Perbandingan Metode XGBoost dan LSTM dalam Memprediksi Nilai Tukar Rupiah terhadap Dolar Amerika Serikat

Abstract

Nilai tukar Rupiah terhadap Dolar Amerika Serikat merupakan indikator ekonomi yang dinamis dan sensitif terhadap kondisi makroekonomi global maupun domestik. Penelitian ini bertujuan mendeskripsikan karakteristik data deret waktu nilai tukar USD/IDR, membangun model XGBoost dan Long Short-Term Memory (LSTM) yang optimal, serta membandingkan akurasi prediksi kedua model. Data yang digunakan adalah data harian Kurs Transaksi Bank Indonesia periode 2 Januari 2015 hingga 31 Desember 2025 dengan total 2.687 observasi. Fitur input dibentuk dari data historis mencakup fitur lag, simple moving average, return harian, dan volatilitas sebagai 24 fitur dasar, ditambah 3 fitur tren sehingga total fitur yang digunakan kedua model adalah 27 fitur. Evaluasi menggunakan skema rolling forecast satu langkah ke depan dengan pembagian data 80:10:10 dan metrik RMSE, MAPE, Adjusted R2, serta Directional Accuracy. Hasil analisis menunjukkan data bersifat non-stasioner dengan tren depresiasi jangka panjang dan volatilitas tertinggi pada April 2020. XGBoost dioptimasi dengan RandomizedSearchCV menghasilkan konfigurasi terbaik n_estimators=300, learning_rate=0.08, dan Best CV RMSE (scaled) sebesar 0.069906. LSTM terbaik menggunakan time steps=1 dengan satu lapisan LSTM 64 unit, Dropout 0.2, dan lapisan Dense(32, ReLU) dengan regularisasi L2. Pada data uji, LSTM unggul pada tiga metrik utama dengan RMSE Rp 57.30, MAPE 0.2621%, dan Adjusted R2 sebesar 0.9381, dibandingkan XGBoost dengan RMSE Rp 163.20, MAPE 0.6308%, dan Adjusted R2 sebesar 0.5049. XGBoost unggul pada Directional Accuracy sebesar 67.67% dibandingkan LSTM 48.30%. Validasi pada data aktual 5–9 Januari 2026 mengonfirmasi keunggulan LSTM dengan MAPE 0.1548% dibandingkan 5.8971% pada XGBoost. LSTM direkomendasikan untuk prediksi nilai absolut kurs jangka pendek, sedangkan XGBoost lebih sesuai untuk prediksi arah pergerakan nilai tukar.