Tugas Akhir 15220012_Salsabila Selavieamanda Adyarta

Tugas Akhir 15220012_Salsabila Selavieamanda Adyarta

• By Adyarta, Salsabila Selavieamanda;
• 11

Nilai tukar Rupiah terhadap Dolar Amerika Serikat bersifat fluktuatif dan cenderung tidak stasioner, sehingga diperlukan metode peramalan yang mampu menangkap pola data secara akurat. Penelitian ini bertujuan membandingkan kinerja Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM) dalam memprediksi nilai tukar Rupiah terhadap Dolar Amerika Serikat menggunakan skema perbandingan yang setara, yaitu pendekatan univariat. Data yang digunakan berupa data harian sekunder dari Yahoo Finance periode Januari 2021 hingga Mei 2026, dengan pembagian data latih dan data uji sebesar 80:20. Model ARIMA dikembangkan melalui penentuan orde terbaik menggunakan grid search berdasarkan uji stasioneritas Augmented Dickey-Fuller (ADF), kemudian divalidasi menggunakan uji Ljung-Box dan Jarque-Bera. Sementara itu, model LSTM dibangun menggunakan dua lapisan tersembunyi dengan mekanisme early stopping untuk mengurangi risiko overfitting. Evaluasi dilakukan menggunakan Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa LSTM memberikan performa prediksi yang lebih baik dibandingkan ARIMA(1,1,0), dengan nilai MAPE sebesar 0,51%, RMSE 120,75, dan MAE 85,58, sedangkan ARIMA menghasilkan MAPE 1,87%, RMSE 388,17, dan MAE 310,20. Temuan ini menunjukkan bahwa LSTM lebih efektif dalam memodelkan pola nilai tukar Rupiah terhadap Dolar Amerika Serikat. Model terbaik kemudian digunakan untuk memprediksi nilai tukar selama 30 hari ke depan dan diimplementasikan dalam dashboard interaktif berbasis Streamlit sebagai media visualisasi hasil prediksi.

 

• Katakunci Nilai Tukar Rupiah, ARIMA, Long Short-Term Memory, Peramalan Deret Waktu, Machine Learning
• URL http://
• Penerbit Universitas Nusa Mandiri,

REFERENSI

[1]      E. R. Yanti Et Al., Manajemen Keuangan Internasional. 2022. [Online]. Available: https://repository.binawan.ac.id/3543/1/Buku Digital - Manajemen Keuangan Internasional.pdf

[2]      Yumetri Abidin, Pengantar Ekonomi Internasional. 2022. [Online]. Available: https://repository.unas.ac.id/id/eprint/6236/1/BUKU Pengantar Ekonomi Internasional Pak Yumetri.Pdf

[3]      S. Chen, B. H. Chang, H. Fu, And S. Q. Xie, “Dynamic Analysis of the relationship between exchange rates and oil prices: a comparison between oil exporting and oil importing countries,” Humanit. Soc. Sci. Commun., vol. 11, no. 1, pp. 1–12, 2024, doi: 10.1057/s41599-024-03183-2.

[4]      P. D. Nurhandayani, Pujiyanti, Y. Murdani, “Pengaruh Paritas Daya Beli, Paritas Suku Bunga Terhadap Nilai Tukar Rupiah Dan Dollar Amerika Serikat Periode 2020-2024,” Indones. Econ. J., vol. 2, pp. 528–538, 2026.

[5]      B. B. Bakker, “Reconciling Random Walks and Predictability: A Dual-Component Model of Exchange Rate Dynamics,” SSRN Electron. J., 2025, doi: 10.2139/ssrn.5057335.

[6]      R. K. Dinata And N. Hasdyna, Machine Learning. 2020. [Online]. Available: https://repository.unimal.ac.id/6707/1/Machine Learning.pdf

[7]      O. Abouzaid and F. Boussedra, “Artificial intelligence and exchange rate forecasting: assessing predictive accuracy and macroeconomic sensitivity,” Front. Appl. Math. Stat., vol. 11, no. September, pp. 1–14, 2025, doi: 10.3389/fams.2025.1654093.

[8]      Y. Cui and J. Jiang, “Hybrid Deep Learning Techniques Integrated with Machine Learning for Foreign Exchange Rate Forecasting,” Electron., vol. 15, no. 7, 2026, doi: 10.3390/electronics15071463.

[9]      M. Ayitey Junior, P. Appiahene, O. Appiah, and C. N. Bombie, “Forex market forecasting using machine learning: Systematic Literature Review and meta-analysis,” J. Big Data, vol. 10, no. 1, 2023, doi: 10.1186/s40537-022-00676-2.

[10]    Nusandika Patria, “Optimasi Prediksi Saham dengan Neural Network pada PT Xyz,” Decod. J. Pendidik. Teknol. Inf., vol. 4, no. 3, pp. 928–936, 2024, doi: 10.51454/decode.v4i3.782.

[11]    R. Azhari, R. Saragih, and Novriyenni, “Prediction of the Dollar Exchange Rate Against the Rupiah Based on Indonesian Economic Growth using the Long Shortterm Memory (LSTM) Method,” J. Artif. Intell. Eng. Appl., vol. 5, no. 1, pp. 2808–4519, 2025, [Online]. Available: https://ioinformatic.org/

[12]    R. Sumargo and I. Wasito, “Deep Learning for Exchange Rate Prediction Within Time Constrain,” Sinkron, vol. 8, no. 3, pp. 1259–1271, 2024, doi: 10.33395/sinkron.v8i3.13633.

[13]    M. Hariyanto, M. Kholiq, A. Yani, and Narti, “Prediksi Harga Saham Twitter Dengan Long Short-Term Memory Recurrent Neural Network,” Inti Nusa Mandiri, vol. 14, no. 2, pp. 133–138, 2022.

[14]    I. A. M. and A. Witanti, “Peramalan Harga Emas Indonesia Menggunakan Metode ARIMA,” J. Tek. Inform. dan Sist. Inf., vol. 11, 2024, doi: 10.35957.

[15]    Wellie Sulistijanti and Revino Januar Rachmadi, “Peramalan nilai tukar dolar Amerika Serikat (USD) terhadap rupiah Indonesia (IDR) Menggunakan Metode ARIMAX,” INFOTECH  J. Inform. Teknol., vol. 6, no. 2, pp. 131–142, 2025, doi: 10.37373/infotech.v6i2.1741.

[16]    W. Andani and n. Satyahadewi, “peramalan nilai tukar rupiah terhadap dollar amerika menggunakan arima, var dan random forest,” CENDEKIA J. Ilmu Pengetah., vol. 5, no. 1, pp. 204–216, Jan. 2025, doi: 10.51878/cendekia.v5i1.4305.

[17]    F. A. Masipupu, A. Setiawan, and B. Susanto, “Prediksi Laju Inflasi dengan Metode Long Short-Term Memory (LSTM) Berdasarkan Data Laju Inflasi dan Pengeluaran Kota Ternate,” Jambura J. Probab. Stat., vol. 6, no. 1, pp. 28–34, 2025, doi: 10.37905/jjps.v6i1.30627.

[18]    B. W. Pangesti and A. Fahrurozi, “Prediksi Nilai Tukar US Dollar dan Ringgit Malaysia Terhadap Rupiah Menggunakan Metode Long Short Term Memory,” J. Komput. dan Teknol., vol. 2, no. 1, pp. 1–7, 2023, doi: 10.58290/jukomtek.v2i1.82.

[19]    Nuryadi, Metodologi Penelitian: Pendekatan Kuantitatif, Kualitatif, dan Campuran., no. Juli. 2024.

[20]    A. L. N. N. S. Fajrina, R. Mumpuni, “Penerapan Single Exponential Smoothing untuk Peramalan Pertumbuhan Pelanggan FTTH,” 2026, doi: 10.33005/santika.v6i1.1046.

[21]    M. Nusrang, S. Muthahharah, Z. Rais, A. T. Utomo, and M. Qodri, “Autoregressive Integrated Moving Average Model with Exogenous Variable ( ARIMAX ) for Forecasting the Money Supply in Indonesia,” vol. 7, no. 1, 2026.