Perbandingan Kinerja Model Berbasis RNN pada Peramalan Data Ekonomi dan Keuangan Indonesia
Performance Comparison of RNN-Based Models in Forecasting Indonesian Economic and Financial Data
DOI:
https://doi.org/10.57152/malcom.v4i4.1415Keywords:
Ekonomi, GRU, Keuangan, LSTM, RNNAbstract
Peramalan deret waktu merupakan salah satu elemen kunci dalam analisis ekonomi dan keuangan. memungkinkan pemangku kepentingan untuk membuat perkiraan terhadap berbagai indikator ekonomi sebelum data resmi dirilis. Dalam konteks ini, model pembelajaran mesin seperti Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) menunjukkan potensi yang menjanjikan dalam memprediksi data deret waktu. Sejumlah penelitian juga menegaskan bahwa LSTM dan GRU mampu mengungguli kinerja RNN. Kedua model tersebut memiliki mekanisme untuk mengatasi masalah vanishing gradient yang sering ditemui pada model RNN konvensional. Penelitian ini menitikberatkan untuk menguji kinerja ketiga model tersebut pada data-data yang ada di Indonesia. Agar hasil lebih komprehensif, penelitian ini akan menguji model pada tiga jenis data yang berbeda meliputi IHSG, nilai ekspor dan PDB. Hasil penelitian ini mengindikasikan bahwa secara keseluruhan, model GRU menunjukkan kinerja terbaik, diikuti oleh model LSTM yang juga kompetitif dibandingkan RNN. Selain akurasi, model GRU dan LSTM juga menonjol dalam hal stabilitas kinerja, ditandai dengan simpangan baku yang relatif kecil jika dibandingkan dengan RNN. Keunggulan ini menjadi semakin signifikan terutama saat diterapkan pada model PDB dimana hanya tersedia untuk periode waktu yang pendek.
References
G. E. P. Box dan G. M. Jenkins, “Time series analysis?: forecasting and control,” hlm. 575, 1976.
T. M. O’Donovan, “Short term forecasting?: an introduction to the Box-Jenkins approach,” hlm. 282, 1983.
V. Polepally, N. S. Nandini Reddy, M. Sindhuja, N. Anjali, dan K. J. Reddy, “A Deep Learning Approach for Prediction of Stock Price Based on Neural Network Models: LSTM and GRU,” dalam 2021 12th International Conference on Computing Communication and Networking Technologies (ICCCNT), IEEE, Jul 2021, hlm. 1–4. doi: 10.1109/ICCCNT51525.2021.9579782.
N. Selle, N. Yudistira, dan C. Dewi, “Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN),” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. Volume 9, hlm. 155–162, Feb 2022, doi: 10.25126/JTIIK.2022915585.
J. Chung, C. Gulcehre, K. Cho, dan Y. Bengio, “Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling,” Des 2014.
S. Park dan J. S. Yang, “Interpretable deep learning LSTM model for intelligent economic decision-making,” Knowl Based Syst, vol. 248, hlm. 108907, Jul 2022, doi: 10.1016/J.KNOSYS.2022.108907.
M. L. Shen, C. F. Lee, H. H. Liu, P. Y. Chang, dan C. H. Yang, “Effective multinational trade forecasting using LSTM recurrent neural network,” Expert Syst Appl, vol. 182, hlm. 115199, Nov 2021, doi: 10.1016/J.ESWA.2021.115199.
S. Chen, X. Han, Y. Shen, dan C. Ye, “Application of Improved LSTM Algorithm in Macroeconomic Forecasting,” Comput Intell Neurosci, vol. 2021, 2021, doi: 10.1155/2021/4471044.
Y. Gao, R. Wang, dan E. Zhou, “Stock Prediction Based on Optimized LSTM and GRU Models,” Sci Program, vol. 2021, hlm. 1–8, Sep 2021, doi: 10.1155/2021/4055281.
A. Nilsen, “Perbandingan Model RNN, Model LSTM, dan Model GRU dalam Memprediksi Harga Saham-Saham LQ45,” Jurnal Statistika dan Aplikasinya, vol. 6, no. 1, hlm. 137–147, Jun 2022, doi: 10.21009/JSA.06113.
M. V. Narkhede, P. P. Bartakke, dan M. S. Sutaone, “A review on weight initialization strategies for neural networks,” Artif Intell Rev, vol. 55, no. 1, hlm. 291–322, Jan 2022, doi: 10.1007/s10462-021-10033-z.
N. G. Mankiw, Harvard University. Department of Economics., dan Harvard University. Faculty of Arts and Sciences., “Macroeconomics,” hlm. 642, Diakses: 7 Oktober 2022. [Daring]. Tersedia pada: https://www.readallbooks.org/book/macroeconomics-9-edition/
J. Ha, M. Kambe, dan J. Pe, “Data Mining: Concepts and Techniques,” Data Mining: Concepts and Techniques, hlm. 1–703, Jan 2011, doi: 10.1016/C2009-0-61819-5.
W. Zhou, D. Wang, H. Li, dan W. Song, “Long-Term Forecasting of Time Series Based on Sliding Window Information Granules and Fuzzy Inference System,” 2018 International Conference on Information, Cybernetics, and Computational Social Systems, ICCSS 2018, hlm. 375–380, Des 2018, doi: 10.1109/ICCSS.2018.8572415.
J. Schmidhuber, “Deep Learning in Neural Networks: An Overview,” Neural Networks, vol. 61, hlm. 85–117, Apr 2014, doi: 10.1016/j.neunet.2014.09.003.
F. M. Bianchi, E. Maiorino, M. C. Kampffmeyer, A. Rizzi, dan R. Jenssen, “An overview and comparative analysis of Recurrent Neural Networks for Short Term Load Forecasting,” Mei 2017, doi: 10.1007/978-3-319-70338-1.
N. K. Manaswi, “Deep Learning with Applications Using Python,” Deep Learning with Applications Using Python, 2018, doi: 10.1007/978-1-4842-3516-4.
A. Saxena dan T. Sukumar, “Predicting bitcoin price using lstm And Compare its predictability with arima model,” 2018.
Z. Zhao, W. Chen, X. Wu, P. C. Y. Chen, dan J. Liu, “LSTM network: a deep learning approach for short-term traffic forecast,” Iet Intelligent Transport Systems, vol. 11, hlm. 68–75, 2017.
S. Hochreiter dan J. Schmidhuber, “Long Short-Term Memory,” Neural Comput, vol. 9, no. 8, hlm. 1735–1780, Nov 1997, doi: 10.1162/NECO.1997.9.8.1735.
M. Pirani, P. Thakkar, P. Jivrani, M. H. Bohara, dan D. Garg, “A Comparative Analysis of ARIMA, GRU, LSTM and BiLSTM on Financial Time Series Forecasting,” IEEE International Conference on Distributed Computing and Electrical Circuits and Electronics, ICDCECE 2022, 2022, doi: 10.1109/ICDCECE53908.2022.9793213.
H. Hewamalage, K. Ackermann, dan C. Bergmeir, “Forecast Evaluation for Data Scientists: Common Pitfalls and Best Practices,” Mar 2022.
