terpisah secara
sempurna oleh hyperplane yang berdimensi d, yang (9)
didefinisikan:
w.x +b = 0 (1)
Pattern yang termasuk kelas -1 (sampel negatif) dan αi.αj adalah langrange multiplier yang
dapat dirumuskan sebagai pattern yang memenuhi berkorespondensi dengan xi.xj.
pertidaksamaan: dengan demikian, maka akan diperoleh αi yang
w.x +b <= -1 (2) kebanyakan bernilai positif yang deisebut sebagai
sedangkan pattern xi yang termasuk dalam kelas +1 support vector sebagai solusi dari pemisah :
(sampel positif)
w.x +b >= +1 (3)
dengan:
w = vektor bobot
x = nilai masukan atribut
b = bias
Margin terbesar dapat ditemukan dengan
memaksimalkan nilai jarak antara jarak dan titik
terdekatnya, yaitu Hal ini dapat dirumuskan 4. IMPLEMENTASI & HASIL
Persiapan Aplikasi
sebagai Quadratic Programming (QP) problem,
Pada penelitian ini menggunakan data aplikasi pihak
yaitu mencari titik minimal persamaan
ketiga/API untuk melihat grafik dan berita ekonomi.

(4)
Masalah ini dapat dipecahkan dengan berbagai
teknik komputasi, diantaranya lagrange multiplier
yang dinyatakan pada persamaan
(5)

Dengan I = 1,2,…. l
Dimana adalah lagrange multiplier, yang bernilai 0
atau positif . Untuk meminimalkan lagramge, maka
persamaan 3.6 harus diturunkan terhadap w dan b dan
diset dengam nilai 0 untuk syarat Gambar 5 Data Grafik
Syarat 1 (6) Pada data gambar tersebut, terlihat hamparan nilai
harga secara fluktuatif, atrinya kenaikan maupun
penurunan sebuah harga tidak menentu pada candle
per hari (H1). Harga naik “up” ditunjukan dengan
Syarat 2 (7) candle warna hijau sedangkan harga turun “down”
ditunjukan dengan candle warna merah.
4.1 Perhitungan Metode SMA(Simple Moving
Nilai N menjadi jumlah data yang menjadi Support Average)
Karena lagrange multiplier (α) tidak diketahui Setelah dilakukan persiapan data dengan menghitung
nilainya, maka persamaan diatas tidak dapat nilai prediksi SMA dan nilai klasifikasi, selanjutnya
menyelesaikan masalah tersebut. Untuk pada perhitungan metode SMA ini menghitung nilai
menyelesaikan masalah tersebut, modifikasi presentase/margin of error, nilai RMSE dan nilai
persamaan 3.4 menjadi kasus memaksimalkan L MAPE (pada data Testing)
 Dengan data perhitungan adalah sebagai berikut :
Margin error = (yi – y) no Date Open High Low Close nilai smapresentase
1 2020-01-01 1,121 1,122 1,121 1,121 1,113 -0,008
Keterangan: 2 2020-01-02 1,121 1,123 1,116 1,117 1,113 -0,004
3 2020-01-03 1,117 1,118 1,113 1,116 1,114 -0,002
yi = nilai prediksi 4 2020-01-06 1,117 1,121 1,116 1,119 1,115 -0,005
5 2020-01-07 1,120 1,120 1,113 1,115 1,116 0,001
y = nilai aktual 6 2020-01-08 1,115 1,117 1,110 1,110 1,117 0,006
7 2020-01-09 1,111 1,112 1,109 1,111 1,117 0,006
= 1,113 – 1,121 (data tanggal 01-01-2020) 8 2020-01-10 1,111 1,113 1,109 1,112 1,117 0,005
9 2020-01-13 1,113 1,115 1,111 1,113 1,116 0,003
= -0,008 10 2020-01-14 1,114 1,115 1,110 1,113 1,116 0,003
11 2020-01-15 1,113 1,116 1,112 1,115 1,115 0,000
Dengan perhitungan hasil pada keseluruhan data 12 2020-01-16 1,115 1,117 1,113 1,114 1,114 0,001
pada bulan januari adalah sebagai berikut : 13 2020-01-17 1,114 1,114 1,109 1,109 1,114 0,005
14 2020-01-20 1,109 1,110 1,108 1,109 1,113 0,004
no Date Open High Low Close nilai smapresentase
1 2020-01-01 1,121 1,122 1,121 1,121 1,113 -0,008
15 2020-01-21 1,110 1,112 1,108 1,108 1,112 0,004
2 2020-01-02 1,121 1,123 1,116 1,117 1,113 -0,004 16 2020-01-22 1,108 1,110 1,107 1,109 1,111 0,002
3 2020-01-03 1,117 1,118 1,113 1,116 1,114 -0,002 17 2020-01-23 1,109 1,111 1,104 1,105 1,111 0,006
4 2020-01-06 1,117 1,121 1,116 1,119 1,115 -0,005
18 2020-01-24 1,106 1,106 1,102 1,102 1,111 0,008
5 2020-01-07 1,120 1,120 1,113 1,115 1,116 0,001
6 2020-01-08 1,115 1,117 1,110 1,110 1,117 0,006 19 2020-01-27 1,102 1,104 1,101 1,102 1,110 0,008
7 2020-01-09 1,111 1,112 1,109 1,111 1,117 0,006 20 2020-01-28 1,102 1,103 1,100 1,102 1,109 0,007
8 2020-01-10 1,111 1,113 1,109 1,112 1,117 0,005 RMSE 0,804
9 2020-01-13 1,113 1,115 1,111 1,113 1,116 0,003
10 2020-01-14 1,114 1,115 1,110 1,113 1,116 0,003
MAPE 7,13%
11 2020-01-15 1,113 1,116 1,112 1,115 1,115 0,000
12 2020-01-16 1,115 1,117 1,113 1,114 1,114 0,001 Gambar 7 RMSE Dan MAPE Pada Data Testing
13 2020-01-17 1,114 1,114 1,109 1,109 1,114 0,005
14 2020-01-20 1,109 1,110 1,108 1,109 1,113 0,004
15 2020-01-21 1,110 1,112 1,108 1,108 1,112 0,004 Kemudian perhitungan pada training juga dilakukan
16 2020-01-22 1,108 1,110 1,107 1,109 1,111 0,002
17 2020-01-23 1,109 1,111 1,104 1,105 1,111 0,006
perhitungan dengan perumusan yang sama sehingga
18 2020-01-24 1,106 1,106 1,102 1,102 1,111 0,008 menghasilkan nilai sebagai berikut:
19 2020-01-27 1,102 1,104 1,101 1,102 1,110 0,008

no Date Open High Low Close nilai sma presentase

Gambar 6 Hasil Data Testing 1 2020-04-13 1,094 1,097 1,089 1,091 1,091 0,000
2 2020-04-14 1,091 1,099 1,090 1,098 1,090 -0,008
Langkah selanjutnya ialah menghitung nilai RMSE
3 2020-04-15 1,098 1,099 1,086 1,091 1,089 -0,002
(Root mean square error) dan nilai MAPE Untuk 4 2020-04-16 1,091 1,091 1,082 1,084 1,089 0,005
melihat kesalahan data terhadap nilai margin 5 2020-04-17 1,084 1,089 1,081 1,088 1,088 0,001
dengan jumlah data pada data testing sebanyak 73 6 2020-04-20 1,088 1,090 1,084 1,086 1,089 0,003
data 7 2020-04-21 1,086 1,088 1,082 1,086 1,090 0,004
8 2020-04-22 1,086 1,089 1,080 1,082 1,089 0,007
9 2020-04-23 1,082 1,085 1,076 1,078 1,089 0,012
10 2020-04-24 1,078 1,083 1,073 1,082 1,088 0,006
11 2020-04-27 1,081 1,086 1,081 1,083 1,086 0,004
Keterangan: 12 2020-04-28 1,083 1,089 1,081 1,082 1,086 0,004
13 2020-04-29 1,082 1,089 1,082 1,087 1,084 -0,003
yi = nilai aktual 14 2020-04-30 1,087 1,097 1,083 1,096 1,084 -0,012
15 2020-05-01 1,096 1,102 1,093 1,098 1,085 -0,013
y = nilai aktual 16 2020-05-04 1,098 1,098 1,090 1,091 1,086 -0,005
17 2020-05-05 1,091 1,093 1,083 1,084 1,086 0,003
n = jumlah data 18 2020-05-06 1,084 1,085 1,078 1,079 1,086 0,007
19 2020-05-07 1,080 1,084 1,077 1,083 1,086 0,003
20 2020-05-08 1,083 1,088 1,081 1,084 1,086 0,002
RMSE 2,057
MAPE 0,60%
keterangan:
Gambar 8 RMSE Dan MAPE Pada Data Testing
yi = nilai aktual
Kemudian pada gambaran keseluruhan data pada
y = nilai aktual metode SMA(Simple Moving Average) digambarkan
dalam bentuk chart atau grafik dalam bentuk grafik
batang Candlestisk. Pada rentang waktu januari 2020
– mei 2020
Gambar 9 Diagram Grafik Metode SMA
Setelah itu pada metode SVM terlebih dahulu
mencari nilai Weight dan Bias pada data testing
dengan bantuan software rapidminer sehingga
didapatkan nilai perhitungan adalah sebagai berikut:
tabel 1.1Variabel Data Testing
Nama variabel Nilai variabel
nilai prediksi klasifikasi terhadap nilai klasifikasi
aktual dilihat dan dihitung dari data klasifikasi yang
muncul pada masing – masing dengan syarat
perumusan jika:
Akurasi = TP + TN/ TP+TN+FP+FN
TN = jika prediksi(negatif) = aktual (negatif)
FP = jika prediksi(negatif) = aktual (positif)
FP = jika prediksi(positif) = aktual(negatif)
TP = jika prediksi(positif) = aktual(positif)
Sedangkan perhitungan pada class precision dengan
ketentuan rumus:
Negative = TN/ TN + FN
Positif = TP/ TP + FP
Perumusan Pada class recall:
Negatif = TN/ TN + FN
Positif = TP/ TP + FN
Akurasi = 0 + 37/0 + 37 + 0 +35

Weight (Open) 0.128 = 0,37 x 100 (jadikan persen)

= 37%
Weight (Close) -0.867
Class precision(negative) = 0/0 +0 = 0
Bias 1.206 Class precision(positif) = 37/37+35
=0,514 x 100(dijadikan persen)

Selanjutnya menghitung nilai confusion matrix yaitu = 51,4%

mencari/mengukur mengukur keakuratan performa
nilai prediksi terhadap nilai aktual pada data. nilai
prediksi SVM dan nilai klasifikasi yang berguna
untuk pelabelan data.
tabel 1.2 Tabel Confusion Matrix
Class recall (negative) = 0/0 +35 = 0%
Sehingga didapatkan hasil perumusan confusion
matrix pada data testing adalah sebagai berikut :
tabel 1.3 Confusion Matrix Data Testing

akurasi True True Class precision Akurasi:37% True Negatif True Class

Negatif positif positif precision

Pred.negatif TN FN negatif Pred.negatif 0 0 0%

Pred.positif FP TP positif Pred.positif 35 37 51,4%

Class recall negatif positif Class recall 0% 100%

Jika dilihat kedua data baik data recall maupun Akurasi = 129 + 0 / 129 + 0 + 164 + 0
presision menunjukan margin hasil yang besar,
langkah selanjutnya penulis menggunakan nilai pada = 0,44 x 100 (dijadikan persen)
rumus f-1 score yang berguna untuk melihat = 44%
informasi temu kembali yang mengkombinasikan
recall dan precission. Class precision(negative) = 129/(129 + 124)
=129/293
F1 = 2 x (precision x recall) / (precision + recall)
= 0,44 x 100 (dijadikan persen)
F1 = 2 x ( 51,4% x 100%) / ( 51,4% + 100%)
= 44%
Sehingga menghasilkan hasil sebagai berikut:
Class precision(positif) = 0/0 + 0 = 0%
F1 = 67,9%
Class recall (negative) = 129/(129+0) = 1 x 100
Selanjutnya perhitungan yang sama juga dilakukan (dijadikan persen)= 100%
terhadap nilai pada data training yang mencari nilai
Class recall (positif) = 0 / 0 + 164 = 0%
variabel nilai weight dan nilai bias dengan bantuan
apikasi rapid miner dan menghitung nilai confusion Kemudian hasil perhitungan dibuat dengan tabel
matrix dengan f-1 score jika dibutuhkan sehingga sehingga menghasilkan data sebagai berikut :
menghasilkan hasil akhir adalah sebagai berikut:
tabel 5 Confusion Matrix Data Training
tabel 1.4 Variabel Data Training
Akurasi:44% True True Class
Nama variabel Nilai variabel
Negatif positif precision
Weight (Open) 0.128
Pred.negatif 129 164 44%
Weight (Close) -0.867
Pred.positif 0 0 0%
Bias 1.206
Class recall 100% 0%
Kemudian dilakukan perhitungan yang sama pada
nilai confusion matrix dan mencari setiap data pada Jika dilihat, hasil akhir yang tampil mengeluarkan
dengan perumusan sebagai berikut : pola yang sama terhadap data testing, sehingga
Akurasi = TP + TN/ TP+TN+FP+FN penulis menggunakan rumusan fi-score pada data
training sehingga menghasilkan nilai adalah sebagai
TN = jika prediksi(negatif) = aktual (negatif) berikut :
FP = jika prediksi(negatif) = aktual (positif) F1 = 2 x (precision x recall) / (precision + recall)
FP = jika prediksi(positif) = aktual(negatif)
F1 = 2 x ( 44% x 100%) / ( 44% + 100%)
TP = jika prediksi(positif) = aktual(positif)
F1 = 67,9%
Sedangkan perhitungan pada class precision dengan
ketentuan rumus: 5.KESIMPULAN

Negative = TN/ TN + FN Penelitian ini menghasilkan sebuah

kesimpulan pada nilai prediksi yang dihasilkan dari
Positif = TP/ TP + FP metode SVM (Suport Vector Machine) dan SMA
Perumusan Pada class recall: (Simple Moving Average) menghasilkan nilai
prediksi pada metode SMA terhadap data training
Negatif = TN/ TN + FN
nilai RMSE sebesar: 0.804, nilai MAPE: 7.216%
Positif = TP/ TP + FN dengan bobot status “sangat baik”, kemudian pada
metode SVM menghasilkan nilai prediksi akurasi [4]Eka patriya.2020.implementasi Support Vector
pada data testing: 37%, nilai f-1 score :67,9%, lalu Machine Pada Prediksi Harga Saham
pada data training menghasilkan nilai akurasi: 44%, Gabungan(IHSG). Depok: Gunadarma.
nilai f-1 score:61.1%. dari jumlah nilai yang sudah [5]Mutmainah Ayu,Widodo Edi. 2018.
dihasilkan, penulis berkesimpulan pada metode “APPLICATION OF SUPPORT VECTOR
SMA menghasilkan bobot nilai yang sempurna yaitu MACHINE (SVM) METHODS ON STOCK PRICE
<10% yang artinya akurasi prediksi yang dihasilkan FORECASTING OF PT TELEKOMUNIKASI
mendekati nilai aktual, sementara itu pada metode INDONESIA TBK.”. Seminar Nasional
SVM pada kedua pembagian data (data training dan Edusainstek.
testing) menunjukan hasil akurasi yang tidak terlalu
[6] Agus Wibowo. 2017. Investasi Valuta Asing.
baik, dengan mencatatkan hasil akurasi <70%. Pada Jakarta:Andi Publisher
penyelesaian masalah penelitian ini menghasilkan
metode SMA menjadi metode dengan nilai akurasi [7] Novian Anggis Suwastika, Praditya Wahyu W,
terbaik dan dapat menjadi parameter dalam sistem Tri Broto Harsono 2015. Model Prediksi simple
keputusan trader terhadap pasangan mata uang moving average pada auto-scalling cloud
.bandung.universitas telkom
EURUSD ini
[8] Naufal, M. F. 2017. “peramalan Jumlah
5.1 Saran Wisatawan Mancanegara yang Datang ke
Penulis menyadari bahwa penelitian ini masih Indonesia Berdasarkan Pintu Masuk Menggunakan
sangat jauh dari kata sempurna, oleh karenanya Metode Support Vector Machine (SVM).,”.
penelitian ini masih membutuhkan saran serta
masukan dari berbagai pihak agar dapat memberikan
saran dan masukan yang membangun agar nantinya
penelitian ini dapat dikembangan dan berguna bagi
banyak pihak. Penelitian ini masih dapat
dikembangkan pada takaran penelitian yang jauh
lebih baik dengan memperhatikan saran berikut ini :
1. Dapat menggunakan pasangan mata uang
lain/pair lain dalam objek nilai prediksi nya.
2. Metode SVM dapat menggunakan perhitungan
kernel trik/trick kernel dalam variabel
perhitungan pada metode SVM.
3. Dapat menggunakan pola metode yang lain
guna mencapai keakuratan nilai pada analisa
prediksi yang mendekati harga nilai aktual.
DAFTAR PUSTAKA
[1] Taufik Hidayat. 2011. Kamus Populer Istilah
Investasi. Jakarta:MediaKita
[2] Republik Indonesia. 1997. Undang-Undang
Republik Indonesia Nomor 32 Tahun 1997
tentang perdagangan berjangka komoditi. Jakarta:
Badan Pengawas Perdagangan Berjangka
[3] Enri, U. (2018). Optimasi Parameter Suppor
Vector Machine untuk Prediksi Nilai Tukar Rupiah
terhadap Dollar Amerika Serikat. Jurnal
GERBANG VOL.8 NO.1 , 65-72.