Metode Hybrid Empirical Mode Decomposition dan Least Square Support Vector Regression (EMD-LSSVR) untuk Peramalan Nilai Tukar Mata Uang
DIVA KEMALA, Drs. Danardono, MPH.,Ph.D.
2024 | Skripsi | STATISTIKA
Memperkiraan nilai tukar mata uang secara
akurat memiliki tantangan tersendiri untuk dilakukan karena data runtun waktu
keuangan umumnya bersifat nonstasioner dan nonlinear akibat fluktuasi yang
disebabkan oleh peristiwa politik dan ekonomi. Dalam skripsi ini, dilakukan
peramalan untuk data bulanan dari bulan Januari 2001 hingga Februari 2024 pada
data nilai tukar dolar Amerika Serikat terhadap rupiah Indonesia (USD/IDR) dan
nilai tukar yen Jepang terhadap rupiah Indonesia (JPY/IDR) dengan
mengombinasikan metode Empirical Mode Decomposition
(EMD) dan Least Square Support Vector Regression
(LSSVR). Penentuan parameter optimal untuk LSSVR dilakukan dengan bantuan
algoritma Particle Swarm Optimization
(PSO). Kinerja model prediksi dari metode gabungan EMD-LSSVR ini kemudian
dibandingkan dengan metode ARIMA dan LSSVR menggunakan beberapa metrik
evaluasi, seperti Mean Square Error
(MSE), Root Mean Square Error (RMSE),
Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE).
Hasilnya menunjukkan bahwa metode gabungan EMD-LSSVR konsisten menghasilkan
akurasi prediksi yang lebih baik dibandingkan metode lainnya untuk kedua data
USD/IDR dan JPY/IDR.
Accurately forecasting currency exchange
rates has its own challenges to do because financial time series data are
generally nonstationary and nonlinear due to fluctuations caused by political
and economic events. In this study, forecasting is conducted for the monthly exchange
rate data of the United States dollar against the Indonesian rupiah (USD/IDR) and
the exchange rate data of the Japanese yen against the Indonesian rupiah
(JPY/IDR) from Januari 2001 to February 2024 by combining the Empirical Mode
Decomposition (EMD) and Least Square Support Vector Regression (LSSVR) methods.
Optimum parameters for LSSVR are carried out with the help of Particle Swarm Optimization
(PSO) algorithm. The performance of the predictive model of the hybrid
EMD-LSSVR method is then compared with ARIMA and LSSVR using several evaluation
metrics, such as Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean
Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The results
show that the hybrid EMD-LSSVR method consistently produces better prediction
accuracy than others for both USD/IDR and JPY/IDR data.
Kata Kunci : Nilai tukar mata uang, Empirical Mode Decomposition (EMD), Least Square Support Vector Regression (LSSVR), EMD-LSSVR.