IMPLEMENTASI MODEL CNN-LSTM UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA SERIKAT

Fluktuasi nilai tukar Rupiah terhadap Dolar AS (USD/IDR) memiliki pola pergerakan non-linear yang dinamis dan kompleks, sehingga menjadi tantangan tersendiri dalam pemodelan data time series. Penelitian ini bertujuan memprediksi USD/IDR untuk periode h+1 menggunakan model Hybrid CNN-LSTM. Menggunakan data historis dari Investing.com dengan rentang 2016-2025, dilakukan perbandingan performa arsitektur LSTM murni dan CNN-LSTM berdasarkan penggunaan input berupa fitur internal (OHLC USD/IDR) murni serta kombinasinya dengan fitur eksternal (makroekonomi) yang meliputi harga penutupan WTI, Emas, dan IHSG. Prapemrosesan meliputi penggabungan dataset, penanganan nilai hilang menggunakan forward fill, pembagian data (70:15:15), normalisasi, dan pembentukan sliding window. Optimasi hyperparameter juga dilakukan melalui algoritma Bayesian Optimization pada masing-masing skenario. Hasil pengujian menunjukkan bahwa model CNN-LSTM berbasis fitur internal menghasilkan performa terbaik (MAE = Rp51.61; RMSE = Rp69.33; MAPE = 0.32%), disusul oleh LSTM murni dengan fitur internal (MAE = Rp81.68; RMSE = Rp98.79; MAPE = 0.50%), CNN-LSTM dengan kombinasi fitur internal dan eksternal (MAE = Rp84.64; RMSE = Rp113.48; MAPE = 0.53%), dan LSTM dengan kombinasi fitur internal dan eksternal (MAE = Rp183.07; RMSE = Rp215.56; MAPE = 1.12%). Kesimpulannya, ekstraksi fitur lokal oleh CNN terbukti dapat meningkatkan kemampuan peramalan LSTM, sedangkan penambahan fitur eksternal (makroekonomi) justru memicu gangguan yang menurunkan kinerja model. Kata kunci: Prediksi USD/IDR, Time Series, CNN-LSTM, Makroekonomi