IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK KLASIFIKASI NILAI TUKAR EURO DAN DOLLAR SECARA REAL-TIME
DOI:
https://doi.org/10.70248/jcsit.v3i4.4408Keywords:
EUR/USD, Machine Learning, Multi-Timeframe, Random Forest, Real-Time PredictionAbstract
Penelitian ini membahas pengembangan sistem prediksi pergerakan nilai tukar pasangan mata uang EUR/USD berbasis situs web dengan menerapkan algoritma Random Forest. Aliran data awal yang digunakan merupakan riwayat harga Open, High, Low, Close, Volume (OHLCV) yang ditarik secara realtime sejak tahun 2021 melalui API MetaTrader 5. Permasalahan utama penelitian adalah tingkat volatilitas pasar valuta asing yang ekstrem sehingga menyebabkan kerugian bagi pelaku pasar ritel akibat pengambilan keputusan yang subyektif. Penelitian ini bertujuan membangun sistem komputasi cerdas dua tahap (Two-Stage Machine Learning) yang mampu mengklasifikasikan arah tren (Naik, Turun, Stabil) dan mengestimasi target jarak pergerakan dalam satuan pips. Variabel yang digunakan mencakup 14 fitur teknikal dari tiga kerangka waktu (M15, H1, H4). Tahapan penelitian meliputi pengumpulan data, rekayasa fitur (feature engineering), penyelarasan waktu (backward merging), pelatihan model Random Forest Classifier dan Regressor, implementasi dashboard website, serta pengujian fungsionalitas waktu nyata (real-time). Pengujian model klasifikasi dievaluasi melalui dua skenario batas toleransi (threshold), yakni 3 pips dan 17 pips. Hasil evaluasi menunjukkan bahwa skenario 17 pips menghasilkan akurasi sebesar 85,28% untuk 1 jam ke depan, namun rentan terhadap class imbalance karena didominasi oleh tebakan kelas stabil. Sebaliknya, penerapan batas 3 pips dipilih untuk menjaga keseimbangan deteksi (balanced detection) pada pergerakan tren yang aktif, meskipun akurasi keseluruhannya berada pada 47,80%. Pemilihan batas 3 pips ini juga ditujukan sebagai baseline pengujian, dengan menyadari perlunya penyesuaian lebih lanjut terhadap spread dan slippage pada transaksi perdagangan riil. Sistem regresi mencapai Mean Absolute Error (MAE) sebesar 4,33 pips. Sistem yang dibangun mampu membantu pelaku pasar mendapatkan rekomendasi prediksi target secara terstruktur dan objektif
References
Andhika Pratama, Tasya Haenilah, Amar Azhari, & Feronica Simanjorang. (2023). Pasar Valuta Asing. JURNAL RISET MANAJEMEN DAN EKONOMI (JRIME), 1(3), 132–138. https://doi.org/10.54066/jrime-itb.v1i3.326
Asic. (2026). Report REP 828 RISKY BUSINESS: DRIVING CHANGE IN CFD ISSUERS’ DISTRIBUTION PRACTICES.
Baradja, A. (2023). Pemanfaatan Recurrent Neural Network (RNN) Untuk Meningkatkan Akurasi Prediksi Mata Uang Pada Forex Trading. In Journal of Software Engineering Ampera (Vol. 4, Number 2). https://journal-computing.org/index.php/journal-sea/index
Beliarding Sucahyo, C., Qoyyum Rizqini, F., Naufal, A., Yandratama, H., Ash Shiddiqy, J., Bella Putra Utama, A., Susetyo Fanany Putri, N., & Prasetya Wibawa, A. (2024). Performance analysis of random forest on quartile classification journal. Applied Engineering and Technology, 3(1), 1–15. https://doi.org/10.3176/aet.v3i1.1189
El Mahjouby, M., Taj Bennani, M., Lamrini, M., Bossoufi, B., Alghamdi, T. A. H., & El Far, M. (2024). Machine Learning Algorithms for Forecasting and Categorizing Euro-to-Dollar Exchange Rates. IEEE Access, 12, 74211–74217. https://doi.org/10.1109/ACCESS.2024.3404824
Fadillah Fadillah, Adelliya Syahkilah, Aisyah Amrina Rosyada, Dwi Hasmidyani, & Muhammad Akbar Budiman. (2025). Valuta Asing: Peran dan Fungsinya dalam Sistem Pembayaran Internasional. Jurnal Penelitian Ekonomi Manajemen Dan Bisnis, 4(2), 136–142. https://doi.org/10.55606/jekombis.v4i2.5165
Guyard, K. C., & Deriaz, M. (2024). Predicting Foreign Exchange EURUSD direction using machine learning. ACM International Conference Proceeding Series, 1–9. https://doi.org/10.1145/3696271.3696272
Hidayat, I., Akbar, L. A. S. I., & Rachman, A. S. (2024). Prediksi Nilai Tukar Mata Uang Menggunakan Algoritma Long Short-Term Memory dan Random Forest. Journal of Computer System and Informatics (JoSYC), 6(1), 107–116. https://doi.org/10.47065/josyc.v6i1.6200
Mohamed Adil Khalifa. (2025). Machine Learning Forecasting of EUR/USD Trends with Qualitative Cross-Validation from Institutional Reports. European Journal of Business and Management. https://doi.org/10.7176/ejbm/17-4-06
Nuraulia Maruf, G., Wahyu, A., Mulyana, A., Prasetyo Utomo, H., Sandi Firmansyah, H., Karapitan No, J., Lengkong, K., Bandung, K., & Barat, J. (2025). PREDIKSI TREN HARGA EMAS TERHADAP DOLAR (XAU/USD) PADA METATRADER 5 MENGGUNAKAN RANDOM FOREST (Vol. 8, Number 2). Cetak. http://e-journal.stmiklombok.ac.id/index.php/jire
Oyemade, D. A., & Enebeli, D. (2021). A Dynamic Level Technical Indicator Model for Oil Price Forecasting.
Pahlevi, M. R. (2023). Prediksi Harga Forex Menggunakan Algoritma Long Short-Term Memory. JNANALOKA, 69–76. https://doi.org/10.36802/jnanaloka.2022.v3-no2-69-76
Thao, N. N., Nguyen, H.-Cuc., Mach, B.-Ngoc., Thuan, D. D., Quynh, T. T. N., Huong, T. T., Chi, D. T. K., & Nguyen, T. Q. (2024). Unlocking Forex Market Trends: Advanced Predictive Modeling with Tree Ensembles. https://doi.org/10.21203/rs.3.rs-4231598/v1
Wang, H. (2023). Research on the Application of Random Forest-based Feature Selection Algorithm in Data Mining Experiments. In IJACSA) International Journal of Advanced Computer Science and Applications (Vol. 14, Number 10). www.ijacsa.thesai.org
Zahwa, N. A., Tri, R., Panggabean, T., Matondang, K. A., & Indriani, R. (2023). PASAR VALUTA ASING DAN SISTEM NILAI TUKAR. https://journal.cattleyadf.org/index.php/Jasmien/index
