Proposal DCD - Victor Nugraha

1 Background

Opsi 1: Machine Learning to Support Decision Making On Stock Market
Opsi 2: Is today the right time for you to invest in stock?

Jika ditanya apakah hari ini anda sudah berinvestasi? Kebanyakan orang Indonesia pasti akan menjawab belum. Hal tersebut bisa terjadi dikarenakan kebanyakan masyarakat kurang paham akan pentingnya dan manfaat yang bisa di dapatkan dari investasi. Padahal jika yang dilakukan hanya dengan menabung, menabung saja tidak akan cukup karena adanya pengaruh dari inflasi dan rata-rata inflasi yang terjadi di Indonesia sampai dengan 5% per tahun, apakah bunga yang didapat dari menabung sudah bisa menutupi rata-rata inflasi yang terjadi? Jawabannya belum tentu, dikarenakan rata-rata bunga yang diberikan dari lembaga keungan di Indoensia sebesar 4%. Oleh karena itu investasi juga diperlukan agar nilai dari aset-aset yang dimiliki bisa bertumbuh tanpa khawatir tergerus oleh inflasi.

Pilihan investasi yang dapat dipilih juga beragam antara lain investasi pasar modal(contoh produknya adalah saham, reksa dana, obligasi/surat hutang, Exchange Traded Fund), investasi emas (contoh produknya adalah emas batangan, emas perhiasan) dan invetasi properti (contoh produknya adalah tanah, rumah, apartamen).

Dalam projek ini akan fokus ke investasi pasar modal yaitu saham. Saham dapat didefinisikan sebagai tanda penyertaan modal seseorang atau pihak (badan usaha) dalam suatu perusahaan atau perseroan terbatas. Dengan menyertakan modal tersebut, maka pihak tersebut memiliki klaim atas pendapatan perusahaan, klaim atas asset perusahaan, dan berhak hadir dalam Rapat Umum Pemegang Saham (RUPS). Akan tetapi tidak semua perusahaan di Indoensia bisa dibeli sahamnya karena tidak semua perusahaan dibuka secara umum, keputsan sebuah perusahaan ingin menjual sahamnya atau tidak merupakan keputusan sepihak dari perusahaan tersebut maka dari itu tidak semua perusahaan bisa dibeli sahamnya.

*Source: Instagram - @indonesiastockexchange

Pada 17 Feburari 2021 lalu, Bursa Efek Indonesia (BEI) menyatakan bahwa total investor saham di Indonesia sudah mencapai 2 juta Single Investor Identification (SID). Dari pernyataan BEI timbulah peratanyaan, apakah angka investor saham yang sudah mencapai 2 juta SID sudah banyak dari total penduduk Indonesia yang sampai dengan 270 juta? Jawabannya tentu saja tidak, karena itu hanya sekitar 0.8% dari total penduduk Indonesia. Hal tersebut bisa terjadi selain kurangnya pemahaman tentang pentingnya berinvestasi, dikarenakan kebanyakan masyarakat Indonesia merasa kesulitan untuk memahami teori analisa yang dibutuhkan ketika berinvestasi di saham.

Pada dunia saham ada dua teori analisa yang biasanya digunakan yaitu analisa fundamental dan analisa teknikan, pemahaman akan kedua teori tersebut memang sangat penting dikarenakan dari pemahaman teori analisa fundamental bisa mendapatkan infomasi saham apa yang masih layak untuk di investasikan dan dari pemahaman teori analisa teknikal bisa mendapatkan informasi kapan waktu yang tepat untuk membeli maupun menjual saham tersebut untuk mendapatkan keuntungan yang maksimal. Akan tetapi untuk memahami mengenai kedua teori tersebut tidak jarang membutuhkan waktu yang tidak singkat.

Projek yang akan dikerjakan ini akan menghasilkan sebuah prediksi yang dapat digunakan sebagai rekomendasi untuk para investor saham mengenai apakah hari ini adalah waktu yang tepat untuk membeli atau menjual saham yang sudah dikurasi berdasarkan hasil analisa teknikal. Harapannya projek ini dapat dimanfaatkan oleh broker (penyedia jasa untuk menghubungan investor dengan pasar modal) menjawab kesulitan ataupun keraguan masyarakat Indonesia untuk memulai berinvestasi di saham, selain untuk para investor pemula diharapkan juga projek ini dapat membantu para investor yang sudah berpengalaman.

2 Problem Statement

Keraguan para masyarakat Indonesia untuk berinvestasi di saham dikarenakan kurangnya pemahaman teori analisa yang diperlukan. Didalam dunia saham sendiri ada 2 tipe analsia yang dapat dilakukan yaitu analisa fundamental dan analisa teknikal.

• Analisa fundamental biasanya dilakukan paling pertama dengan membaca laporan keuangan dari badan usaha tersebut, dari laporan keuangan tersebut para investor bisa melihat performa badan usaha tersebut dari segi produk yang disajikan, aset yang dimiliki, keuntungan atau beban yang dirasakan dan mengenai kebijakan terkait selama periode waktu tertentu.
• Analisa teknikal adalah analisa lanjutan setelah memilih sebuah saham tertentu untuk di investasikan. Teknik analisis ini merupakan metode yang digunakan lewat pengamatan pola-pola data pada pasar saham. Pada praktiknya, analisis teknikal saham bakal mendorong investor untuk fokus dalam memperhatikan pergerakan harga pasar.

Dari penjelasan mengenai 2 teori yang diperlukan untuk melakukan analisa didalam dunia saham, analisa fundamental pastinya akan lebih mudah dilakukan karena seluruh masyrakat Indonesia dapat melakukan analisa dari laporan keuangan yang sudah dikurasi dengan rapi dan dapat diakses dengan mudah dari website badan usaha tersebut. Untuk mendapatkan informasi lebih mengenai badan usaha tersebut, selain melihat laporan keuangan para investor juga bisa membaca berita terakit mengenai badan usaha tersebut apakah sepak terjangnya cukup bagus. Dari informasi yang sudah didapatkan para investor bisa berfikir kritis untuk menentukan apakah saham tersebut masih layak untuk diintestasikan atau tidak

Sedangkan analisa teknikal lebih susah dilakukan dikarenakan analisa ini tidak semudah membaca laporan keungan yang sudah dituliskan secara rapi dan jelas seperti analisa fundamental karena tahapan ini memerlukan banyak indikator dan disetiap indikator membutuhkan perhitungan matematis yang berbeda dari pergerakan harga saham setiap harinya. Dengan pemahaman analisa ini para investor dapat menentukan kapan waktu yang tepat untuk membeli dan menjual saham untuk mendapatkan keuntungan yang maksimal.

Akan tetapi kebanyakan masyarkat Indonesia tidak berani berinvestasi disaham dikarenakan kurangnya pemahaman kedua analisa yang dibutuhkan terutama analisa teknikal, banyak yang berpendapat bahwa cukup mudah untuk menentukan saham apa yang bagus tapi sangat susah untuk menentukan kapan waktu yang tepat untuk menjual atau membeli saham tersebut karena tidak paham untuk melakukan analisa teknikal dan sudah takut diawal sebelum mempelajarinya karena mengetahui banyak rumus dan teori yang harus dipahami.

3 Problem Scope

Pada projek ini akan menarik data dari Yahoo Finance dengan menggunakan fungsi tq_get() dari library tidyquant.

Dibawah ini adalah 5 sektor saham berserta pilihan saham apa saja yang akan dipilih salah satunya untuk masing-masing sektor:
- Sektor Bank: Bank Rakyat Indonesia (BBRI.JK), Bank Central Asia (BBCA.JK), Bank Mandiri (BMRI.JK), Bank Tabungan Pensiunan Negara(BTPN.JK), Bank Jago (ARTO.JK).
- Sektor Telekomunikasi: Telkom Indonesia (TLKM.JK),XL Axiata (EXCL.JK), Smartfren Telecom (FREN.JK), Indosat (ISAT.JK).
- Sektor Makanan & Minuman: Indofood (INDF.JK), Unilever (UNVR.JK), Japfa Comfeed Indonesia (JPFA.JK), Mayora (MYOR.JK), Ultrajaya Milk Industry (ULTJ.JK).
- Sektor Farmasi: Kalbe Farma (KLBF.JK), Sido Muncul (SIDO.JK), Kimia Farma (KAEF.JK), Indofarma (INAF.JK).
- Sektor Infrastruktur: Waskita Karya (WSKT.JK), Wijaya Karya (WIKA.JK), Adhi Karya (ADHI.JK), Bukit Asam (PTBA.JK), Pembangungan Perumahan (PTPP.JK).

Pemilihan 5 sektor saham diatas berdasarkan potensi yang ditawarkan dalam jangka panjang maupun pendek ditambah juga dengan pertimbangan ke 5 sektor tersebut merupakan sektor yang memberikan kebutuhan yang tidak dapat dilepaskan dari masyrakat Indonesia. Untuk pemilihan sahamnya sendiri sudah dikurasi untuk mengambil saham-saham dari perusahaan yang sudah terbukti sepak terjangnya di Indonesia, dari saham-saham per-sektornya nanti akan dicari lagi manakah saham yang paling baik sebagai perwakilan dari sektor tersebut.

Dari nama saham-saham diatas akan mengandung informasi sebagai berikut:
- symbol: singkatan/simbol dari stock yang akan diprediksi.
- date: histori tanggal harga stock.
- open: posisi harga saham per lembarnya pada saat pembukaan yang terjadi pada hari tersebut.
- high: posisi harga saham per lembarnya pada tertinggi yang terjadi pada hari tersebut.
- low: posisi harga saham per lembarnya pada terendah yang terjadi pada hari tersebut.
- close: posisi harga saham per lembarnya pada terakhir yang terjadi pada hari tersebut.
- volume: total jumlah volume yang ada pada hari tersebut.
- adjusted: sama dengan posisi harga saham per lembarnya pada terakhir yang terjadi pada hari tersebut tapi disesuaikan dengan pembagian deviden yang berlaku.

Untuk kebutuhan membuat model, setelah mendapatkan 8 infromasi diatas untuk masing-masing saham dari Yahoo Finance, ada beberapa hal lagi yang dilakukan untuk mendapatkan target variable yang merupakan label Buy, Hold atau Sell. Proses untuk mendapatkan target variable yang diinginkan berdasarkan hasil analisa teknikal yang akan dilakukan di bagian Exploratory Data Analysis dibagian bawah nanti.

4 Project Idea

Ide dari permasalahan yang ada adalah mengembangkan sebuah model machine learning yang dapat melakukan klasifikasi apakah hari ini saat yang tepat untuk “Buy”, “Sell” atau “Hold” saham tertentu berdasarkan hasil dari beberapa teknikal analisis, hasil klasifikasi dari model yang dibuat dapat dimanfaatkan oleh para investor terutama investor baru untuk mengambil keputusan kapan harus membeli ataupun menjual saham tertentu agar mendapatkan keuntung semaksimal mungkin.

5 Output

Output yang akan dihasilkan berupa dashboard yang akan dibuat dengan R Shinny. Dashboard tersebut akan berisikan 2 bagian yaitu bagian Prediction dan Simulation.

Bagian Prediction:

Pada bagian prediction akan menampilkan inti dari tujuan projek ini yaitu berupaa rekomendasi dari hasil prediksi apakah hari ini harus “Buy”, “Sell” atau “Hold” saham tersebut berdasarkan beberapa analisa teknnikal yang dilakukan dan akan disimpulkan dengan barometer. Dibagian ini juga akan menampilkan pergerakan harga saham dalam bentuk grafik berserta dengan tambahan informasti mengenai saham tersebut.

*Dashboard bagian prediction

Bagian Simulation:

Pada bagian simulation akan menunjukan manfaat yang didaptkan jika menggunakan machine learning untuk prediksi berdasarkan analisa teknikal yang akan dibandingkan tanpa menggunakan machine learning dan analisa teknikal apapun.

*Dashboard bagian simulation

6 Business Impact

Projek ini dapat dikembangkan untuk memberikan manfaat kepada 3 pihak, yaitu broker, investor dan negara.
- Broker dapat memanfaatkan projek ini sebagai salah satu fitur untuk menarik para investor baru untuk berinvestasi saham.
- Investor(individu) dapat memanfaatkan projek ini untuk mendapatkan penghasilan tambahan untuk menghadapi inflasi.
- Negara juga akan mendapatkan manfaat dari projek in karena dengan bertambahnya jumlah investor, maka semakin banyak juga pendapatan negara tersebut.

7 Data Preparation

7.1 Library Setup

library(rsconnect)

#data cleanup
library(tidyverse)
library(lubridate)

#data visualizaion
library(ggplot2)
library(plotly)
library(glue)

#data collection
library(quantmod)
library(tidyquant)

#data processing
library(TTR)

#cross validation
library(rsample)
library(UBL)
library(imbalance)
library(caret)

#model
library(partykit)
library(stats)
library(e1071)

7.2 Data Collection

Untuk mengambil data saham yang diinginkan bisa menggunakan fungsi tq_get(), akan tetapi jika menggunakan fungsi ini data yang didatpakan tidaklah aktual melainkan data H-1.

Pada awalnya peenarikan data untuk masing-masing sahamnya akan diambil pada bulan April 2020 karena pada saat pandemic covid-19 semua harga terjadi penurunan yang cukup dalam pada akhir bulan Maret 2020 akan tetapi jika hanya menggunakan data dari bulan April 2020 sampai sekarang target variable yang akan didapat hanya sedikit, oleh karena itu masing-masing saham datanya kan diambil dari awal tahun 2018 sampau dengan sekarang.

NB: UNTUK KEBUTUHAN PROPOSAL HANYA AKAN MENARIK DATA DARI SATU SEKTOR DAN SATU SAHAM SAJA

Sektor Bank: BRI

bbri <- tq_get(x = "BBRI.JK", #Nama saham 
               get = "stock.prices", #"stock.prices" berarti mengambil dari Yahoo Finance
               from = " 2018-01-01") #Dari kapan data itu ingin diambil

head(bbri)

#Cek missing value
colSums(is.na(bbri))

##   symbol     date     open     high      low    close   volume adjusted 
##        0        0        1        1        1        1        1        1

#Menghilangkan missng value
bbri <- bbri %>% 
  drop_na()

colSums(is.na(bbri))

##   symbol     date     open     high      low    close   volume adjusted 
##        0        0        0        0        0        0        0        0

#Cek tipe data
glimpse(bbri)

## Rows: 880
## Columns: 8
## $ symbol   <chr> "BBRI.JK", "BBRI.JK", "BBRI.JK", "BBRI.JK", "BBRI.JK", "BBRI.~
## $ date     <date> 2018-01-01, 2018-01-02, 2018-01-03, 2018-01-04, 2018-01-05, ~
## $ open     <dbl> 3640, 3690, 3630, 3610, 3550, 3590, 3600, 3580, 3540, 3550, 3~
## $ high     <dbl> 3640, 3720, 3630, 3610, 3590, 3590, 3600, 3590, 3540, 3580, 3~
## $ low      <dbl> 3640, 3610, 3560, 3460, 3520, 3560, 3530, 3500, 3480, 3500, 3~
## $ close    <dbl> 3640, 3630, 3610, 3550, 3590, 3590, 3570, 3530, 3540, 3540, 3~
## $ volume   <dbl> 0, 91127100, 70148700, 156406300, 87095600, 54559100, 9060670~
## $ adjusted <dbl> 3205.443, 3196.637, 3179.025, 3126.188, 3161.413, 3161.413, 3~

Dari hasil observasi pengecekan tipe data, tidak ada tipe data yang harus diubah (kolom symbol bisa diubah menjadi tipe data faktor), dan sudah tidak ada kolom yang mengandung missing value. Data saham dari Bank Rakyat Indonesia sudah siap untuk olah lebih lanjut di EDA.

8 Exploratory Daya Analysis

Pada tahapan EDA akan ada dua hal yang dilakukan yaitu pembuatan grafik untuk memperlihatkan pergerakan harga saham per harinya dan tahapan kedua adalah melakukan analisa teknikal untuk mendapatkan target variable yang berupa label Buy, Hold atau Sell.

NB: UNTUK KEBUTUHAN PROPOSAL HANYA AKAN MELAKUKAN EDA DARI SATU SEKTOR DAN SATU SAHAM SAJA

8.1 Chart

Grafik yang akan ditampilkan di dashboard akan ada dua varian yaitu basic chart dan advance chart.
- Basic chart akan berisikan line chart.
- Advance chart akan berisikan candlestick chart yang dipadukan dengan bar chart.

Sektor Bank: BRI

1. Basic chart: Line chart

Line chart itu sendiri merupakan grafik riwayat data nilai harga suatu saham yang hanya terbentuk dari nilai harga penutupan suatu saham dalam periode waktu tertentu pada sebuah pergerakannya di bursa saham. Pada line chart tidak ditemukan data-data nilai harga pembukaan, nilai harga tertinggi, dan nilai harga terendah, dari suatu gerakan saham. Maka dari itu line chart di kategorikan sebagai basic chart agar para investor baru tidak terlalu bingung ketika melihat pergerakan harga saham.

bbri_mutate <- bbri %>% 
  mutate(label = glue(
    "
    Date: {date}
    Price: {close}
    "
  ))

#Membuat line plot
bbri_plot <- ggplot(data = bbri_mutate,
  mapping = aes(
    x = date,
    y = close,
    text = label,
    group = 1
  )) +
  geom_line(color = "black") +
  labs(title = "BBRI",
       subtitle = "",
       x = "Date",
       y = "Price (Rp)") +
  theme_classic()

#Megubah dari plot biasa menjadi plotly agar lebih informatif
bbri_plotly <- ggplotly(bbri_plot, tooltip = "label")
bbri_plotly

2. Advance chart: Candlestick + Bar chart

Pada bagian advance chart akan lebih rumit jika dibandingkan dengan basic chart, karena dibagian ini akan ada 2 chart yang digabungkan menjadi satu bagian yaitu candlestick dan bar chart.

Candlestick chart merupakan grafik riwayat data nilai harga suatu saham yang terbentuk dari nilai harga pembukaan, nilai harga tertinggi, nilai harga terendah dan nilai harga penutupan dari gerakan suatu saham dalam periode waktu tertentu pada sebuah pergerakannya di bursa saham. Biasanya di dalam candlestick akan diisi dengan warna hijau atau merah, kedua warna tersebut memiliki arti yang berbeda. Warna hijau jika penutupan lebih besar dari penutupan sebelumnya tetapi lebih rendah dari pembukaan dan warna merah terjadi saat penutupan di bawah pembukaan dan penutupan sebelumnya.

Sedangkan Bar chart akan digunakan untuk memberikan informasi tentang volume persediaan. Volume dalam stok dapat menjadi barometer aktivitas dan arah di masa depan. Volume mengukur jumlah kontrak yang dipertukarkan selama sesi perdagangan. Ini mengukur aktivitas pasar.

#Membuat candlestick plot 
bbri_ploty2 <- bbri %>%
  plot_ly(x = ~date,
          type = "candlestick", 
          open = ~open, 
          close = ~close, 
          high = ~high,
          low = ~low,
          name = "Price (Rp)") %>%
  layout(
    xaxis = list(
      rangeselector = list( #Membuat rangeselector untuk melihat pergerakan saham BRI dari 1 hari kebelakang sampai dengan 2 tahun ke belakang.
        buttons = list(
          list(
            count = 1,
            label = "1 Day",
            step = "day",
            stepmode = "backward"),
          list(
            count = 5,
            label = "5 Days",
            step = "day",
            stepmode = "backward"),
          list(
            count = 1,
            label = "1 Month",
            step = "week",
            stepmode = "backward"),
          list(
            count = 3,
            label = "3 Months",
            step = "month",
            stepmode = "backward"),
          list(
            count = 6,
            label = "6 Months",
            step = "month",
            stepmode = "backward"),
          list(
            count = 1,
            label = "1 Year",
            step = "year",
            stepmode = "backward"),
          list(
            count = 2,
            label = "2 Years",
            step = "year",
            stepmode = "backward"),
          list(
            label = "Max",
            step = "all"))),
      rangeslider = list(visible = FALSE)),
         yaxis = list(title = "Price (Rp)",
                      showgrid = TRUE,
                      showticklabels = TRUE))

#Membuat bar plot untuk volume saham BRI
bbri_ploty3 <- bbri %>%
  plot_ly(x=~date, 
          y=~volume, 
          type='bar', 
          name = "Volume") %>%
  layout(yaxis = list(title = "Volume"))

#Menggabungkan 2 plot menjadi 1 plot
bbri_fig <- subplot(bbri_ploty2, bbri_ploty3, heights = c(0.7,0.2), nrows=2,
             shareX = TRUE, titleY = TRUE)
bbri_fig

Dari kedua grafik diatas dapat dilihat bahwa saham BRI dari sektor bank memiliki performa yang baik, hal itu dapat dilihat sebelum terjadinya pandemic covid-19 saham BRI berhasil menguat sebesar 23% hanya dalam waktu 2 tahun saja. Selain itu dapat dilihat bagaimana saham BRI begitu cepatnya bangkit dari keterpurukan setelah wabah covid-19, dari harga sahamnya turun ke Rp. 2.170,00 dan berhasil naik lagi dan mencipatkan harga tertinggi terbaru yaitu sebesar Rp. 4.890 di awal tahun 2021.

8.2 Analisa Teknikal

Analisa teknikal merupakan cara menganalisis pergerakan harga di pasar saham menggunakan perangkat statistik, seperti grafik dan rumus matematis.

Dalam porjek ini ada 4 macam analisa teknikal yang akan digunakan:
- Simple Moving Average (SMA)
- Exponential Moving Average (EMA)
- Moving Average Convergence Divergence (MACD)
- Relative Strength Index (RSI)

Dalam EDA ini dari 4 macam analisa teknikal diatas akan digunakan untuk mendapatkan prediktor yang dibutuhkan dan target variable yang berupa keputusan untuk Buy, Hold atau Sell yang akan digunakan nanti untuk membuat model machine learning. Dikarenakan target variable sangat krusial untuk melakukan pelatihan terhadap model machine learning yang akan digunakan nanti, analisa teknikal dari kelima cara diatas akan dilakukan sesempurna mungkin untuk menghindari kesalahan dalam memberikan keputusan.

Sektor Bank: BBRI

8.2.1 SMA

Simple Moving Average (SMA) adalah salah satu analisa teknikal dengan menambahkan deretan harga terkini pada suatu rentang waktu, lalu membaginya sejumlah periode tersebut. Maka, nilai rata-rata pun bisa didapat.

SMA dihitung dengan rumus sebagai berikut:

\[SMA = (Pn1 + Pn2 + Pn3 + ...Pnx)/n \] Dimana:
- P = nilai rata-rata berdasarkan n
- n = jumlah periode waktu (Contoh periode = 5, berarti harga yang akan dihitung harga 4 hari kebelakang)

Untuk menentukan berapakah periode waktu dalam perhitungan tidak ada peraturan khususnya akan tetapi jika target yang diinginkan adalah jual beli dalam waktu yang singkat makan periodenya bisa dikecilkan dan jika ingin dalam waktu yang panjang maka periode waktunya bisa di perbesar. Akan tetapi jika waktunya dipersingkat akan meningkatkan potensi untuk terjadinya kesalahan dalam proses pengambilan keputusan.

Dalam menentukan kapan waktu yang tepat untuk membeli maupun menjual dibutuhkan 4 SMA dengan periode waktu yang berbeda untuk dilakukan perbandingan, setelah melakukan beberapa percobaan untuk saham BRI ini akan menggunakan SMA 5, SMA 30, SMA 50 & SMA 70.

SMA 5 disini berfungsi sebagai batas bawah dan SMA 70 disini berfungsi sebagai batas atas, kedua batasan tersebut akan sangat berguna sebagai indikator bahwa harga saham sedang dalam kondisi “termurah” dan “termahal”. Sedangkan SMA 20 dan SMA 30 disini sebagai indikator pergerakan harga saham tersebut sedang menurun atau menaik.

#Membuat object baru
bbri_sma <- bbri

# SMA 5
bbri_sma$SMA5 <- SMA(Ad(bbri_sma),
                n = 5)

# SMA 30
bbri_sma$SMA30 <- SMA(Ad(bbri_sma),
                n = 30)

# SMA 50
bbri_sma$SMA50 <- SMA(Ad(bbri_sma),
                      n = 50)

# SMA 70
bbri_sma$SMA70 <- SMA(Ad(bbri_sma),
                n = 70)

Sinyal “Buy” dan “Sell”:
- Buy -> Ketika Harga Close Adjusted < H-1 SMA 5 & SMA 30 < H-1 SMA 50
- Sell -> Ketika Harga Close Adjusted > H-1 SMA 70 & SMA 20 > H-1 SMA 50

Tujuan kenapa dibanginkan dengan harga H-1 dan ataupun SMA H-1 untuk memastikan harga hari itu sudah lebih murah jika dibandingkan dengan harga kemarin ketika mengambil keputusan untuk membeli, begitu juga sebaliknya. Dengan memberikan parameter seperti itu diharapkan harga saham yang dibeli adalah harga yang termurah dan pada saat harga tersebut dijual merupakan harga yang paling tinggi.

# Membuat sinyal Buy, Sell & Hold
bbri_sma <- bbri_sma %>%
  mutate(
    signal.SMA = case_when(
      adjusted < lag(SMA5, 1) & SMA30 < lag(SMA50, 1) ~ "Buy",
      adjusted > lag(SMA70, 1) & SMA30 > lag(SMA50, 1) ~ "Sell",
      TRUE ~ "Hold"
    ),
    previous_signal.SMA = lag(signal.SMA, 1),
    decision.SMA = case_when(
      signal.SMA == previous_signal.SMA ~ "Hold",
      TRUE ~ signal.SMA
    )
  )

tail(bbri_sma)

Evaluasi Analisa SMA

#Mengecek jumlah sinyal buy, sell dan hold
bbri_sma %>% 
  group_by(decision.SMA) %>% 
  filter(! is.na(SMA70)) %>% 
  summarise(freq = n())

Dari awal tahun 2018 sampai dengan akhir Juni 2021 dengan menggunakan metode SMA terdapat total 40 sinyal “Buy”, 11 sinyal “Sell” dan 758 sinyal “Hold”

bbri_sma %>% 
  filter(decision.SMA != "Hold" & ! is.na(SMA70))

Jika diperhatikan satu persatu dari keseluruhan rekomendasi “Buy” maupun “Sell” dari metode SMA yang sudah difilter diatas, hasil rekomendasi tidak ada yang salah atau rekomendasi memberikan keuntungan tanpa adanya kerugian sedikitpun. Dengan hasil seperti diatas target variable dari SMA bisa di indikasikan sudah sempurna karena target variable tersebut akan digunakan sebagai salah satu perdiktor dalam model klasifikasi.

Untuk proposal evaluasi yang akan ditunjukan adalah evaluasi manual dengan mekanisme yang akan dijelaskan dibawah ini, pada dashboard nanti evaluasi akan dilakukan dengan metode backtest.

Mekanisme evaluasi manual:
- Setiap kolom decision.SMA memeberikan sinyal “Buy” maka saham akan dibeli sebanyak 1 lot akan dibeli dengan harga dari kolom open pada hari itu.
- Selama kolom decision.SMA tetap memberikan sinyal “Buy” maka saham akan dibeli lagi sebanyak 1 lot dengan harga dari kolom open pada hari itu dan akan dihitung rata-rata harga beluinya.
- Ketika kolom decision.SMA memberika sinyal “Sell” untuk pertama kalinya maka semua saham yang dimiliki akan dijual dengan harga dari kolom close pada hari itu.

Minimum pembeliaan sebuah saham adalah 1 lot/100 lembar

#Buy-Sell dengan SMA
bbri_sma %>% 
  filter(decision.SMA != "Hold" & ! is.na(SMA70)) %>% 
  select(c("date", "open", "close", "decision.SMA")) %>% 
  head(9)

#Total keuntungan denga SMA
evaluasi_SMA <- ((3330*100) - (((3640*100) + (3630*100) + (3220*100) + (3170*100) + (3210*100) + (3020*100) + (2910*100) + (2960*100))/8))*8
evaluasi_SMA

## [1] 88000

#Total keuntungan tanpa SMA
evaluasi_wo_SMA <- ((3330*100) - (3640*100))
evaluasi_wo_SMA

## [1] -31000

Dari hasil observasi yang menunjukan indikator Buy-Sell pertama kali dapat dilihat bahwa dari total 8 lot yang dibeli, total keuntungan yang didapatkan sebesar Rp. 88.000,00 dalam kurun waktu 5 bulan, sedangkan tanpa menggunakan SMA akan mengalami kerugian sebesar Rp. 31.000,00 jika dibandingkan dengan kurun waktu yang sama.

8.2.2 EMA

Exponential Moving Average (EMA) mirip dengan SMA, yaitu sebuah analisa teknikal dengan mengukur arah tren selama periode waktu tertentu. Namun, SMA hanya menghitung rata-rata data harga sedangkan EMA menerapkan bobot lebih pada data yang lebih terkini. Karena perhitungannya yang memiliki bobot, EMA akan mengikuti harga lebih dekat daripada SMA.

EMA dihitung dengan rumus sebagai berikut: \[EMAsekarang = (Harga Closing - EMAsebelum) x Multiplier + EMAsebelum \] Dimana:
- HargaClosing = harga closing pada hari itu
- EMAsebelum = EMA periode sebelumnya (Contoh periode = 5, berarti harga yang akan dihitung harga 4 hari kebelakang)
- Multiplier = konstanta eksponensial

Dalam menentukan kapan waktu yang tepat untuk membeli maupun menjual dibutuhkan 4 EMA dengan periode waktu yang berbeda untuk dilakukan perbandingan, setelah melakukan beberapa percobaan untuk saham BRI akan menggunakan EMA 5, EMA 15, EMA 50 dan EMA 70.

EMA 5 disini berfungsi sebagai batas bawah dan EMA 70 disini berfungsi sebagai batas atas, kedua batasan tersebut akan sangat berguna sebagai indikator bahwa harga saham sedang dalam kondisi “termurah” dan “termahal”. Sedangkan EMA 15 dan EMA 50 disini sebagai indikator pergerakan harga saham tersebut sedang menurun atau menaik.

# Membuat objek baru 
bbri_ema <- bbri

# EMA 5
bbri_ema$EMA5 <- EMA(Ad(bbri_ema),
                n = 5)

# EMA 15
bbri_ema$EMA15 <- EMA(Ad(bbri_ema),
                n = 15)

# EMA 50
bbri_ema$EMA50 <- EMA(Ad(bbri_ema),
                n = 50)

# EMA 70
bbri_ema$EMA70 <- EMA(Ad(bbri_ema),
                n = 70)

Sinyal “Buy” dan “Sell”:
- Buy -> Close Adjusted < H-1 EMA 5 & EMA 15 < EMA 50
- Sell -> Close Adjusted > H-1 EMA 70 & EMA 15 > EMA 50

Tujuan kenapa dibanginkan dengan harga H-1 dan ataupun EMA H-1 untuk memastikan harga hari itu sudah lebih murah jika dibandingkan dengan harga kemarin ketika mengambil keputusan untuk membeli, begitu juga sebaliknya. Dengan memberikan parameter seperti itu diharapkan harga saham yang dibeli adalah harga yang termurah dan pada saat harga tersebut dijual merupakan harga yang paling tinggi.

bbri_ema <- bbri_ema %>% 
  mutate(
    signal.EMA = case_when(
      adjusted < lag(EMA5, 1) & EMA15 < lag(EMA50, 1) ~ "Buy",
      adjusted > lag(EMA70, 1) & EMA15 > lag(EMA50, 1) ~ "Sell",
      TRUE ~ "Hold"# Otherwise sell
    ),
    previous_signal.EMA = lag(signal.EMA, 1), 
    decision.EMA = case_when( 
      signal.EMA == previous_signal.EMA ~ "Hold",
      TRUE ~ signal.EMA
    )
  )

tail(bbri_ema)

Evaluasi Analisa EMA

bbri_ema %>% 
  filter(! is.na(EMA70)) %>% 
  group_by(decision.EMA) %>% 
  summarise(freq = n())

Dari awal tahun 2018 sampai dengan akhir Juni 2021 dengan menggunakan metode SMA terdapat total 50 sinyal “Buy”, 22 sinyal “Sell” dan 737 sinyal “Hold”.

bbri_ema %>% 
  filter(decision.EMA != "Hold" & ! is.na(EMA70))

Jika diperhatikan satu persatu dari keseluruhan rekomendasi “Buy” maupun “Sell” dari metode EMA yang sudah difilter diatas, hasil rekomendasi tidak ada yang salah atau rekomendasi memberikan keuntungan tanpa adanya kerugian sedikitpun. Dengan hasil seperti diatas target variable dari EMA bisa di indikasikan sudah sempurna karena target variable tersebut akan digunakan sebagai salah satu perdiktor dalam model klasifikasi.

Untuk proposal evaluasi yang akan ditunjukan adalah evaluasi manual dengan mekanisme yang akan dijelaskan dibawah ini, pada dashboard nanti evaluasi akan dilakukan dengan metode backtest.

Mekanisme evaluasi manual:
- Setiap kolom decision.EMA memeberikan sinyal “Buy” maka saham akan dibeli sebanyak 1 lot akan dibeli dengan harga dari kolom open pada hari itu.
- Selama kolom decision.EMA tetap memberikan sinyal “Buy” maka saham akan dibeli lagi sebanyak 1 lot dengan harga dari kolom open pada hari itu dan akan dihitung rata-rata harga beluinya.
- Ketika kolom decision.EMA memberika sinyal “Sell” untuk pertama kalinya maka semua saham yang dimiliki akan dijual dengan harga dari kolom close pada hari itu.

Minimum pembeliaan sebuah saham adalah 1 lot/100 lembar

bbri_ema %>% 
  filter(decision.EMA != "Hold" & ! is.na(EMA70)) %>% 
  select(c("date", "open", "close", "decision.EMA")) %>% 
  head(2)

#Total keuntungan denga EMA
evaluasi_EMA <- (3660*100) - (3640*100)
evaluasi_EMA

## [1] 2000

#Total keuntungan tanpa EMA
evaluasi_wo_EMA <- (3660*100) - (3640*100)
evaluasi_wo_EMA

## [1] 2000

Dari hasil observasi yang menunjukan indikator Buy-Sell pertama kali dapat dilihat bahwa dari total 8 lot yang dibeli, total keuntungan yang didapatkan sebesar Rp. 2.000,00 hanya dalam waktu 6 hari saja. Sedangkan tanpa menggunakan EMA hasilnya akan sama saja.

8.2.3 MACD

Moving Average Convergence Divergence (MACD) adalah sebuah indikator dalam analisis teknikal yang menggambarkan hubungan antara dua moving average dalam sebuah tren harga aset.

MACD dihitung dengan rumus sebagai berikut: \[MACD = Nsmaller-Period EMA - Nbigger-PeriodEMA \] Dimana:
Nsmaller-Period EMA = EMA dengan periode yang lebih kecil
Nbigger-Period EMA = EMA dengan periode yang lebih besar

MACD akan mgnggunakan EMA sebagai salah satu indikatornya. MACD yang paling populer biasanya dihitung dengan mengurangi Exponential Moving Average (EMA) 26-periode dari EMA 12-periode. MACD juga membutuhkan satu EMA lagi yaitu EMA 9-periode, EMA-9 periode yang dapat berfungsi sebagai pemicu untuk sinyal beli dan jual. Setelah melakukan beberapa percobaan EMA yang akandigunakan di analisa MACD adalah EMA5, EMA15 dan EMA50.

# Membuat objek baru
bbri_macd <- bbri

# EMA 15
bbri_macd$EMA15 <- bbri_ema$EMA15

# EMA 50
bbri_macd$EMA50 <- bbri_ema$EMA50

# MACD
bbri_macd$MACD <- bbri_ema$EMA15 - bbri_ema$EMA50

Sinyal “Buy” dan “Sell”:
- Buy -> Ketika Close Adjusted < H-1 EMA 5 & Ketika MACD < 0 (Contoh periode = 5, berarti harga yang akan dihitung harga 4 hari kebelakang)
- Sell -> Ketika Close Adjusted > H-1 EMA 5 & Ketika MACD > 0

Sedikit berbeda dengan SMA dan EMA, sinyal pada MACD akan menggunakan 0 sebagai parameternya. Ketika hasil pengurangan dari EMA15 dan EMA50 lebih kecil di bandingkan 0 atau minus itu merupakan sebuah indikasi bahwa harga saham tersebut sedang mengalami penurunan, begitu juga sebaliknya. Sedangkan untuk perbandingan harga adjusted dengan EMA5 itu sama saja dengan SMA maupun EMA.

bbri_macd <- bbri_macd %>% 
  mutate(
    signal.MACD = case_when(
      adjusted < lag(bbri_ema$EMA5, 1) & MACD < 0 & lag(MACD, 1) < MACD ~ "Buy", 
      adjusted > lag(bbri_ema$EMA5, 1) & MACD > 0 & lag(MACD, 1) > MACD ~ "Sell", 
      TRUE ~ "Hold"
    ),
    previous_signal.MACD = lag(signal.MACD, 1), 
    decision.MACD = case_when( 
      signal.MACD == previous_signal.MACD ~ "Hold",
      TRUE ~ signal.MACD
    )
  )

tail(bbri_macd)

Evaluasi Analisa MACD

bbri_macd %>% 
  filter(! is.na(EMA50)) %>% 
  group_by(decision.MACD) %>% 
  summarise(freq = n())

Dari awal tahun 2018 sampai dengan akhir Juni 2021 dengan menggunakan metode SMA terdapat total 23 sinyal “Buy”, 33 sinyal “Sell” dan 773 sinyal “Hold”. Dengan menggunakan indikator MACD sinyal “Sell” lebih banyak jika dibandingkan dengan sinyal “Buy”, tidak seperti indikator SMA dan EMA yang lebih banyak memberikan sinyal “Buy” dibandingkan “Sell”. Hal tersebut bisa menjadi indikasi bahwa analisa dengan menggunakan MACD lebih dapat menditeksi pergerakan harga saham pada posisi atas/harga tinggi.

bbri_macd %>% 
  filter(decision.MACD != "Hold" & ! is.na(EMA50))

Jika diperhatikan satu persatu dari keseluruhan rekomendasi “Buy” maupun “Sell” dari metode MACD yang sudah difilter diatas, hasil rekomendasi tidak ada yang salah atau rekomendasi memberikan keuntungan tanpa adanya kerugian sedikitpun. Dengan hasil seperti diatas target variable dari MACD bisa di indikasikan sudah sempurna karena target variable tersebut akan digunakan sebagai salah satu perdiktor dalam model klasifikasi.

Untuk proposal evaluasi yang akan ditunjukan adalah evaluasi manual dengan mekanisme yang akan dijelaskan dibawah ini, pada dashboard nanti evaluasi akan dilakukan dengan metode backtest.

Mekanisme evaluasi manual:
- Setiap kolom decision.MACD memeberikan sinyal “Buy” maka saham akan dibeli sebanyak 1 lot akan dibeli dengan harga dari kolom open pada hari itu.
- Selama kolom decision.MACD tetap memberikan sinyal “Buy” maka saham akan dibeli lagi sebanyak 1 lot dengan harga dari kolom open pada hari itu dan akan dihitung rata-rata harga beluinya.
- Ketika kolom decision.MACD memberika sinyal “Sell” untuk pertama kalinya maka semua saham yang dimiliki akan dijual dengan harga dari kolom close pada hari itu.

Minimum pembeliaan sebuah saham adalah 1 lot/100 lembar

#Buy-Sell dengan MACD
bbri_macd %>% 
  filter(decision.MACD != "Hold" & ! is.na(EMA50)) %>% 
  select(c("date", "open", "close", "decision.MACD")) %>% 
  head(8)

#Total keuntungan dengan MACD
evaluasi_MACD <- ((3180*100) - (((3640*100) + (3080*100) + (3110*100) + (3140*100) + (2970*100) + (2890*100))/6))*6
evaluasi_MACD

## [1] 25000

#Total keuntungan tanpa MACD
evaluasi_wo_MACD <- (3180*100) - (3640*100)
evaluasi_wo_MACD

## [1] -46000

Dari hasil observasi yang menunjukan indikator Buy-Sell pertama kali dapat dilihat bahwa dari total 6 lot yang dibeli, total keuntungan yang didapatkan sebesar Rp. 25.000,00 dalam kurun waktu 6 bulan, sedangkan tanpa menggunakan MACD akan mengalami kerugian sebesar Rp. 46.000,00 jika dibandingkan dengan kurun waktu yang sama.

8.2.4 RSI

Relative Strength Index (RSI) merupakan salah satu indikator analisis teknikal yang bisanya digunakan untuk mengukur besarnya harga sebuah aset. Indikator ini dilakukan untuk mengevaluasi apakah aset tersebut terbilang dalam posisi jenuh beli (overbought) atau jenuh jual (oversold).

RSI dihitung dengan rumus sebagai berikut: \[RSI = 100 – (100/(1+RS))\] Dimana: - RS = Rata-rata kenaikan dalam periode / Rata-rata penurunan dalam periode. (Contoh periode = 5, berarti harga yang akan dihitung harga 4 hari kebelakang)

Para RSI, tidak akan menggunakan parameter dari SMA ataupun EMA sama sekali. RSI akan menggunakan parameter kalkulasi dari rumus RSI itu sendiri. Periode standar penghitungan adalah 14, sebagaimana yang direkomendasikan oleh Welles Wilder. Periode tersebut boleh diubah-ubah karena tidak memiliki peraturan khusus, baik menaikkan atau menurunkan. Namun, hal tersebut akan memengaruhi sensitivitas RSI. Misalnya, periode 10 lebih cepat mencapai tingkat overbought atau oversold dibandingkan periode 20. RSI yang akan digunakan untuk BRI adalah RSI7, RSI14, RSI30 dan RSI70, dikarenakan setelah beberapa percobaan 4 RSI tersebutlah yang menunjukan hasil paling baik.

# Membuat objek baru
bbri_rsi <- bbri

# RSI 7
bbri_rsi$RSI7 <- RSI(Ad(bbri_rsi),
                     n =7)

# RSI 14
bbri_rsi$RSI14 <- RSI(Ad(bbri_rsi), 
                      n=14)

# RSI 30
bbri_rsi$RSI30 <- RSI(Ad(bbri_rsi), 
                      n=30)

# RSI 70
bbri_rsi$RSI70 <- RSI(Ad(bbri_rsi), 
                      n=70)

Sinyal “Buy” dan “Sell”:
- Buy -> Ketika Harga Close Adjusted < Harga H-1 Close Adjusted & RSI7 > RSI14 & RSI7 < RSI20
- Sell -> Ketika Harga Close Adjusted > Harga H-1 Close Adjusted & RSI7 < RSI14 & RSI7 > RSI80

Pada analisa teknikal dengan menggunakan RSI sinyal “Buy” dan “Sell” akan tergantung berdasarkan pergerakan RSI 7 yang akan dibandingkan dengan RSI 14, RSI30 dan RSI 70. Jika pergerakan RSI 7 sudah lebih besar dibandingkan dengan RSI14 itu merupakan indikasi bahwa harga akan segera naik begitu juga sebaliknya. Sedangkan RSI 30 dan RSI 70 akan digunakan sebagai indikator “overbought” dan RSI 70 akan digunakan sebagai indikator “oversell”, jika RSI 7 lebih kecil dibandingkan RSI 70 itu menjadi indikator bahwa harga saham tersebut tidak dalam harga yang paling mahal dan bila RSI 7 lebih besar dibandingkan RSI 30 itu menjadi indikator bahwa harga saham tersebut sedang tidak dalam harga termurah.

bbri_rsi <- bbri_rsi %>% 
  mutate(
    signal.RSI = case_when(
      adjusted < lag(adjusted,1) & RSI7 > RSI14 & RSI7 < RSI70 ~ "Buy",
      adjusted > lag(adjusted,1) & RSI7 < RSI14 & RSI7 > RSI30 ~ "Sell",
      TRUE ~ "Hold"
    ),
    previous_signal.RSI = lag(signal.RSI, 1),
    decision.RSI = case_when( 
      signal.RSI == previous_signal.RSI ~ "Hold",
      TRUE ~ signal.RSI
    )
  )

tail(bbri_rsi)

Evaluasi Analisa RSI

bbri_rsi %>% 
  group_by(decision.RSI) %>% 
  summarise(freq = n())

Dari awal tahun 2018 sampai dengan akhir Juni 2021 dengan menggunakan metode SMA terdapat total 15 sinyal “Buy”, 9 sinyal “Sell” dan 784 sinyal “Hold”. Sinyal “Buy” dan “Sell” pada indikator RSI tidaklah sebanyak jika dibandingkan dengan SMA, EMA dan MACD, hal tersebut bisa terjadi karena penggunaan periode RSI 7 dan 14 sebagai penilai pergerakan harga saham yang bisa menyebabkan analisa menjadi lebih ketat.

bbri_rsi %>% 
  filter(decision.RSI != "Hold" & ! is.na(RSI70))

Jika diperhatikan satu persatu dari keseluruhan rekomendasi “Buy” maupun “Sell” dari metode SMA yang sudah difilter diatas, hasil rekomendasi tidak ada yang salah atau rekomendasi memberikan keuntungan tanpa adanya kerugian sedikitpun.

Untuk proposal evaluasi yang akan ditunjukan adalah evaluasi manual dengan mekanisme yang akan dijelaskan dibawah ini, pada dashboard nanti evaluasi akan dilakukan dengan metode backtest.

Mekanisme evaluasi manual:
- Setiap kolom decision.RSI memeberikan sinyal “Buy” maka saham akan dibeli sebanyak 1 lot akan dibeli dengan harga dari kolom open pada hari itu.
- Selama kolom decision.RSI tetap memberikan sinyal “Buy” maka saham akan dibeli lagi sebanyak 1 lot dengan harga dari kolom open pada hari itu dan akan dihitung rata-rata harga beluinya.
- Ketika kolom decision.RSI memberika sinyal “Sell” untuk pertama kalinya maka semua saham yang dimiliki akan dijual dengan harga dari kolom close pada hari itu.

Minimum pembeliaan sebuah saham adalah 1 lot/100 lembar

#Buy-Sell dengan RSI
bbri_rsi %>% 
  filter(decision.RSI != "Hold" & ! is.na(RSI70)) %>% 
  select(c("date", "open", "close", "decision.RSI")) %>% 
  head(3)

#Total keuntungan dengan RSI
evaluasi_RSI <- ((3750*100) - (((3640*100) + (3260*100))/2))*2
evaluasi_RSI

## [1] 60000

#Total keuntungan tanpa RSI
evaluasi_wo_RSI <- (3750*100) - (3640*100)
evaluasi_wo_RSI

## [1] 11000

Dari hasil observasi yang menunjukan indikator Buy-Sell pertama kali dapat dilihat bahwa dari total 6 lot yang dibeli, total keuntungan yang didapatkan sebesar Rp. 60.000,00 dalam kurun waktu 10 bulan. Sedangkan tanpa menggunakan RSI, investor tetap akan mendapatkan keuntungan sebesar Rp. 11.000,00, hal ini tidak buruk tapi sangat disayangkan karena sudah menunggu dalam waktu yang lama tapi hanya mendapatkan keuntungan yang tidak teralalu besar.

8.2.5 Indikator Gabungan

Setelah mendapatkan hasil analisa yang dibutuhkan, gabungkanlah kedalam satu data frame baru. Tujuan dari menggabungkan semua indikator menjadi satu adalah untuk mendapatkan keputusan akhir, untuk menilai apakah saham tersebut harus dibeli atau dijual pada hari itu. Hasil dari keputusan akhir itu juga akan digunakan sebagai target variable untuk melatih model klasifikasi.

# Menggabungkan kedalam sebuah data frame baru
bbri_analisa <- cbind(bbri,bbri_sma$SMA5, bbri_sma$SMA30, bbri_sma$SMA50, bbri_sma$SMA70, bbri_ema$EMA5, bbri_ema$EMA15, bbri_ema$EMA50, bbri_ema$EMA70, bbri_macd$MACD, bbri_rsi$RSI7, bbri_rsi$RSI14, bbri_rsi$RSI30, bbri_rsi$RSI70, bbri_sma$decision.SMA, bbri_ema$decision.EMA, bbri_macd$decision.MACD, bbri_rsi$decision.RSI)

# Mengubah nama kolom
colnames(bbri_analisa) <- c("symbol", "date", "open", "high", "low", "close", "volume", "adjusted", "SMA5", "SMA30", "SMA50", "SMA70", "EMA5", "EMA15", "EMA50", "EMA70", "MACD", "RSI7", "RSI14", "RSI30", "RSI70", "decision.SMA", "decision.EMA", "decision.MACD", "decision.RSI")

head(bbri_analisa)

Setelah semua kolom analisa tergabung kedalam sebuah data frame baru, buatlah satu buah kolom baru yang akan dimamfaatkan sebagai keputusan akhir. Keputusan akhir yang akan diambil dari kolom decision per masing-masing analisa.

bbri_analisa <- bbri_analisa %>% 
  mutate(
    final_decision = case_when(
      decision.SMA == "Buy" &  decision.EMA == "Buy" & decision.MACD == "Buy" & decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Sell" &  decision.EMA == "Buy" & decision.MACD == "Buy" & decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Buy" &  decision.EMA == "Sell" & decision.MACD == "Buy" & decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Buy" &  decision.EMA == "Buy" & decision.MACD == "Sell" & decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Buy" &  decision.EMA == "Buy" & decision.MACD == "Buy" & decision.RSI == "Sell" ~ "Buy",
      decision.SMA == "Sell" &  decision.EMA == "Sell" & decision.MACD == "Sell" & decision.RSI == "Sell" ~ "Sell",
      decision.SMA == "Buy" &  decision.EMA == "Sell" & decision.MACD == "Sell" & decision.RSI == "Sell" ~ "Sell",
      decision.SMA == "Sell" &  decision.EMA == "Buy" & decision.MACD == "Sell" & decision.RSI == "Sell" ~ "Sell",
      decision.SMA == "Sell" &  decision.EMA == "Sell" & decision.MACD == "Buy" & decision.RSI == "Sell" ~ "Sell",
      decision.SMA == "Sell" &  decision.EMA == "Sell" & decision.MACD == "Sell" & decision.RSI == "Buy" ~ "Sell",
      TRUE ~ "Hold"
    )
  )

bbri_analisa %>% 
  filter(final_decision != "Hold")

Dari hasil diatas dapat diketahui bahwa hanya ada 3 kali dari 4 analisa teknikal menunjukan keputusan yang sama, dari situ dapat disimpulkan bahwa mayoritas hasil dari masing-masing analaisa teknikal memiliki hasil yang berbeda. Salah satu alternatif untuk mendapatkan keputusan akhir dari hasil penggabungan 4 analisa teknikal diatas adalah dengan memberikan bobot kepada analisa teknikal yang lebih bagus dari 4 analisa yang sudah dilakukan.

Setiap analisa teknikal tentunya memiliki kelebihan dan kekurangannya masing-masing, dalam projek ini ada 2 analisa yang akan diberikan bobot tambahan ke analisa MACD dan RSI. Alasan kenapa memilih MACD adalah keunggulannya dalam memberikan sinyal atau indikasi seawal mungkin, ini sangat bermafaat untuk menghindari kehilangan momentum untuk membeli maupun terlambat untuk mengambil keuntungan. Sedangkan RSI adalah salah satu indikator yang paling favorit dikarenakan kemampuannya untuk mediteksi harga di pasar sedang berada didaerah overbought atau oversell, kemampuan untuk menditeksi itulah yang membuat RSI difavoritkan karena dapat memberikan keuntungan yang maksimal dari hasil analisanya. Diharapkan dengan menggabungkan kedua indikator diatas dapat saling melengkapi satu dengan yang lainnya.

bbri_analisa2 <- bbri_analisa %>% 
  mutate(
    final_decision = case_when(
      decision.SMA == "Buy" &  decision.EMA == "Buy" & decision.MACD == "Buy" & decision.RSI == "Buy" | decision.MACD == "Buy" | decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Sell" &  decision.EMA == "Buy" & decision.MACD == "Buy" & decision.RSI == "Buy" | decision.MACD == "Buy" | decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Buy" &  decision.EMA == "Sell" & decision.MACD == "Buy" & decision.RSI == "Buy" | decision.MACD == "Buy" | decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Buy" &  decision.EMA == "Buy" & decision.MACD == "Sell" & decision.RSI == "Buy" | decision.MACD == "Buy" | decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Buy" &  decision.EMA == "Buy" & decision.MACD == "Buy" & decision.RSI == "Sell" | decision.MACD == "Buy" | decision.RSI == "Buy" ~ "Buy",
      decision.SMA == "Sell" &  decision.EMA == "Sell" & decision.MACD == "Sell" & decision.RSI == "Sell" | decision.MACD == "Sell" | decision.RSI == "Sell" ~ "Sell",
      decision.SMA == "Buy" &  decision.EMA == "Sell" & decision.MACD == "Sell" & decision.RSI == "Sell" | decision.MACD == "Sell" | decision.RSI == "Sell" ~ "Sell",
      decision.SMA == "Sell" &  decision.EMA == "Buy" & decision.MACD == "Sell" & decision.RSI == "Sell" | decision.MACD == "Sell" | decision.RSI == "Sell" ~ "Sell",
      decision.SMA == "Sell" &  decision.EMA == "Sell" & decision.MACD == "Buy" & decision.RSI == "Sell" | decision.MACD == "Sell" | decision.RSI == "Sell" ~ "Sell",
      decision.SMA == "Sell" &  decision.EMA == "Sell" & decision.MACD == "Sell" & decision.RSI == "Buy" | decision.MACD == "Sell" | decision.RSI == "Sell" ~ "Sell",
      TRUE ~ "Hold"
    )
  )

tail(bbri_analisa2)

Evaluasi analisa teknikal gabungan

bbri_analisa2 %>% 
  group_by(final_decision) %>% 
  summarise(freq = n())

Dari hasil diatas diketahui bahwa terdapat total 34 sinyal “Buy”, 38 sinyal “Sell” dan 806 sinyal “Hold” dari awal tahun 2018 sampai dengan penghujung bulan Juni 2021. Akan tetapi dari hasil rekomendasi dengan menggunakan metode gabungan, terdapat satu kali kesalahan dalam memberikan usual Buy-Sell.

bbri_analisa2 %>%
  select(c("date", "open", "close", "final_decision")) %>% 
  filter(final_decision != "Hold")

Jika diperhatikan satu persatu dari keseluruhan rekomendasi “Buy” maupun “Sell” dari metode SMA yang sudah difilter diatas, hasil rekomendasi mengalami satu kali kesalahan yang memberikan sedikit kerugian dalam trading. Mari coba dikalkukasi berapa total kerugian yang terjadi.

bbri_analisa2 %>% 
  filter(final_decision != "Hold") %>% 
  select(c("date", "open", "close", "final_decision")) %>% 
  slice(2:9)

#Total kerugian dengan indikator gabungan
evaluasi <- ((3180*100) - (((3640*100) + (3260*100) + (3170*100) + (3150*100) + (3210*100) + (2960*100) + (2900*100))/7))*7
evaluasi

## [1] -3000

Dari hasil observasi yang menunjukan indikator Buy-Sell pertama kali dapat dilihat bahwa dari total 7 lot yang dibeli, total kerugian yang didapatkan sebesar Rp. 3.000,00. Kerugian tersebut akan tergantikan pada indikator Buy-Sell yang kedua, marik coba dilihat pada indikator Buy-Sell kedua.

bbri_analisa2 %>% 
  filter(final_decision != "Hold") %>% 
  select(c("date", "open", "close", "final_decision")) %>% 
  slice(10:14)

#Total kerugian dengan indikator gabungan ke-2 
evaluasi2 <- ((3680*100) - (((3010*100) + (3150*100) + (3070*100) + (3040*100))/4))*4
evaluasi2

## [1] 245000

Pada indikator Buy-Sell kedua dengan menggunakan indikator gabungan keuntungan yang didapatkan adalah Rp. 245.000,00 dalam kurun waktu 3 bulan, ini merupakan hasil yang cukup baik karena dari semua analisa yang sudah dilakukan analisa gabunganlah yang menhasilkan keuntungan yang cukup besar dalam waktu yang singkat.

Hal lain yang dapat dilakukan untuk memperbaiki kesalahan indikator Buy-Sell yang pertama adalah mengubah hasil keputusan akhir pada tanggal 13-04-2018 menjadi “Hold”.

bbri_analisa2$final_decision[bbri_analisa2$date == "2018-04-13"] <- "Hold"

bbri_analisa2 %>% 
  filter(date == "2018-04-13") %>% 
  select(c("date", "open", "close", "final_decision"))

Jika sudah dilakukan coba lakukan evaluasi satu kali lagi pada indikator Buy-Sell yang pertama kali muncul.

bbri_analisa2 %>%
  select(c("date", "open", "close", "final_decision")) %>% 
  filter(final_decision != "Hold") %>% 
  head(10)

#Total kerugian dengan indikator gabungan ke-1 yang sudah dievaluasi
evaluasi3 <- ((3180*100) - (((3260*100) + (3170*100) + (3150*100) + (3210*100) + (2960*100) + (2900*100))/6))*6
evaluasi3

## [1] 43000

Setelah hasil kolom final_decision pada tanggal 13-4-2018 diganti dari “Sell” menjadi “Hold” keuntungan yang didapatkan menjadi Rp. 43.000,00 dari yang sebelumnya mendapatkan kerugian sebesar Rp. 3.000,00.