KP1712499711

Dari widuri
Lompat ke: navigasi, cari

PENGGALIAN DATA PANTAUAN PASAR VALUTA ASING


LAPORAN KULIAH KERJA PRAKTEK



Disusun Oleh:


NIM  : 1712499711
NAMA  : HANDY YULIUS


FAKULTAS SAINS DAN TEKNOLOGI

PROGRAM STUDI SISTEM INFORMASI

KONSENTRASI BUSINESS INTELLIGENCE

UNIVERSITAS RAHARJA

TANGERANG

TA. (2019/2020)


ABSTRAKSI

Pemantauan pasar valuta asing adalah hal yang biasa dilakukan pelaku pasar valuta asing. Terdapat setidaknya 28 pasang mata uang dalam setiap pemantauan dengan pasangan mata uang utama diantaranya AUD/USD, EUR/USD, GBP/USD, NZDUSD, USDCAD, USD/CHF dan USD/JPY. Sedikitnya 5 indikator teknis yang banyak digunakan seperti MA, MACD, RSI, Stochastic dan CCI disematkan pada 28 grafik pasangan mata uang untuk rentang waktu perdagangan tertentu, yang digunakan untuk analisa teknis pergerakan harga. Analisa tersebut menghasil pasangan mata uang apa saja untuk diperdagangkan. Namun kenyataannya, walaupun telah melakukan pemantauan secara seksama, pelaku pasar valuta asing seringkali menemukan pergerakan yang salah dan juga mengalami kesalahan analisa. Dimana kesalahan tersebut salah satunya karena hasil analisa pada satu rentang waktu perdagangan saja tanpa membandingkan dengan rentang waktu yang lain. Sehingga hasil analisa menjadi kurang presisi, lambat membuka dan menutup perdagangan, pendapatan keuntungan yang sedikit dan resiko kerugian yang besar. Data Mining atau penggalian data berdasarkan pantauan pasar valuta asing dapat menjadi pemecahan masalah. Dimana penggalian data tersebut dapat memberikan keadaan kondisi pasar terkini, analisa perubahan dan pergerakan harga, hingga memberikan rekomendasi pasangan mata uang untuk diperdagangkan, dalam satu wadah papan instrumen atau dashboard. Dengan penggalian data pantauan pasar valuta asing, menghasilkan analisa yang lebih presisi, membuka dan menutup perdagangan lebih awal, keuntungan perdagangan lebih besar dan resiko kerugian yang lebih sedikit.

Kata Kunci: Penggalian Data, Pasar Keuangan, Valuta Asing

ABSTRACT

Forex Market screener is a one of forex trader’s habit. At least 28 currency pairs on every screening which major currency pairs AUD/USD, EUR/USD, GBP/USD, NZDUSD, USDCAD, USD/CHF dan USD/JPY. Leastwise 5 technical indicators mostly used like MA, MACD, RSI, Stochastic dan CCI attached in each 28 pairs charts on certain time frame, to do technical analysis of price change and movement, that generate which currency pairs to trade. However, the fact, traders faced many false signals and miss analysis. One caused by single time frame analysis without comparing others, which less precision, late entry and exit signal, less profit and more loss risk. Data mining might a solution, where mined data would provide current and recent market condition, price change and movement analysis, the most suggestion pairs to trade, all in one dashboard. Forex market screener data mining resulting more precision analysis, early entry and exit signal, more profit and less loss risk.

Keywords : Data Mining, Forex, Financial Market

DAFTAR PUSTAKA

  1. Wanda, Rizal Loa. 2017. Model Sistem Peramalan Tingkat Kedisiplinan Mahasiswa Pada Perguruan Tinggi Raharja. Diambil dari: https://widuri.raharja.info/index.php?title=SI1322476037 (14 Maret 2020).
  2. Handayani, I., Rahardja, U., Febriyanto, E., Yulius, H., & Aini, Q. (2019, October). Longer Time Frame Concept for Foreign Exchange Trading Indicator using Matrix Correlation Technique. In 2019 Fourth International Conference on Informatics and Computing (ICIC) (pp. 1-5). IEEE.
  3. Hadi, Hamdy. Valas untuk Manajer (forex for manager). Jakarta: Ghalia Indonesia, 1997.
  4. Jose Rizal Joesoef, Pasar Uang dan Pasar Valuta Asing, Jakarta, PT. Salemba Empat, 2008.
  5. Eng, M.V., Lees, F.A., and Mauer, L.J., 1998, Global Finance, 2nd edition, Addison-Wesley, USA.
  6. Floyd A. Beams., Joseps H. Anthony., Robin P. Clement., & Suzanne H. Lowensohn. (2009). Akuntansi Lanjutan (Jilid 1, Edisi 9). Jakarta: Erlangga.
  7. Kuncoro, Mudrajad 1996. Manajemen Keuangan Internasional. Yogyakarta: BPFE.
  8. Madura, Jeff. 2000. Manajemen Keuangan Internasional. Jilid 1, Edisi Keempat. Jakarta: Erlangga.
  9. Salvatore, Dominick. Ekonomi Internasional. Jakarta: Erlangga, 1997.
  10. Margam, Girish. 2018. Difference between Fundamental Analysis and Technical Analysis. Diambil dari: https://medium.com/@margamgirish/difference-between-fundamental-analysis-and-technical-analysis-19b852c848c (14 Maret 2020).
  11. Trade, Have. 2018. Dealing Desk and No Dealing Desk Broker. Diambil dari: https://havetrade.com/blog/forex-broker/dealing-desk-and-no-dealing-desk-broker/ (14 Maret 2020).
  12. Hutahaean, Jeperson. 2014. Konsep Sistem Imformasi. Yogyakarta: Deepublish.
  13. Suraya, Ignatius. 2011. Olap Pendukung Sistem Keamanan Data Warehouse. Jurnal Manajemen Dan Teknologi Informatika Vol.2, No.1.
  14. Widyawati, Dewi Kania. 2012. Perancangan Struktur Data Warehouse Untuk Mendukung Perencanaan Pemasaran Produk Menggunakan Star Schema. Jurnal Ilmiah ESAI Vol.6 No. 3.
  15. Djahir, Y., dan Dewi Pratita. 2014. Bahan ajar sistem informasi manajemen. Yogyakarta: Deepublish.
  16. A. S., Rosa dan Shalahuddin, M. 2013. Rekayasa Perangkat Lunak Terstruktur Dan Berorientasi Objek. Bandung: Informatika.
  17. Yasin, Verdi. 2012. Rekayasa Perangkat Lunak Berorientasi Objek. Jakarta: Mitra Wacana Media.
  18. Khosrow-Pour, Mehdi. 2012. Dictionary of information science and technology. United States: Information Science Reference.
  19. Fakhroutdinov, Kirill. 2015. UML 2.5 Diagrams Overview. Diambil dari: https://www.uml-diagrams.org/uml-25-diagrams.html (14 Maret 2020).
  20. Puput Puspito Rini Dkk.2016. Rancangan Sistem Informasi Konversi Nilai Mahasiswa Pindahan Dan Lanjutan. Tangerang: STMIK Global. Jurnal Sisfotek Global Vol. 6 No 1.
  21. Dzalhaq, M. Iqba, Rahmat Tullah dan Putra Satia Nugara. 2017. Sistem Informasi Akademik Sekolah Berbasis Kurikulum 2013. Tangerang: dalam Jurnal Sisfotek Global. Vol.7 No.1.
  22. Amrullah, Agit, dkk. 2016. Kajian Kebutuhan Perangkat Lunak Sistem Informasi Penilaian Prestasi Kerja Pegawai Pada Fakultas Adab Dan Ilmu Budaya Universitas Islam Negeri Sunan Kalijaga Yogyakarta. Yogyakarta: Semnasteknomedia Online. Vol.4 No1.
  23. Prastomo, Andi. 2014. Prototipe Sistem E-Learning Dengan Pendekatan Elisitasi dan Framework Codeigniter: Studi Kasus SMP Yamad. Bekasi: Tesis Prototipe Sistem E-Learning. ISSN:1979-296X. http://journal.lppmunindra.ac.id/index.php/Faktor_Exacta/article/view/257 (02 April 2017).
  24. Nofriansyah, Dicky. 2014. Konsep Data Mining Vs Sistem Pendukung Keputusan. Yogyakarta: Deepublish.
  25. Fayyad, U., Shapiro, G. P., and Smyth, P. 1996. Data Mining to Knowledge Discovery in Databases. Diambil dari: https://infovis-wiki.net/wiki/Knowledge_Discovery_in_Databases_(KDD) (14 Maret 2020).
  26. Prasetyo, Eko. 2012. DATA MINING - Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: C.V ANDI OFFSET.
  27. Boetticher, G. D. (2006). Teaching financial data mining using stocks and futures contracts. Journal of Systemic, Cybernetics and Informatics, 3(3), 26-32.
  28. Hajizadeh, E., Ardakani, H. D., & Shahrabi, J. (2010). Application of data mining techniques in stock markets: A survey. Journal of Economics and International Finance, 2(7), 109-118.
  29. Priyadi, I., Santony, J., & Na'am, J. (2019). Data mining predictive modeling for prediction of gold prices based on dollar exchange rates, BI rates and world crude oil prices. Indonesian Journal of Artificial Intelligence and Data Mining, 2(2), 93-100.
  30. Baasher, A. A., & Fakhr, M. W. (2011, October). Forex trend classification using machine learning techniques. In Proceedings of the 11th WSEAS international conference on Applied computer science (pp. 41-47). World Scientific and Engineering Academy and Society (WSEAS).
  31. Thomas, J. D., & Sycara, K. (1999, July). The importance of simplicity and validation in genetic programming for data mining in financial data. In Proceedings of the joint AAAI-1999 and GECCO-1999 Workshop on Data Mining with Evolutionary Algorithms.
  32. Zhang, D., & Zhou, L. (2004). Discovering golden nuggets: data mining in financial application. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 34(4), 513-522.
  33. Hi'ovská, K., & Koncz, P. (2012). Application of Artificial Intelligence and Data Mining Techniques to Financial Markets. Economic Studies & Analyses/Acta VSFS, 6(1).
  34. PT. TopGrowth Futures. 2020. Tentang Topgrowth Futures. Diambil dari: https://topgrowthfutures.co.id/tentang-kami (14 Maret 2020).
  35. Prasetyo, Eko. 2014. DATA MINING - Mengelolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: C.V ANDI OFFSET.


Contributors

Handy.yulius

Diperoleh dari "https://widuri.raharja.info/index.php?title=KP1712499711&oldid=375779"