PERAMALAN NILAI TUKAR RUPIAH TERHADAP YEN, YUAN, DAN DOLAR AMERIKA DENGAN GENERAL REGRESSION NEURAL NETWORK DAN LONG SHORT-TERM MEMORY

Ardianti, Ni Kadek Rina (2024) PERAMALAN NILAI TUKAR RUPIAH TERHADAP YEN, YUAN, DAN DOLAR AMERIKA DENGAN GENERAL REGRESSION NEURAL NETWORK DAN LONG SHORT-TERM MEMORY. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2015101006-COVER.pdf
Download (1MB)
[img] Text (ABSTRAK)
2015101006-ABSTRAK.pdf
Download (54kB)
[img] Text (BAB 1 PENDAHULUAN)
2015101006-BAB 1 PENDAHULUAN.pdf
Download (85kB)
[img] Text (BAB 2 KAJIAN PUSTAKA)
2015101006-BAB 2 KAJIAN PUSTAKA.pdf
Restricted to Repository staff only
Download (277kB) | Request a copy
[img] Text (BAB 3 METODE PENELITIAN)
2015101006-BAB 3 METODE PENELITIAN.pdf
Restricted to Repository staff only
Download (293kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2015101006-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 5 SIMPULAN DAN SARAN)
2015101006-BAB 5 SIMPULAN DAN SARAN.pdf
Restricted to Repository staff only
Download (72kB) | Request a copy
[img] Text (DAFTAR RUJUKAN)
2015101006-DAFTAR RUJUKAN.pdf
Download (202kB)
[img] Text (LAMPIRAN)
2015101006-LAMPIRAN.pdf
Download (137kB)

Abstract

Penelitian ini bertujuan untuk meramalkan nilai tukar Rupiah terhadap Yen, Yuan, dan USD menggunakan metode General Regression Neural Network (GRNN) dan Long Short-Term Memory (LSTM). Dua tujuan utama dari penelitian ini adalah: (1) Mengidentifikasi model prediksi nilai tukar mata uang Yen, Yuan, dan USD terhadap Rupiah menggunakan metode GRNN dan LSTM, serta (2) Mengevaluasi kinerja model prediksi nilai tukar tersebut. Data yang digunakan dalam penelitian ini berasal dari situs resmi Bank Indonesia, mencakup periode 1 Januari 2020 hingga 1 Januari 2024 dengan 990 data record untuk masing-masing mata uang. Data pre-processing dilakukan dengan normalisasi menggunakan MinMaxScaler, mengubah data menjadi bentuk sequence, dan membagi dataset. Model GRNN dibangun untuk mempelajari hubungan antara input sequence dengan output sequence dari data training, kemudian digunakan untuk membuat prediksi pada data testing. Model LSTM dilatih menggunakan sequence data historis nilai tukar, lalu diuji untuk membuat prediksi pada data testing dengan evaluasi menggunakan Mean Absolute Error (MAE), R-squared (R²) Mean Absolute Percentage Error (MAPE), dam Bias. Evaluasi kinerja model menunjukkan bahwa LSTM umumnya lebih akurat dibandingkan GRNN. Untuk Yen, LSTM memiliki MAE sebesar 61.792 dibandingkan dengan GRNN yang memiliki MAE sebesar 65.104. Pada Yuan, LSTM menunjukkan keunggulan dengan MAE 6.657 dibandingkan dengan GRNN yang memiliki MAE sebesar 7.825. Untuk USD, LSTM juga menunjukkan performa lebih baik dengan MAE 51.468 dibandingkan dengan GRNN yang memiliki MAE sebesar 53.754. Hasil ini menunjukkan potensi besar LSTM dalam model prediksi nilai tukar mata uang, yang dapat digunakan untuk analisis lebih lanjut dan pengambilan keputusan di bidang ekonomi dan keuangan.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: valuta asing, prediksi, nilai tukar rupiah, GRNN, LSTM, data time series
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Ni Kadek Rina Ardianti
Date Deposited: 01 Aug 2024 00:09
Last Modified: 01 Aug 2024 00:09
URI: http://repo.undiksha.ac.id/id/eprint/21638

Actions (login required)

View Item View Item