Peramalan Data Ekonomi Menggunakan Model Hybrid Vector Autoregressive-Long Short Term Memory

Abstrak

Fluktuasi pada harga saham serta nilai tukar Rupiah menimbulkan ketidakpastian bagi investor dalam pengambilan keputusan investasi. Salah satu upaya meminimalisasi risiko investasi adalah dengan melalui peramalan menggunakan metode yang handal. Model peramalan tradisional seperti Vector Autoregressive (VAR) efektif menangkap pola linier, namun kurang mampu mengakomodasi pola yang lebih kompleks. Di sisi lain, model deep learning modern seperti Long Short Term Memory (LSTM) mampu menangani pola yang dinamis (linear dan nonlinear), tetapi memiliki keterbatasan dalam memproses hubungan simultan antara variabel secara konsisten. Penelitian ini bertujuan mengembangkan model peramalan Hybrid dengan mengintegrasikan pendekatan VAR dan LSTM untuk memprediksi Indeks Harga Saham Gabungan (IHSG) dan Kurs Rupiah terhadap Dollar Amerika. Model Hybrid VAR-LSTM memanfaatkan keunggulan VAR untuk pola linier serta LSTM untuk pola nonlinier dalam data deret waktu multivariat. Dengan kerangka kerja OSEMN (Obtain, Scrub, Explore, Model, iNterpret), penelitian ini memastikan proses analisis dilakukan secara sistematis dan komprehensif. Data dari Januari 2004 hingga Desember 2023 digunakan untuk membangun model, sementara data dari Januari hingga Juli 2024 digunakan untuk validasi. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE) untuk mengukur tingkat kesalahan dalam prediksi. Hasil menunjukkan bahwa model Hybrid VAR-LSTM mampu meningkatkan akurasi prediksi dibandingkan dengan model VAR secara independen, ditunjukkan oleh penurunan MAE sebesar 42,72 poin pada prediksi IHSG dan 55,82 poin pada prediksi Kurs Rupiah.
 
Kata kunci — Hybrid VAR-LSTM; Indeks Harga Saham Gabungan; Kerangka Kerja OSEMN; Kurs Rupiah; Peramalan Deret Waktu.