PEMODELAN WAVELET RECURRENT NEURAL NETWORK PADA DATA NILAI TUKAR RUPIAH TERHADAP DOLLAR AS

Abstract

Pemilihan metode yang tepat dalam memprediksi data sehingga didapat suatu hasil prediksi/estimasi yang akurat merupakan masalah utama dalam peramalan. Salah satu metode peramalan yang baik untuk prediksi data time series adalah dengan menggunakan Neural Network (NN), khususnya Recurrent Neural Network (RNN). Keunggulan RNN mempunyai recurrent layer/ feedback loop sehingga RNN lebih bagus untuk menyelesaikan masalah yang berhubungan dengan data time series. Sedangkan Wavelet merupakan metode alternatif untuk analisis time series. Keunggulan dari analisis Wavelet adalah mampu menganalisis data menjadi komponen yang memiliki frekuensi berbeda melalui translasi (pergeseran) dan dilatasi (penskalaan) dengan cara mendekomposisikan data. Sehingga wavelet mampu menyederhanakan dan mengurangi noise tanpa memperlihatkan penurunan mutu data. Peran dari wavelet pada prediksi data time series yaitu untuk mendekomposisi data sebelum diinputkan pada RNN, setelah proses RNN data direkonstruksi untuk mendapatkan hasil estimasi yang optimal. Untuk mengetahui hasil yang mendekati nilai sebenarnya diukur dengan menggunakan MSE terkecil. Dari keunggulan model Wavelet dan RNN tersebut, maka kedua model digabungkan untuk mendapatkan hasil prediksi/estimasi yang optimal pada data time series dengan menggunakan tiga keluarga wavelet yaitu wavelet Haar, db2, dan db4 dan algoritma training yang digunakan pada RNN adalah Real time recurrent learning yang kemudian disebut Wavelet Recurrent Neural Network (WRNN).