Penerapan Machine Learning untuk Meningkatkan Prediksi Mata Uang Forex dengan Indikator Teknikal

Abdillah Baradja; Sukoco Sukoco; Tri Irianto  Tjendrowasono

doi:10.55382/jurnalpustakaai.v2i1.700

Penulis

Abdillah Baradja Universitas Surakarta
Sukoco Universitas Surakarta
Tri Irianto Tjendrowasono Universitas Surakarta

DOI:

https://doi.org/10.55382/jurnalpustakaai.v2i1.700

Kata Kunci:

Machine Learning, Prediksi Forex, Indikator Teknikal, Gradient Boosting Machine, Analisis Teknikal, MACD, RSI, Bollinger Bands

Abstrak

Dalam era digital saat ini, pemanfaatan machine learning dalam perdagangan Forex menjadi semakin relevan, terutama untuk meningkatkan akurasi prediksi nilai tukar mata uang. Penelitian ini bertujuan untuk mengeksplorasi penerapan machine learning, khususnya model Gradient Boosting Machine (GBM), yang diintegrasikan dengan indikator teknikal sebagai metode untuk meningkatkan prediksi mata uang Forex. Metode penelitian ini melibatkan penggunaan indikator teknikal utama seperti Moving Average Convergence Divergence (MACD), Relative Strength Index (RSI), dan Bollinger Bands, yang diintegrasikan ke dalam model GBM untuk memprediksi pergerakan harga. Hasil dari penelitian ini menunjukkan bahwa model GBM yang diintegrasikan dengan indikator teknikal signifikan meningkatkan akurasi, presisi, recall, dan nilai F1 dibandingkan dengan model baseline. Temuan ini menegaskan bahwa kombinasi antara machine learning dan analisis teknikal menyediakan pendekatan yang lebih efektif dan adaptif dalam prediksi pasar Forex.

Unduhan

Data unduhan belum tersedia.

Referensi

Bao, W., Yue, J., & Rao, Y. (2017). A deep learning framework for financial time series using stacked autoencoders and long-short term memory. PLOS ONE, 12(7), e0180944. https://doi.org/10.1371/journal.pone.0180944

Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259-268. https://doi.org/10.1016/j.eswa.2014.07.040

Tsantekidis, A., Passalis, N., Tefas, A., Kanniainen, J., Gabbouj, M., & Iosifidis, A. (2017). Forecasting stock prices from the limit order book using convolutional neural networks. Proceedings of the IEEE Conference on Business Informatics (CBI), 1, 7-12. https://doi.org/10.1109/CBI.2017.80

Investopedia. (2021). Technical analysis strategies for beginners. Retrieved Oktober 8, 2021, from https://www.investopedia.com/trading/technical-analysis-strategies-for-beginners/

Machine Learning Mastery. (2020). How to develop LSTM models for time series forecasting. Retrieved Oktober 8, 2021, from https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/