Kinerja Metode Double Random Forest dan Long Short-Term Memory untuk Analisis Indikator Ekonomi

Abstract

Metode pembelajaran mesin dapat digunakan sebagai metode alternatif untuk menganalisis data deret waktu. Metode berbasis pohon termasuk ke dalam supervised learning. Double Random Forest (DRF) merupakan metode berbasis pohon yang dikembangkan pada tahun 2020. Metode ini merupakan pengembangan dari Random Forest (RF). Menurut pengembangnya, keunggulan DRF adalah mampu meningkatkan kinerja dari RF saat RF mengalami underfitting. Selain metode berbasis pohon, metode jaringan syaraf juga dapat digunakan untuk menganalisis data deret waktu. Long Short-Term Memory (LSTM) merupakan metode jaringan syaraf yang memiliki kemampuan untuk menganalisis data tidak linier dan menyimpan informasi dalam jangka waktu yang panjang. Perbandingkan kinerja metode DRF dan LSTM belum pernah diteliti sebelumnya. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja metode DRF dan LSTM menggunakan data simulasi. Selain menggunakan data simulasi, penelitian ini juga membandingkan kinerja dari DRF dan LSTM pada data empiris. Data simulasi dalam penelitian ini dibangkitkan dengan empat skenario yang berbeda yaitu data simulasi deret waktu linier dan tidak linier yang underfitting dan tidak underfitting. Data simulasi deret waktu linier underfitting dan tidak underfitting dibangkitkan dari model Autoregressive Integrated Moving Average (ARIMA). Adapun model ARIMA yang digunakan adalah ARIMA (1,1,1), ARIMA (2,1,2), dan ARIMA (3,1,3). Jumlah periode waktu yang dibangkitkan adalah 120 dan 360 periode waktu. Pada setiap kombinasi model dan periode waktu dilakukan pembangkitan data sebanyak 20 ulangan, sehingga pada seluruh kombinasi model dan periode waktu dapat diperoleh masing-masing 120 data simulasi linier underfitting dan tidak underfitting. Pembangkitan data simulasi tidak linier underfitting dan tidak underfitting dilakukan menggunakan model deret waktu tidak linier yaitu Self-Exciting Threshold Auto Regressive (2,1,1). Pembentukan data yang underfitting dan tidak underfitting tersebut dilakukan berdasarkan hasil trial dan error. Penelitian ini juga menerapkan metode DRF dan LSTM pada data empiris. Data empiris yang digunakan adalah data indikator ekonomi bulanan dari bulan Januari 2010 sampai Desember 2022. Data indikator ekonomi yang digunakan dalam penelitian ini adalah nilai tukar rupiah, cadangan devisa, impor, ekspor, dan M1 (jumlah uang beredar). Kelima indikator ekonomi ini dipilih karena memiliki karakteristik yang berbeda-beda yaitu linier dan tidak linier yang underfitting dan tidak underfitting. Karakteristik dari kelima indikator diidentifikasi melalui analisis Random Forest dan Uji Terasvirta. Peubah respon yang digunakan dalam penelitian ini adalah data pada waktu ke-t, sedangkan peubah prediktornya adalah data pada waktu ke-t-1. Hasil studi simulasi pada data linier underfitting dan tidak underfitting secara eksploratif berdasarkan boxplot menunjukkan bahwa metode LSTM memiliki sebaran nilai RMSE, MAE, dan MAPE yang lebih kecil dibandingkan dengan DRF. Selanjutnya, berdasarkan hasil analisis sidik ragam menunjukkan terdapat perbedaan nilai keakuratan ramalan yang dihasilkan kedua model tergantung pada karakteristik data simulasi. Saat dilakukan pengujian menggunakan uji t berpasangan diperoleh kesimpulan bahwa terdapat perbedaan rata-rata nilai RMSE, MAE, dan MAPE yang signifikan pada DRF dan LSTM. Dengan demikian, dapat disimpulkan bahwa pada data simulasi linier underfitting dan tidak underfitting metode LSTM memiliki kinerja yang lebih baik dibandingkan dengan DRF. Perbandingan kinerja metode DRF dan LSTM pada data simulasi tidak linier underfitting secara eksploratif menggunakan boxplot menunjukkan bahwa sebaran nilai RMSE, MAE, dan MAPE metode DRF lebih kecil dibandingkan dengan LSTM. Pada data simulasi tidak linier tidak underfitting, diperoleh hasil bahwa metode DRF dan LSTM memiliki sebaran nilai RMSE, MAE, dan MAPE yang hampir sama. Analisis sidik ragam juga dilakukan pada data simulasi tidak linier underfitting dan tidak underfitting berdasarkan ketiga ukuran keakuratan ramalan. Hasil analisis sidik ragam menunjukkan bahwa terdapat perbedaan nilai keakuratan ramalan yang dihasilkan kedua model tergantung pada karakteristik data simulasi. Selanjutnya, dilakukan pengujian menggunakan uji t berpasangan, kesimpulan yang diperoleh yaitu terdapat perbedaan rata-rata nilai RMSE, MAE, dan MAPE yang signifikan dari metode DRF dan LSTM pada data simulasi tidak linier underfitting. Kesimpulan dari uji t berpasangan pada data simulasi tidak linier tidak underfitting adalah tidak terdapat perbedaan rata-rata nilai RMSE, MAE, dan MAPE yang signifikan dari metode DRF dan LSTM. Oleh karena itu, dapat disimpulkan bahwa metode DRF memiliki kinerja yang lebih baik dibandingkan dengan LSTM pada data simulasi tidak linier underfitting, sedangkan pada data simulasi tidak linier tidak underfitting metode DRF memiliki kinerja yang tidak berbeda signifikan dengan LSTM. Perbandingan kinerja metode DRF dan LSTM pada data empiris dilakukan setelah dilakukan identifikasi karakteristik data menggunakan Random Forest dan Uji Terasvirta. Hasil pemeriksaan karakteristik data menunjukkan bahwa Nilai tukar rupiah memiliki karakteristik tidak linier tidak underfitting. Cadangan devisa memiliki karakteristik linier tidak underfitting. Impor memiliki karakteristik tidak linier underfitting. Ekspor memiliki karakteristik tidak linier tidak underfitting. M1 memiliki karakteristik linier underfitting. Hasil analisis data empiris menggunakan metode DRF dan LSTM menunjukkan bahwa metode LSTM memiliki kinerja lebih baik dibandingkan dengan DRF pada data M1, cadangan devisa, dan ekspor. Sebaliknya, pada data impor dan nilai tukar rupiah metode DRF memiliki kinerja yang lebih baik dibandingkan dengan LSTM. Pemilihan metode dengan kinerja terbaik didasarkan pada nilai RMSE, MAE, dan MAPE terkecil. Metode dengan kinerja terbaik digunakan untuk meramalkan setiap indikator ekonomi.