Komparasi Algoritma Linear Regression dan Neural Network Untuk Memprediksi Nilai Kurs Mata Uang
Abstract
Kurs mata uang merupakan hal yang penting bagi perdagangan internasional. Perbedaan nilai mata uang suatu negara dapat mempengaruhi nilai uatu barang atau jasa terhadap negara lain. Kurs mata uang sifatnya dinamis dan dipengaruhi oleh banyak hal seperti permintaan, penawaran, neraca pembayaran, tingkat inflasi, tingkat suku bunga, peraturan dan kebijakan pemerintah. Dengan adanya ilmu data mining, diharapkan dapat membantu pedagang valuta asing atau bank dalam memprediksi nilai mata uang di masa yang akan datang. Penelitian ini bertujuan untuk memprediksi nilai kurs mata uang dan membandingkan algoritma yang paling akurat untuk memprediksi nilai kurs mata uang. Menggunakan metode forecasting, beberapa algoritma dapat diaplikasikan seperti Linear Regression dan Neural Network. Kedua algoritma tersebut dapat digunakan karena memiliki alat ukur time series sebagai acuan dalam metode forecasting. Penulis menggunakan aplikasi RapidMiner sebagai sarana pengimplementasian algoritma terhadap dataset. Proses memprediksi nilai kurs mata uang menggunakan operator windowing yang kemudian diolah menggunakan kedua algoritma sehingga menghasilkan nilai keakuratan nilai prediksi. Hasil penelitian ini adalah nilai prediksi kurs jual dan beli rupiah terhadap SGD Dollar mencapai 10754.600 dan 10641.450. Hasil uji performa menyimpulkan bahwa algoritma Linear Regression sedikit lebih unggul dalam memprediksi nilai kurs mata uang dengan RMSE 28.012 +/- 5.626 dan 27.556 +/- 5.893, Absolute Error sebesar 21.444 +/- 4.095 dan 21.198 +/- 4.247, dan Relative Error sebesar 0.20% +/- 0.04%.
Full Text:
PDF (64-71)References
Atmika, I. K. A. (2016). METODE NUMERIK.
Daniel, T. L. (2005). Discovering knowledge in data: An introduction to data mining. Larose, p. Cm.
Ibnu. (2021). Kurs Adalah: Pengertian, Jenis, dan Faktor yang Memengaruhi Nilai Kurs. https://accurate.id/ekonomi-keuangan/kurs-adalah/#:~:text=Kurs memiliki peranan penting dalam,yang biasa disebut dengan forex.
Khalimi, A. M. (2021, January). Cara Hitung RMSE , MSE, MAPE, dan MAE Dengan Excel. https://www.pengalaman-edukasi.com/2021/01/cara-menghitung-rmse-root-mean-square.html
Konsultan Data Penelitian & ArcGIS. (2020, August 17). Mengenal Analisis Regresi Linier dalam Penelitian. https://patrastatistika.com/analisis-regresi-linear/
Kriesel, D., & Brief, A. (2005). Introduction to Neural Networks. A Brief Introduction to Neural Networks, 34.
Larose, D. T. (2006). Data mining methods & models. John Wiley & Sons.
Larose, D. T., & Larose, C. D. (2014). Discovering knowledge in data: an introduction to data mining (Vol. 4). John Wiley & Sons.
Maulana, R., & Kumalasari, D. (2019). Analisis Dan Perbandingan Algoritma Data Mining Dalam Prediksi Harga Saham Ggrm. Jurnal Informatika Kaputama (JIK), 3(1), 22–28. https://finance.yahoo.com/quote/GGRM.J
Nofriansyah, D., & Nurcahyo, G. W. (2015). Algoritma Data Mining Dan Pengujian. Deepublish.
Nopirin. (2012). Pengantar Ilmu Ekonomi Mikro Makro. BPFE Yogyakarta.
Pujoseno, J. (2018, March 6). Analisis Regresi Linear Sederhana Menggunakan R. https://thinkstudioo.blogspot.com/2018/03/analisis-regresi-linear-sederhana.html
Rachman, T. (2018). Penerapan Aplikasi RapidMiner Untuk Prediksi Nilai Tukar Rupiah Terhadap US Dollar Dengan Metode Regresi Linier. Angewandte Chemie International Edition, 6(11), 951–952., 10–27.
Suprayogi, I., Trimaijon, & Mahyudin. (2014). Model Prediksi Liku Kalibrasi Menggunakan Pendekatan Jaringan Saraf Tiruan (ZST)(Studi Kasus: Sub DAS Siak Hulu). https://media.neliti.com/media/publications/203158-model-prediksi-liku-kalibrasi-menggunaka.pdf
Vulandari, R. T. (2017). Data Mining: Teori dan Aplikasi Rapidminer.
Yanuar R., A. (2018, May 24). Artificial Neural Network (ANN). https://machinelearning.mipa.ugm.ac.id/2018/05/24/artificial-neural-network-ann/
DOI: https://doi.org/10.31294/evolusi.v10i2.13284
ISSN: 2657-0793 (online). ISSN: 2338-8161 (print)
