Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Akurasi Algoritma k-Nearest Neighbor dalam Memprediksi Nilai Kurs Rupiah terhadap Dolar Amerika Serikat
Winnie Anggraeni Kusumayanti (2017) | Skripsi | Teknik Informatika , Teknik Komputer
Bagikan
Ringkasan
Para pelaku forex ditantang untuk bisa membuat prediksi forex harian agar bisa melakukan transaksi penjualan atau pembelian pada waktu yang tepat. Dengan prediksi, pelaku pasar forex bisa memperkecil kemungkinan mengalami kerugian yang besar dan membuka peluang untuk meraih keuntungan. Sebelumnya, penelitian Kurniati Putri dan kawan-kawan [9] telah membuktikan bahwa algoritma data mining klasifikasi dapat memprediksi forex harian dengan menggunakan algoritma Decision Tree C5.0. Penelitian ini bertujuan untuk mengimplementasi salah satu algoritma data mining klasifikasi, yaitu k-Nearest Neighbor (kNN), dalam memprediksi kurs jual-beli JISDOR USD-IDR. Klasifikasi akan dikategorikan sebagai nilai "naik", "tetap"�, atau "turun"� sedangkan jumlah datanya adalah data kurs jual dan beli JISDOR USD-IDR selama 3 tahun. Sebagai hipotesa, tingkat keberhasilan prediksi diperoleh dengan membandingkan hasil prediksi dengan hasil dari penelitian Kurniati Putri dan kawan-kawan. Berdasarkan hasil pengujian, penelitian Kurniati Putri dan kawan-kawan menghasilkan akurasi tertinggi kurs beli di 85,71% dan akurasi kurs jual di 86,67%. Penelitian dengan algoritma kNN menggunakan 3 metode yaitu menggunakan (a) "Use Data Training Set"� dan (b) "Percentage split" yang terbagi atas dua pemisahan data training dan data uji sebagai berikut: (b1) 70% data training:30% data uji dan (b2) 80% data training:20% data uji. Dengan data selama 3 tahun, metoda (a) menghasilkan akurasi lebih tinggi daripada penelitian Kurniati Putri dan kawan-kawan yaitu pada 93.60% untuk masing-masing kurs jual dan kurs beli. Sedangkan metode (b) menghasilkan akurasi lebih tinggi ketika dilakukan percobaan menggunakan jumlah data yang sama dengan yang dilakukan Kurniati Putri dan kawan-kawan (yaitu data selama satu bulan) dimana akurasi tertinggi kurs beli untuk metoda (b1) sebesar 100% dan kurs jual untuk metoda (b2) sebesar 83.33%. Tetapi, jika menggunakan metoda (b) dengan data selama 3 tahun, akurasi dari penelitian dengan algoritma kNN memiliki nilai paling tinggi ketika menggunakan metoda (b2) yaitu dengan akurasi kurs beli dan kurs jual di 58.50%. Dari hasil eksperimen di atas, hipotesa penelitian ini terbukti sebagian. Kata Kunci: Data Mining, k-Nearest Neighbor, algoritma klasifikasi, prediksi foreign exchange (forex).
Ringkasan Alternatif
The forex players are challenged to be able to make daily forex predictions in order to make a sale or purchase transactions at the right time. Predictions could reduce the possibility of large losses and increase profits. Previously, Kurniati Putri et al's research [9] have proven that classification algorithm in data mining can make daily forex predictions by using Decision Tree C5.0 algorithm. This research aims to implement one of the classification algorithms in data mining which is k-Nearest Neighbor (kNN) in predicting selling and buying JISDOR USD-IDR rates. Classification will be categorized as "Naik (Increase)", "Tetap (Fixed)", or "Turun (Decrease)" and data used are data of selling and buying JISDOR USD-IDR rates for 3 years. As the hypothesis, the prediction success rate is obtained by comparing the predicted results with the results of the Kurniati Putri et al's research. Kurniati Putri et al's research result produces the highest accuracy at 85.71% for the buying rates and 86.67% for the selling rates. Meanwhile, kNN algorithm research uses three methods which are (a) "Use Data Training Set"� and (b) "Percentage split" which divided to two splitting of training data and test data: (b1) 70% training data: 30% test data and (b2) 80% training data: 20% test data. With 3 years of data, method (a) produces higher accuracy than Kurniati Putri et al's research with the highest accuracy at 93.60% for each of selling and buying rates. Meanwhile, method (b) produces higher accuracy when performing experiments using the same amount of data with Kurniati Putri et al's research (data for a month) where the highest accuracy for buying rates produced by method (b1) at 100% and the highest accuracy for selling rates produced by method (b2) at 83.33%. However, when using method (b) with 3 years of data, the kNN algorithm research has the highest accuracy when using method (b1) at 58.50% for each of selling and buying rates. Based on the experiment result above, the experiments is partly proved. Keywords: Data Mining, k-Nearest Neighbor, classification algorithm, foreign exchange (forex) prediction.