%A - JUANDA
%T ANALISIS PERFORMA MODEL VECTOR AUTOREGRESSIVE (VAR),
GATED RECURRENT UNIT (GRU), SERTA HYBRID VAR-GRU DALAM
PERAMALAN DATA MULTIVARIATE TIME SERIES HARGA SAHAM

DAN NILAI TUKAR RUPIAH
%X Tantangan dan ketidakpastian dalam memodelkan fenomena data real, terutama
dalam analisis multivariate time series yang telah menjadi fokus utama di berbagai
bidang. Metode statistik tradisional seperti Vector Autoregressive (VAR) hanya
efektif dalam memodelkan hubungan linier antar variabel, namun memiliki
keterbatasan dalam menangkap interaksi nonlinier yang kompleks. Sebaliknya
model deep learning seperti Gated Recurrent Unit (GRU) unggul dalam
menangkap dependensi nonlinier dan pola temporal dalam data, namun
interpretabilitas yang rendah dari model deep learning menjadi kendala dalam
aplikasinya. Untuk mengatasi ini, pendekatan hybrid yang menggabungkan metode
statistik tradisional dan deep learning dapat menawarkan solusi yang lebih baik.
Model hybrid memanfaatkan kekuatan pelengkap dari kedua paradigma,
memungkinkan peneliti untuk menangkap pola linier dan nonlinier dalam data
secara lebih efektif. penelitian ini bertujuan untuk menganalisis perporma dan
membandingkan hasil peramalan dari model VAR, GRU, dan hybrid VAR-GRU
untuk menentukan model yang paling akurat dan efisien. Hasil penerapan model
pada data, model VAR dapat menjelaskan pengaruh antar variabel berlaku satu
arah, IHSG mempengaruhi secara signifikan terhadap nilai USD dan EUR serta
USD mempengaruhi secara signifikan terhadap EUR namun tidak berlaku
sebaliknya. Evaluasi kecocokan model keseluruhan model VAR menunjukan
akurasi 97,693 %, model GRU menunjukan akurasi 98,710 %, dan model hybrid
VAR-GRU menunjukan akurasi 98.978 % yang merupakan akurasi yang paling
baik.
Kata kunci : Traditional statistical; deep learning models; Vector Autoregressive;
Gated Recurrent Unit; Hybrid

Challenges and uncertainties in modeling real data phenomena, especially in
multivariate time series analysis that has become a major focus in various fields.
Traditional statistical methods such as Vector Autoregressive (VAR) are only
effective in modeling linear relationships between variables, but have limitations in
capturing complex nonlinear interactions. In contrast, deep learning models such as
Gated Recurrent Unit (GRU) excel in capturing nonlinear dependencies and
temporal patterns in data, but the low interpretability of deep learning models is an
obstacle in its application. To overcome this, a hybrid approach that combines
traditional statistical methods and deep learning can offer a better solution. Hybrid
models leverage the complementary strengths of both paradigms, allowing
researchers to capture linear and nonlinear patterns in data more effectively. This
study aims to analyze the performance and compare the forecasting results of the
VAR, GRU, and hybrid VAR-GRU models to determine the most accurate and
efficient model. The results of applying the model to the data, the VAR model can
explain the influence between variables in one direction, the IHSG significantly
affects the value of USD and EUR and the USD significantly affects EUR but does
not apply vice versa. The overall model fit evaluation of the VAR model shows an
accuracy of 97.693%, the GRU model shows an accuracy of 98.710%, and the
hybrid VAR-GRU model shows an accuracy of 98.978% which is the best
accuracy.
Keyword : Traditional statistical; deep learning models; Vector Autoregressive;
Gated Recurrent Unit, Hybrid
%D 2024
%I UNIVERSITAS LAMPUNG
%L eprints86672