PERAMALAN NILAI TUKAR RUPIAH TERHADAP DOLAR AS MENERAPKAN ARIMA, VAR DAN RANDOM FOREST
DOI:
https://doi.org/10.51878/cendekia.v5i1.4305Keywords:
Nilai Tukar Rupiah, ARIMA, VAR, Random Forest, MapeAbstract
The weakening of the rupiah affects imported goods, pushing up products that use imported raw materials so that production costs will increase and logistics costs soar. Consequently, UMKM players and t society are victimized. Another impact is that foreign debt becomes more expensive to pay. This certainly impacts the suppression of the State Budget (APBN). The assumption of the rupiah exchange rate against the United States dollar (US) plays a vital role in the structure of the APBN, so analysis is needed to determine the dynamics of changes in the rupiah exchange rate against the US dollar. Therefore, an accurate rupiah exchange rate forecasting model is required. Various methods can be used to produce accurate predictions. This research, will conduct forecasting of the Rupiah exchange rate against the US Dollar by comparing the ARIMA, VAR, and Random Forest methods. The best method will be selected based on the smallest MAPE. The data is secondary data from January 2021 to March 2024 obtained from the BI and BPS websites. Based on the MAPE, the best model was chosen in forecasting the rupiah exchange rate against the US dollar, namely ARIMA (0,2,1) with a MAPE of 1%. The output of forecasting the rupiah exchange rate against the US dollar for April - December 2024 using ARIMA (0,2,1) ranges from Rp. 15,841 - Rp. 16,202 with an average of Rp. 16,021.
ABSTRAK
Melemahnya rupiah berpengaruh terhadap barang impor yang mendorong kenaikan produk-produk yang menggunakan bahan baku tersebut. Akibatnya, biaya produksi akan meningkat dan ongkos logistik melonjak. Konsekuensinya, pelaku UMKM dan masyarakat menjadi korban. Dampak lainnya adalah meningkatnya biaya untuk melunasi utang luar negeri. Hal ini tentu berimbas pada penekanan Anggaran Pendapatan dan Belanja Negara (APBN). Asumsi nilai tukar rupiah terhadap dolar Amerika Serikat (AS) memainkan peran vital dalam struktur APBN, maka diperlukan analisis untuk mengetahui dinamika perubahan nilai tukar rupiah terhadap dolar AS. Oleh karena itu, diperlukan model peramlaan nilai tukar rupiah yang akurat. Terdapat berbagai metode yang dapat dioperasikan untuk menghasilkan prediksi yang akurat. Pada penelitian akan dilakukan peramalan nilai tukar Rupiah terhadap Dolar AS dengan membandingkan metode ARIMA, VAR dan Random Forest. Metode terbaik akan dipilih berdasarkan nilai MAPE terkecil. Data yang diaplikasikan merupakan data bulanan dari bulan Januari 2021 sampai dengan bulan Maret 2024 yang berasal dari website BI dan BPS. Berdasarkan nilai MAPE, terpilihlah model terbaik dalam meramalkan nilai tukar rupiah terhadap dolar AS yaitu ARIMA (0,2,1) dengan MAPE sebesar 1%. Output peramalan nilai tukar rupiah terhadap dolar AS untuk bulan April – Desember 2024 menggunakan ARIMA (0,2,1) berkisar antara Rp. 15.841 – Rp. 16.202 dengan rata-rata Rp. 16.021.
Downloads
References
Agustina, A., Barus, A, C., Firza, S, U., Halim, F., Ginting, L, T, Br. (2024). Volatilitas Nilai Tukar dan Harga Komoditas Global selama Krisis Laut Merah. Jurnal Akuntansi, Keuangan, dan Manajemen, 5(4),327-339
Aswi, & Sukarna. (2006). Analisis Deret Waktu: Teori dan Aplikasi (Pertama). Andira Publisher.
Devi, A., & Hendikawati, P. (2024). Prediksi Kurs Rupiah Terhadap Dolar dengan Menggunakan Model Long-Short Term Memory. PRISMA : Prosiding Seminar Nasional Matematika
Hanoeboen, B. R. (2017). Analisis Pengaruh Harga Minyak Dunia, Nilai Tukar Rupiah, Inflasi Dan Suku Bunga Sbi Terhadap Indeks Harga Saham Gabungan (IHSG). Jurnal Cita Ekonomika, 11(1), 35–40. https://doi.org/10.51125/citaekonomika.v11i1.2630
Indraswari, N. K. (2016). Analisis Variabel Ekonomi Makro yang Mempengaruhi Kurs Rupiah Terhadap Mata Uang Negara-Negara ASEAN. Jurnal Ilmiah Mahasiswa FEB, 4(2), Article 2. https://jimfeb.ub.ac.id/index.php/jimfeb/article/view/3133
Kartikasari, D., & Khoirudin, R. (2022). Analisis Determinan Yang Mempengaruhi Impor di Indonesia Periode 2011—2020.
Listyawati, I., & Kristiana, I. (2021). Pengaruh Return on Equity, Current Ratio, Size Company dan Debt to Equity Ratio Terhadap Nilai Perusahaan. MAKSIMUM, 10(2), 47. https://doi.org/10.26714/mki.10.2.2020.47-57
Montgomery, D. C., Jennings, C. L., & Kulachi, M. (2008). Introduction to Time Series Analysis and Forecasting. John Wiley & Sons. Inc.
Nasution, S., Silalahi, P. R., & Khairunnisa, A. (2022). Analisis Pengaruh GDP, Inflasi, CAR, Dan NPF Terhadap Profitabilitas Perbankan Syariah Di Indonesia. Jurnal Ilmiah Ekonomi Islam, 8(3), 3283. https://doi.org/10.29040/jiei.v8i3.6352
Rossi, B. (2013). Exchange Rate Predictability. Journal of Economic Literature, 51(4), 1063–1119. https://doi.org/10.1257/jel.51.4.1063
Susetianingtias, D. T., Patriya E., & Rodiah. (2022). Model Random Forest Regression Untuk Peramalan Penyebaran Covid-19 Di Indonesia: Random Forest Regression Model for Forecast Of Covid-19 Spread In Indonesia. Decode: Jurnal Pendidikan Teknologi Informasi, 2(2), 84–95. https://doi.org/10.51454/decode.v2i2.48
Wei, W. W. S. (2006). Time Series Analysis: Univariate and Multivariate Methods (Second Edition). Greg Tobia.
Wibowo, H., Lukasanto, W., Pujiastuti, P., & Widito, H. T. (2018). Kajian Dampak Perubahan Asumsi Dasar Ekonomi Makro Terhadap Sensitivitas Pembayaran Bunga Utang. Jurnal Anggaran dan Keuangan Negara Indonesia (AKURASI), 2(2), 14. https://doi.org/10.33827/akurasi2018.vol2.iss2.art38
Wulandari, R. A., & Gernowo, R. (2019). Metode Autoregressive Integrated Movingaverage (Arima) Dan Metode Adaptive Neuro Fuzzy Inference System (Anfis) Dalam Analisis Curah Hujan. Berkala Fisika, 22(1), 41–48.
Wulandari, S. S., & Yurinanda, S. (2021). Penerapan Metode ARIMA Dalam Memprediksi Fluktuasi Harga Saham PT Bank Central Asia Tbk. 11(1).
