dengan pola trend yang dibentuk pasar forex. Untuk pemodelan chart statistic dapat dilihat pada gambar 3.1.
Gambar 3.1 Chart Statistic Forex Euro Terhadap Dollar Amerika 2005 sd 2013
Kemudian data akan dikelompokkan menjadi data pelatihan training dan data pengujian testing. Data training yang digunakan adalah data histori harian
pergerakan harga forex euro terhadap dollar Amerika dari tanggal 3 Januari 2005 s.d. 31 Desember 2010. Sedangkan untuk data testing yang akan digunakan adalah data
histori pergerakan forex euro terhadap dollar Amerika dari tanggal 1 Januari 2011 s.d. 31 Desember 2013.
3.3 Analisis Teknikal Prediksi Forex Menggunakan Backpropagation
Sistem prediksi trend forex menggunakan metode backpropagation berdasarkan runtun waktu data dimasa lalu dapat digunakan untuk melakukan analisis teknikal
forex. Sistem akan menerima lima variable input yakni harga pembuka, harga tertinggi, harga terendah, harga penutupan dan volume. Data-data tersebut akan
dinormalisasi dan diklasifikasi yang kemudian akan diproses dengan menggunakan
0.2 0.4
0.6 0.8
1 1.2
1.4 1.6
1.8
20000 40000
60000 80000
100000 120000
140000 160000
180000 200000
2 5
.0 1
.0 3
2 5
.0 6
.0 1
2 5
.1 .2
8 2
6 .0
3 .2
8 2
6 .0
8 .2
4 2
7 .0
1 .2
3 2
7 .0
6 .2
1 2
7 .1
1 .1
9 2
8 .0
4 .1
8 2
8 .0
9 .1
6 2
9 .0
2 .1
6 2
9 .0
7 .1
5 2
9 .1
2 .1
1 2
1 .0
5 .1
3 2
1 .1
.1 1
2 1
1 .0
3 .0
9 2
1 1
.0 8
.0 5
2 1
2 .0
1 .0
3 2
1 2
.0 5
.3 1
2 1
2 .1
.2 9
2 1
3 .0
3 .2
8 2
1 3
.0 8
.2 6
Volume Open
High Low
Close
Universitas Sumatera Utara
metode backpropagation hingga diperoleh hasil prediksi. Adapun gambaran algoritma dari metode backpropagation dapat dilihat pada gambar 3.2
Gambar 3.2 Flowchart Metode Backpropagation
Universitas Sumatera Utara
Pelatihan backpropagation dilakukan melalui langkah-langkah berikut ini :
1. Langkah ke-0 :
Inisialisasi bobot;
2. Langkah ke-1 :
Selama kondisi berhenti bernilai salah, kerjakan langkah 2-9;
3. Langkah ke-2 :
Untuk setiap data training dilakukan langkah 3-8;
Umpan maju feedforward 4.
Langkah ke-3 : Setiap unit input
? , = 1, … , menerima sinyal input dan menyebarkan sinyal tersebut keseluruh unit tersembunyi.
5. Langkah ke-4 :
Pada setiap unit tersembunyi , = 1, … , A, menjumlahkan sinyal-sinyal input
yang sudah berbobot termasuk biasnya
=
B
+ 2.22
lalu menghitung sinyal output dari unit tersembunyi dengan menggunakan fungsi aktivasi yang telah ditentukan :
= 2.23
sinyal output ini selanjutnya dikirim ke seluruh unit pada unit atas unit output.
6. Langkah ke-5 :
Tiap-tiap unit output C , = 1, … , D, menjumlahkan bobot sinyal input :
Universitas Sumatera Utara
=
E
+ 2.24
lalu menghitung sinyal output dari unit output bersangkutan menggunakan fungsi aktivasi yang telah ditentukan
= 2.25
sinyal output ini selanjutnya dikirim ke seluruh unit pada output.
Umpan mundurPropagasi error backpropagation of error 7.
Langkah ke-6 : Setiap unit output
C , = 1, … , D menerima suatu pola target yang sesuai dengan pola input pelatihan, untuk menghitung kesalahan error antara target
dengan output yang dihasilkan jaringan 2 = 9 −
F
_ 2.26
faktor 2 digunakan untuk menghitung koreksi error ∆ yang nantinya akan
dipakai untuk memprediksi dimana
∆ = 32
2.27 selain itu juga dihitung koreksi bias
∆
E
yang nantinya akan dipakai untuk memperbaiki
E
dimana ∆
E
= 32 2.28
faktor 2 kemudian dikirimkan ke lapisan yang berada pada langkah ke-7.
Universitas Sumatera Utara
8. Langkah ke-7
Setiap unit tersembunyi , = 1, … , A menerima input delta dari langkah ke-6
yang sudah berbobot
2 = 2
G
2.29 Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan
jaringan untuk menghitung informasi kesalahan error 2 dimana
2 = 2
_ F
_
2.30 Kemudian hitunglah koreksi bobot untuk memperbaiki
∆ = 32
2.31 Setelah itu hitung koreksi bias digunakan untuk memperbaiki
E
∆
E
= 32 2.32
Update bobot dan bias adjustment 9.
Langkah ke-8 : Setiap unit output
C , = 1, … , D memperbaiki bobot dan bias dari setiap unit tersembunyi
= 0, … , A
-HI = J-D- + ∆
2.33 Demikian pula untuk setiap unit tersembunyi
KL , = 1, … , AM akan memperbaharui bobot dan bias dari setiap unit input
= 0, … ,
Universitas Sumatera Utara
-HI = J-D- + ∆ 2.34
10. Langkah ke-9 :
Tes kondisi berhenti apabila error ditemukan. Jika kondisi stop telah terpenuhi maka pelatihan jaringan dapat dihentikan. Untuk memeriksa kondisi stop,
biasanya digunakan kriteria MSE Mean Square Error berikut ini : 567 = 0.5 ∗ {9 −
+ 9 − + 9
G
−
G
} 2.35
3.4 Perancangan Sistem