Optimasi Prediksi NilaiTukar Rupiah Terhadap Dolar Menggunakan Neural Network Berbasiskan Algoritma Genetika

Primandani Arsi, Joko Prayogi

Sari


Nilai tukar adalah nilai mata uang sebuah negara yang dinyatakan dalam nilai mata uang negara lain. Sebagai contoh, nilai tukar rupiah (Rp) pada dolar amerika serikat (USD) adalah nilai satu dolar amerika dalam rupiah, begitu juga sebaliknya nilai satu rupiah terhadap dolar amerika. Korelasi nilai tukar ini kaitannya dengan pergadangan internasional dimana etidakpastian nilai tukar menjadi permasalahan yang penting dalam bidang keuangan. Oleh karena itu diperlukan sebuah model prediksi guna memprakirakan nilai tukar dimasa depan. Hasil yang akurat dalam prediksi nilai tukar ini sangat bermanfaat bagi pemegang kepentingan dimasa depan. Pada peneltian ini prediksi data nilai tukar rupiah pada dolar dilakukan dengan menggunakan Neural Network berbasis algoritma genetika. Berdasarkan eksperimen yang dilakukan pada data time series nilai tukar rupiah pada dolar periode 1 Januari 2013 sd 30 Agustus 2018 yang berjumlah 1470 record menggunakan metode Neural Network berbasis algoritma Genetika, terbukti bahwa model optimasi tersebut mampu meningkatkan hasil akurasi prediksi yaitu dari 0,010 +/- 0,001 menjadi 0,008 +/- 0,001, terjadi penurunan nilai RMSE sebesar 0,002 yang berarti peningkatan akurasi prediksi.


Kata Kunci


Data mining, Neural Network, Algoritma Genetika, Big Data

Teks Lengkap:

PDF

Referensi


Arifin, S., & Mayasya, S. (2018). Faktor - faktor yang mempengaruhi nilai tukar rupiah terhadap dolar amerika serikat. Jurnal Ekonomi-Qu, 8(1), 82–96.

Arsi, P., Somantri, O., Hasanah, U., Imron, M., & Waluyo, R. (2018). A Proposed Model Of Neural Network For Rupiah Exchange Rate ’ s Prediction (pp. 2–5). IEEE.

Badrul, M. (2017). Optimasi Algoritma Neural Network Dengan Algoritma Genetika Dan Particle Swarm Optimization Untuk Memprediksi Hasil Pemilukada. Jurnal Pilar Nusa Mandiri, 13(1), 1–11. Retrieved from http://ejournal.nusamandiri.ac.id/ejurnal/index.php/pilar/article/view/329

Caballero, J., Candelaria, C., & Hael, G. (2018). Bank linkages and international trade. Journal of International Economics, 115, 30–47. https://doi.org/10.1016/j.jinteco.2018.08.006

Christioko, B. V., Indriyawati, H., & Hidayati, N. (2017). FUZZY MULTI-ATRIBUTE DECISION MAKING ( FUZZY MADM ) DENGAN METODE SAW UNTUK PEMILIHAN MAHASISWA BERPRESTASI. Jurnal Transformatika, 14(2), 82–85.

Dash, R. (2018). Performance analysis of a higher order neural network with an improved shuffled frog leaping algorithm for currency exchange rate prediction. Applied Soft Computing Journal, 67, 215–231. https://doi.org/10.1016/j.asoc.2018.02.043

Demian, C.-V., & Mauro, F. Di. (2017). The exchange rate, asymmetric shocks and asymmetric distributions. International Economics, 154, 68–85. https://doi.org/10.1016/j.inteco.2017.10.005

Dharmawati, A. (2018). MODEL NEURAL NETWORK BERBASIS PSO DALAM PREDIKSI NILAI TUKAR RUPIAH TERHADAP EURO. Technologia, 9(1), 26–32.

Jain, S., Shukla, S., & Wadhvani, R. (2018). Dynamic selection of Normalization Techniques using Data Complexity Measures. Expert Systems with Applications, 106, 252–262. https://doi.org/10.1016/j.eswa.2018.04.008

Jena, P. R., Majhi, R., & Majhi, B. (2015). Development and performance evaluation of a novel knowledge guided artificial neural network (KGANN) model for exchange rate prediction. Journal of King Saud University - Computer and Information Sciences, 27(4), 450–457. https://doi.org/10.1016/j.jksuci.2015.01.002

Junaidi, S. K., Sulasmiyati, S., & Nurlaily, F. (2018). PENGARUH PENDAPATAN NASIONAL , INFLASI DAN NILAI TUKAR YUAN TERHADAP IMPOR INDONESIA DARI CHINA PERIODE 2010-2017. Jurnal Administrasi Bisnis (JAB), 60(2), 111–118.

Kallahi-Karai, K., & Safari, P. (2018). Future exchange rates and Siegel’s paradox. Global Finance Journal, 37, 168–172. https://doi.org/10.1016/j.gfj.2018.04.007

Keefe, H. G., & Shadmanicor, H. (2018). Foreign exchange market intervention and asymmetric preferences. Emerging Markets Review, #pagerange#. https://doi.org/10.1016/j.ememar.2018.08.001

Lee, K. (2017). Systematic exchange rate variation: Where does the dollar factor come from? International Review of Economics and Finance, 56, 288–307. https://doi.org/10.1016/j.iref.2017.10.030

Mamadli, S. (2017). Analysis of chaos and nonlinearities in a foreign exchange market. In Procedia Computer Science (Vol. 120, pp. 901–907). Budapest, Hungary: Elsevier B.V. https://doi.org/10.1016/j.procs.2017.11.324

Moghaddam, A. H., Moghaddam, M. H., & Esfandyari, M. (2016). Stock market index prediction using artificial neural network. Journal of Economics, Finance and Administrative Science, 21(41), 89–93. https://doi.org/10.1016/j.jefas.2016.07.002

Nikentari, N., Kurniawan, H., Ritha, N., & Kurniawan, D. (2018). OPTIMASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI PASANG SURUT AIR LAUT. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 5(5). https://doi.org/10.25126/jtiik2018551055

Pandey, T. N., Jagadev, A., Dehuri, S., & Cho, S. B. (2018). A novel committee machine and reviews of neural network and statistical models for currency exchange rate prediction: An experimental analysis. Journal of King Saud University - Computer and Information Sciences. https://doi.org/10.1016/j.jksuci.2018.02.010

Prasetyoningsih, D., Taunay, E. G. P., & Fathoni, A. (2018). Pengaruh Nilai Tukar Rupiah Terhadap Return Saham yang Terdaftar di Bursa Efek Indonesia (Studi Kasus Perusahaan LQ 45 Periode Januari 2012 - Desember 2015). Journal Of Management Unpand, 4(4).

Shen, F., Chao, J., & Zhao, J. (2015). Forecasting exchange rate using deep belief networks and conjugate gradient method. Neurocomputing, 167, 243–253. https://doi.org/10.1016/j.neucom.2015.04.071

Shu, L., Shi, K., & Ye, H. (2018). Exchange rate volatility and trade: The role of credit constraints. Review of Economic Dynamics, 30(April), 203–222. https://doi.org/10.1016/j.red.2018.05.002

Steinwandter, V., Šišmiš, M., Sagmeister, P., Bodenhofer, U., & Herwig, C. (2018). Multivariate analytics of chromatographic data: Visual computing based on moving window factor models. Journal of Chromatography B: Analytical Technologies in the Biomedical and Life Sciences, 1092, 179–190. https://doi.org/10.1016/j.jchromb.2018.06.010

Sugianto, C. A., & Fachruddin, F. (2018). Prediksi Pergerakan Harga Valas Menggunakan Algoritma Neural Network. Jurnal Pengembangan IT (JPIT), 03(01), 20–25.

Suryani, N., & Priyanti, E. (2019). Optimasi Naïve Bayes Dan Algoritma Genetika Untuk Prediksi Penerimaan Beasiswa Pendidikan Pada SMP Utama. Jurnal Teknik Komputer AMIK BSI, V(2), 51–58. https://doi.org/10.31294/jtk.v4i2

Thinyane, H., & Millin, J. (2011). An Investigation into the Use of Intelligent Systems for Currency Trading. Computational Economics, 37(4), 363–374. https://doi.org/10.1007/s10614-011-9260-4

Wahyuni, I., Ahda, F. A., & Adipraja, P. F. E. (2018). PENERAPAN METODE HYBRID FIS TSUKAMOTO DAN ALGORITMA GENETIKA UNTUK PREDIKSI CURAH HUJAN DI DAERAH BATU. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 5(4), 483–492. https://doi.org/10.25126/jtiik.

Wicaksono, S. A. (2019). OPTIMASI SISTEM PENEMPATAN MAGANG MENERAPKAN ALGORITME GENETIKA. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 6(1). https://doi.org/10.25126/jtiik.20196950

Windarti, M., & Sulistyowati, I. (2019). Korelasi Nilai UN , IP Tahun Pertama Terhadap Masa Studi Dengan Backpropagation. Jurnal Ilmiah SISFOTENIKA, 9(2), 114–124.




DOI: https://doi.org/10.31294/ji.v7i1.6793

Refbacks

  • Saat ini tidak ada refbacks.


##submission.license.cc.by4.footer##

Index by:

 
  
   
      
 dipublikasikan oleh LPPM Universitas Bina Sarana Informatika dengan dukungan Relawan Jurnal Indonesia

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License