Peramalan Nilai Tukar Rupiah terhadap Dolar AS dengan Model Ensemble dari ARIMA, RNN dan LSTM

Abstract

Perkembangan penelitian dalam bidang analisis statistika telah mendorong lahirnya berbagai metode prediktif yang lebih adaptif dan akurat, khususnya dalam menangani data deret waktu yang kompleks. Perkembangan ini tidak hanya mencakup metode statistika konvensional, tetapi juga integrasi dengan pendekatan berbasis deep learning. Salah satu pendekatan yang berkembang pesat dan banyak dibahas akhir-akhir ini adalah pengombinasian beberapa model tunggal, di antaranya ensemble stacking dan ensemble averaging. Bentuk pengombinasian model yang digunakan dalam penelitian ini adalah dengan mengintegrasikan model ARIMA, LSTM, dan RNN ke dalam kerangka kerja ensemble. Ketiga model tersebut dipilih karena memiliki karakteristik yang saling melengkapi dalam menangani data deret waktu. ARIMA unggul dalam memodelkan pola linier dan stasioner, sedangkan LSTM dan RNN mampu menangkap hubungan nonlinier serta ketergantungan jangka panjang. Melalui pendekatan ensemble stacking dan ensemble averaging, keluaran dari masing-masing model tunggal digabungkan untuk membentuk prediksi akhir yang lebih akurat dan robust. Kombinasi ini diharapkan dapat mengoptimalkan keunggulan setiap metode sekaligus meminimalkan kelemahannya, sehingga menghasilkan kinerja prediktif yang lebih baik dibandingkan penggunaan model tunggal. Data dalam penelitian ini dibangkitkan dengan empat data berbeda, yaitu data tak stasioner, data musiman, data volatilitas, dan data dengan interaksi ?y_t=y?_(t-1)* y_(t-2). Seluruh data dibangkitkan dengan menggunakan AR(1) sebagai dasar, dengan pengulangan sebanyak 10 kali pada masing-masing data. Ukuran data yang digunakan terdiri atas dua jenis, yaitu 500 untuk mewakili sampel berukuran sedang dan 1000 untuk mewakili sampel berukuran besar. Bangkitan simulasi merupakan penggabungan dua karakteristik utama deret waktu, yaitu hubungan sistematis dan unsur acak Hasil analisis simulasi menunjukkan bahwa model ensemble stacking memberikan kinerja terbaik pada seluruh skenario data, yaitu tak stasioner, musiman, volatilitas, dan interaksi. Untuk memastikan keunggulan model, dilakukan pengujian hipotesis dengan uji ANOVA. Hasil uji ANOVA memperlihatkan bahwa terdapat perbedaan signifikan antar-model. Oleh karena itu, dilanjutkan dengan uji Tukey HSD untuk mengidentifikasi model yang tidak berbeda nyata pada setiap ukuran data, berdasarkan tiga metrik evaluasi, yaitu RMSE, MSE, dan MAPE. Hasil pengujian menunjukkan bahwa model stacking, ARIMA, dan averaging secara konsisten termasuk dalam kelompok model yang tidak berbeda nyata pada hampir semua data bangkitan, sehingga dapat disimpulkan bahwa ketiganya memiliki kinerja yang stabil. Perbandingan kinerja antara model ensemble averaging dan ensemble stacking pada data empiris diawali dengan tahap pra-pemrosesan. Data yang diperoleh dari situs web merupakan data harian yang kemudian dikonversi menjadi data mingguan dengan mengambil nilai tertinggi dari kurs jual setiap minggu. Selanjutnya, dilakukan pengujian kestasioneran untuk memastikan karakteristik statistik dari data yang telah dikonversi. Hasil analisis menunjukkan bahwa model ensemble stacking menghasilkan kinerja terbaik berdasarkan tiga metrik evaluasi, yaitu RMSE, MSE, dan MAPE. Keunggulan ini juga terlihat pada hasil peramalan periode mendatang, di mana model ensemble stacking mampu menangkap pola volatilitas yang sebelumnya ditangkap oleh ARIMA, serta pola tren yang ditangkap oleh RNN dan LSTM. Berdasarkan hasil tersebut, dapat disimpulkan bahwa model ensemble stacking merupakan pendekatan terbaik dalam meramalkan nilai tukar Rupiah terhadap Dolar Amerika Serikat pada data empiris.