Benaya Pradito
Universitas Nusa Mandiri

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Komparasi Algoritma Linear Regression dan Neural Network Untuk Memprediksi Nilai Kurs Mata Uang Benaya Pradito; Dini Silvi Purnia
Evolusi : Jurnal Sains dan Manajemen Vol 10, No 2 (2022): Jurnal Evolusi 2022
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/evolusi.v10i2.13284

Abstract

Kurs mata uang merupakan hal yang penting bagi perdagangan internasional. Perbedaan nilai mata uang suatu negara dapat mempengaruhi nilai uatu barang atau jasa terhadap negara lain. Kurs mata uang sifatnya dinamis dan dipengaruhi oleh banyak hal seperti permintaan, penawaran, neraca pembayaran, tingkat inflasi, tingkat suku bunga, peraturan dan kebijakan pemerintah. Dengan adanya ilmu data mining, diharapkan dapat membantu pedagang valuta asing atau bank dalam memprediksi nilai mata uang di masa yang akan datang. Penelitian ini bertujuan untuk memprediksi nilai kurs mata uang dan membandingkan algoritma yang paling akurat untuk memprediksi nilai kurs mata uang. Menggunakan metode forecasting, beberapa algoritma dapat diaplikasikan seperti Linear Regression dan Neural Network. Kedua algoritma tersebut dapat digunakan karena memiliki alat ukur time series sebagai acuan dalam metode forecasting. Penulis menggunakan aplikasi RapidMiner sebagai sarana pengimplementasian algoritma terhadap dataset. Proses memprediksi nilai kurs mata uang menggunakan operator windowing yang kemudian diolah menggunakan kedua algoritma sehingga menghasilkan nilai keakuratan nilai prediksi. Hasil penelitian ini adalah nilai prediksi kurs jual dan beli rupiah terhadap SGD Dollar mencapai 10754.600 dan 10641.450. Hasil uji performa menyimpulkan bahwa algoritma Linear Regression sedikit lebih unggul dalam memprediksi nilai kurs mata uang dengan RMSE 28.012 +/- 5.626 dan 27.556 +/- 5.893, Absolute Error sebesar 21.444 +/- 4.095 dan 21.198 +/- 4.247, dan Relative Error sebesar 0.20% +/- 0.04%.