Prediksi Nilai Tukar MYR/IDR Menggunakan Metode RNN Dengan Optimasi PSO
DOI:
https://doi.org/10.33005/santika.v6i1.1191Keywords:
Nilai Tukar, MYR/IDR, Recurrent Neural Network, Particle Swarm Optimization, Prediksi Deret Waktu, Optimasi HyperparameterAbstract
Nilai tukar mata uang merupakan indikator fundamental yang mencerminkan kestabilan ekonomi suatu negara dan memiliki dampak signifikan terhadap perdagangan internasional, arus investasi, serta kebijakan moneter. Penelitian ini berfokus pada prediksi nilai tukar Ringgit Malaysia terhadap Rupiah Indonesia menggunakan pendekatan hybrid yang menggabungkan metode Recurrent Neural Network dengan algoritma Particle Swarm Optimization sebagai mekanisme optimasi hyperparameter. Data yang digunakan merupakan data harian nilai tukar MYR/IDR dari periode 1 Januari 2019 hingga 31 Desember 2025 yang bersumber dari investing.com. Algoritma PSO dikonfigurasi dengan 100 partikel dan 20 iterasi untuk mencari kombinasi hyperparameter RNN yang optimal dengan meminimalkan nilai MSE pada data validasi sebagai fungsi objektif. Model yang dihasilkan dievaluasi menggunakan metrik MSE, MAE, MAPE, dan R-Squared. Hasil evaluasi menunjukkan performa yang sangat baik dengan nilai MAPE sebesar 0,2909% dan koefisien determinasi R² sebesar 0,9964, yang berarti model mampu menjelaskan 99,63% variasi pergerakan nilai tukar aktual. Penelitian ini membuktikan bahwa integrasi RNN dan PSO menghasilkan model prediksi nilai tukar yang akurat, stabil, dan andal sebagai alat bantu pengambilan keputusan ekonomi.
References
Putu Krishna Candrawinata dan I Nyoman Wahyu Widiana, “Determinants Analysis Of Indonesia’s Foreign Exchange Reserves In 1990-2023,” IJEMA, vol. 2, no. 3, hlm. 239–251, Mei 2025, doi: 10.61132/ijema.v2i3.722.
A. I. Rahutami, "Menjaga Volatilitas Nilai Tukar: Faktor Pendukung Pengembangan Bisnis di ASEAN," Kinerja: Jurnal Ekonomi dan Bisnis, vol. 12, no. 1, hlm. 77-93, 2008.
M. W. Tirta, M. K. Nursyarif, I. Hasmadi, F. Akbar, dan F. Yulianto, “Prediksi Kurs Mata Uang Rupiah Terhadap Ringgit Malaysia Menggunakan Algoritma Backpropagation,” Jurnal Penelitian Teknik Informatika, Manajemen Informatika dan Sistem Informasi, vol. 11, no. 1, hlm. 25–33, Apr 2024, doi: 10.31294/inf.v11i1.20946.
E. C. Wibowo dan A. D. Cahyono, "Analisis Perbandingan Algoritma Regresi Linier dengan Neural Network untuk Prediksi Harga Saham," Sistemasi: Jurnal Sistem Informasi, vol. 14, no. 4, hlm. 1879-1896, 2025.
N. Birdi, P. K. Sarangi, T. Singla, A. K. Sahoo, dan G. B. Subudhi, “Forex trend analysis using RNN and LSTM models: Predictive analytics through neural networks,” 2023 International Conference on Computational Intelligence and Sustainable Engineering Solutions (CISES). IEEE, hlm. 206–210, Apr 28, 2023. doi: 10.1109/cises58720.2023.10183561.
R. Sumargo dan I. Wasito, “Deep Learning for Exchange Rate Prediction Within Time Constrain,” SinkrOn, vol. 8, no. 3, hlm. 1259–1271, Jul. 2024, doi: 10.33395/sinkron.v8i3.13633.
A. Pramuntadi, "Model Prediksi Rentet Waktu Neural Network Berbasis Particle Swarm Optimization untuk Prediksi Harga Saham," Telematika, vol. 14, no. 2, hlm. 100-106, 2017.
A. K. Saputra, R. Y. Endra, dan E. Erlangga, “Optimasi Parameter Neural Network untuk Meningkatkan Efisiensi Pembelajaran Model,” Expert J. Manaj. Sist. Inf. dan Teknol., vol. 15, no. 2, hlm. 220, Des 2025, doi: 10.36448/expert.v15i2.4618.
H. W. Dinara, Y. D. N. Aini, M. V. I. Fajar, P. P. Salsabila, dan H. N. Fanis, "Perdagangan Internasional: Peran Permintaan dan Penawaran dalam Menentukan Nilai Tukar," Jurnal Penelitian Multidisiplin Terpadu, vol. 9, no. 5, hlm. 233-242, 2025.
Arwansyah, Suryani, Hasyrif SY, Usman, Ahyuna, dan S. Alam, "Time Series Forecasting Menggunakan Deep Gated Recurrent Units," Digital Transformation Technology (Digitech), vol. 4, no. 1, hlm. 410-416, 2024.
S. K. N. A. Putri, I. Jumiatin, I. Sulistia, N. A. B. Saputra, dan N. Wiranda, "Penerapan Hyperparameter Tuning pada Model Klasifikasi untuk Prediksi Risiko Penyakit Jantung," MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 4, hlm. 1181-1189, 2025.
A. Rofii dan E. L. Putri, "Tinjauan Komprehensif Jaringan Syaraf Tiruan RNN: Karakteristik, dan Aplikasi dalam Peramalan Energi Bangunan Gedung," Jurnal Kajian Teknik Elektro, vol. 9, no. 2, hlm. 1-11, 2024.
M. Juneja dan S. K. Nagar, “Particle swarm optimization algorithm and its parameters: A review,” 2016 International Conference on Control, Computing, Communication and Materials (ICCCCM). IEEE, hlm. 1–5, Okt 2016. doi: 10.1109/iccccm.2016.7918233.
A. Kaveh, “Particle Swarm Optimization,” Advances in Metaheuristic Algorithms for Optimal Design of Structures. Springer International Publishing, hlm. 9–40, 2014. doi: 10.1007/978-3-319-05549-7_2.
H. Nuha, “Mean Squared Error (MSE) dan Penggunaannya,” JAPATUM, vol. 3, no. 4, Okt 2025, doi: 10.59328/japatum.2024.3.4.107.
A. Deolika, L. N. Hasinah, M. Iqbal, dan M. N. Aripin, “PREDIKSI KEHILANGAN FUNGSI SUNGAI KAPUAS DENGAN METODE LSTM,” Com, Engine, Sys, Sci, vol. 6, no. 3, hlm. 1192–1203, Des 2025, doi: 10.46576/djtechno.v6i3.7736.
B. W. Pangesti dan A. Fahrurozi, “Prediksi Nilai Tukar US Dollar dan Ringgit Malaysia Terhadap Rupiah Menggunakan Metode Long Short Term Memory,” jukomtek, vol. 2, no. 1, hlm. 1–7, Jul. 2023, doi: 10.58290/jukomtek.v2i1.82.
K. Syaban dan Mardiawati, “Evaluasi Model Ensemble Learning pada Identifikasi Faktor Risiko Diabetes Mellitus,” JATI, vol. 15, no. 2, hlm. 121–130, Sep. 2025, doi: 10.34010/jati.v15i2.16238.
M. M. Al Haromainy, D. A. Prasetya, dan A. P. Sari, “Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data,” TIERS, vol. 4, no. 1, hlm. 16–24, Jun. 2023, doi: 10.38043/tiers.v4i1.4326.
I. A. Taufik, T. Trimono, dan A. Muhaimin, “Prediction of The Islamic Stock Price Index and Risk of Loss Using The Long Short-Term Memory (LSTM) and Value At Risk (VaR),” IJDASEA Int’l J. of DA. DE. DA., vol. 4, no. 01, hlm. 12–22, Mei 2024, doi: 10.33005/ijdasea.v4i01.16.
A. Muhaimin, D. D. Prastyo, dan H. Horng-Shing Lu, “Forecasting with Recurrent Neural Network in Intermittent Demand Data,” 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence). IEEE, hlm. 802–809, Jan 28, 2021. doi: 10.1109/confluence51648.2021.9376880.
M. Idhom, A. Fauzi, T. Trimono, dan P. Riyantoko, “Time Series Regression: Prediction of Electricity Consumption Based on Number of Consumers at National Electricity Supply Company,” TEM Journal, hlm. 1575–1581, Agu 2023, doi: 10.18421/tem123-39.
R. Ardi, M. Idhom, dan K. M. Hindrayani, “Effectiveness of Extreme Learning Machine in Online Payment Transaction Fraud Detection,” bit-Tech, vol. 8, no. 2, hlm. 1594–1604, Des 2025, doi: 10.32877/bt.v8i2.3005.
