{"id":52638,"date":"2025-04-23T13:20:35","date_gmt":"2025-04-23T05:20:35","guid":{"rendered":"http:\/\/test.swqi.tw\/?p=52638"},"modified":"2025-12-03T03:43:38","modified_gmt":"2025-12-02T19:43:38","slug":"ea-out-of-sample-validation-guide","status":"publish","type":"post","link":"https:\/\/mister.forex\/id\/ea-out-of-sample-validation-guide\/","title":{"rendered":"EA Evaluasi Lanjutan: Menggunakan Pengujian Out-of-Sample untuk Memverifikasi Strategi, Menghindari Overfitting"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n

In-Sample Testing vs Out-of-Sample Testing: Bagaimana Cara Menilai EA Anda dengan Lebih Andal?<\/strong> <\/h2>\n\nDalam artikel sebelumnya, kami membahas tentang bagaimana \"Optimasi\" (Optimization) Penasihat Ahli (EA) Anda, yaitu menyesuaikan pengaturan parameter agar tampil lebih baik pada data historis masa lalu.
\nKami juga menyebutkan pentingnya berhati-hati terhadap jebakan \"Overfitting\" (Overfitting), yaitu ketika EA terlalu sempurna menyesuaikan diri dengan data masa lalu, sehingga mungkin tampil buruk di masa depan.

\n\nLalu, bagaimana kita tahu bahwa pengaturan parameter \"terbaik\" yang ditemukan melalui optimasi benar-benar mempelajari pola pasar, atau hanya \"mengingat\" data masa lalu saja?
\nDi sinilah konsep In-Sample Testing dan Out-of-Sample Testing menjadi sangat penting.
\nKeduanya membantu kita menilai strategi EA dengan lebih andal.

\n\n\"\"

\n\n

Apa itu In-Sample Testing?<\/strong> <\/h3>\n\n

Sederhananya:<\/strong> <\/h4>\nIn-Sample Testing adalah data historis yang Anda gunakan selama proses optimasi.

\n\n

Seperti mengulang pelajaran:<\/strong> <\/h4>\nBayangkan Anda sedang mempersiapkan ujian dengan mengulang materi yang sudah diberi tanda penting oleh guru.
\nEA saat optimasi juga \"belajar\" dari data In-Sample ini untuk menemukan pengaturan parameter yang tampil terbaik pada data tersebut.

\n\n

Apa tujuannya?<\/strong> <\/h4>\nMenemukan kombinasi parameter yang memberikan performa terbaik pada data historis tertentu ini.

\n\n

Apa keterbatasannya?<\/strong> <\/h4>\nPerforma yang baik pada data In-Sample tidak menjamin performa yang baik di masa depan.
\nKarena EA mungkin hanya \"mengingat\" pola atau noise khusus dari data tersebut, bukan mempelajari pola yang benar-benar umum.
\nInilah risiko overfitting.

\n\n

Apa itu Out-of-Sample Testing?<\/strong> <\/h3>\n\n

Sederhananya:<\/strong> <\/h4>\nOut-of-Sample Testing menggunakan data historis lain yang sama sekali tidak dipakai selama proses optimasi, untuk menguji pengaturan parameter \"terbaik\" yang ditemukan pada In-Sample Testing.

\n\n

Seperti mengerjakan simulasi ujian:<\/strong> <\/h4>\nSetelah mengulang pelajaran (In-Sample Testing), Anda mengerjakan simulasi ujian yang belum pernah dilihat sebelumnya (data Out-of-Sample) untuk menguji seberapa baik Anda memahami materi.
\nOut-of-Sample Testing membuat EA menjalankan parameter yang sudah dioptimasi pada data historis yang \"belum pernah dilihat\".

\n\n

Apa tujuannya?<\/strong> <\/h4>\nMelihat apakah parameter \"terbaik\" tersebut masih tampil baik saat menghadapi data historis baru dan tidak dikenal.
\nIni membantu menentukan apakah EA benar-benar belajar atau hanya menghafal \"ujian\" In-Sample.

\n\n

Bagaimana ini membantu Anda?<\/strong> <\/h4>\n