Klasifikasi Lonjakan Ekstrem Nilai Tukar USD/IDR Menggunakan Gaussian Naïve Bayes

Meini Syakinah Ritonga; Rita Novita Sari

doi:10.70340/jirsi.v5i2.457

Penulis

Meini Syakinah Ritonga Universitas Islam Negeri Sumatera Utara
Rita Novita Sari Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.70340/jirsi.v5i2.457

Kata Kunci:

Gaussian Naive Bayes, Klasifikasi, Nilai Tukar, Penambangan Data, Volatilitas

Abstrak

Fluktuasi nilai tukar Rupiah terhadap Dolar AS (USD/IDR) berpotensi memicu ketidakstabilan makroekonomi. Penelitian ini bertujuan mengklasifikasikan potensi lonjakan ekstrem pada kurs USD/IDR menggunakan metode penambangan data dengan algoritma Gaussian Naïve Bayes. Sebanyak 502 data observasi historis harian diekstraksi menjadi empat fitur prediktor kontinu: volatilitas, selisih penutupan, selisih batas atas, dan selisih batas bawah. Pengujian dilakukan dengan rasio 80% data latih dan 20% data uji. Hasil evaluasi menunjukkan model mampu mengidentifikasi kelas "Normal" dan "Ekstrem" dengan akurasi 96,04%, presisi 62,50%, dan recall 83,33%. Validasi silang 5-Fold Cross Validation mencetak rata-rata akurasi kumulatif sebesar 95,43%, mengonfirmasi bahwa kinerja model stabil dan tidak mengalami overfitting. Kesimpulannya, algoritma Gaussian Naïve Bayes terbukti efektif dan dapat diandalkan sebagai sistem peringatan dini terhadap risiko lonjakan ekstrem nilai tukar valuta asing.

Unduhan

Data unduhan belum tersedia.

Referensi

E. Nathansyah, “Perbandingan Performa Metode Linear Regression, Support Vector Regression, Extreme Gradient Boosting Untuk Prediksi Kurs Mata Uang Rupiah Terhadap Dollar,” Journal of Computer Science and Information Systems, vol. 9, no. 1, pp. 61–76, 2025.

F. M. Amin, R. D. Laksana, A. Alamsah, and A. G. Nugraheni, “Implementasi Algoritma Naive Bayes Untuk Memprediksi Harga Emas,” Technology and Informatics Insight Journal, vol. 4, no. 1, pp. 14–20, 2025, [Online]. Available: https://jurnal.universitasputrabangsa.ac.id/index.php/tiij

B. Saputra, S. Anwar, E. Tohidi, H. Susana, and D. Pratama, “Penerapan Algortima Naïve Bayes Dalam Klasifikasi Harga Ponsel,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 6, pp. 3587–3594, 2024, doi: 10.36040/jati.v7i6.8281.

M. H. Ariansyah et al., “Hybridization of the Naive Bayes Classification Method in the Freshwater Fish Seed Seller Classification Model,” Jurnal Teknik Informatika (Jutif), vol. 4, no. 2, pp. 421–427, 2023, doi: 10.52436/1.jutif.2023.4.2.715.

A. S. Widagdo, A. Ardiansyah, K. N. Qodri, F. E. Nugroho, and N. A. Rizky, “Analisis Sentimen Mobil Listrik di Indonesia Menggunakan Long-Short Term Memory (LSTM),” Jurnal Fasilkom, vol. 13, no. 3, pp. 416–423, 2023.

M. Danny and A. Muhidin, “Analisis Prediksi Resiko Diabetes Tahap Awal Menggunakan Algoritma Naive Bayes,” Jurnal Teknologi Informatika dan Komputer, vol. 9, no. 2, pp. 1443–1459, 2023, doi: 10.37012/jtik.v9i2.2017.

N. Noviatri, N. Rivelli, and B. Adiperdana, “Analisis Data Misi Luar Angkasa Kepler Untuk Menentukan Jenis Eksoplanet Dan Rekonstruksi Bentuk Orbitnya,” Jurnal Ilmu dan Inovasi Fisika, vol. 10, no. 1, pp. 84–94, 2026, doi: 10.24198/jiif.v10i1.68496.

Z. Fatah and A. Mukarromah, “Klasifikasi Penerima Bantuan Sosial Menggunakan Algoritma Naive Bayes,” Jurnal Mahasiswa Teknik Informatika, vol. 5, no. 1, pp. 41–47, 2026, doi: doi.org/10.35473/jamastika.v5i1.4572.

N. Badriyah, D. H. Satyareni, and C. S. Anugrah, “Sistem Pendukung Keputusan Kelayakan Beasiswa KIP-K Berbasis Web Menggunakan Algoritma Gaussian–Naïve Bayes,” in Prosiding Seminar Nasional Teknologi dan Sains, 2025, pp. 413–423.

H. Hajaroh, T. Suprapti, and R. Narasti, “Implementasi Algoritma Naive Bayes Untuk Analisis Sentimen Ulasan Produk Makanan Dan Minuman Di Tokopedia,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 1, pp. 111–118, 2024, doi: 10.36040/jati.v8i1.8237.