ANALISIS PERBANDINGAN MODEL LSTM KLASIK DENGAN LSTM KUANTUM (QLSTM): STUDI KASUS PREDIKSI NILAI TUKAR UNITED STATES DOLLAR (USD) TERHADAP INDONESIAN RUPIAH (IDR)

Abstract

Pasar valuta asing memiliki kondisi volatilitas yang tinggi, hal ini menyoroti urgensi prediksi nilai tukar USD/IDR untuk keputusan investasi dan kebijakan ekonomi sebagai langkah mitigasi dari ketidakpastian pasar. Penelitian ini bertujuan membandingkan performa model Long Short-Term Memory (LSTM) klasik yang telah mapan dalam prediksi data deret waktu dengan model Quantum Long Short-Term Memory (QLSTM) yang merupakan model integrasi antara model LSTM dengan prinsip komputer kuantum (QC) untuk memprediksi nilai tukar tersebut. Meskipun kedua arsitektur model menunjukkan kemampuan generalisasi yang baik dalam mereplikasi pola data historis, analisis kuantitatif mengungkapkan keunggulan yang berbeda. LSTM klasik menunjukkan kinerja superior pada Mean Squared Error (MSE) (0,000076) dan R2 Score (0,988812), mengindikasikan kesalahan kuadrat rata-rata yang lebih rendah serta kapasitas yang lebih baik dalam menjelaskan variabilitas data. Sebaliknya, QLSTM lebih unggul pada Mean Absolute Error (MAE) (0,008356) dan Mean Absolute Percentage Error (MAPE) (0,9093%), menyiratkan rata-rata kesalahan absolut yang lebih kecil dan ketahanan terhadap outlier. Hasil ini menyimpulkan bahwa pemilihan model optimal antara LSTM dan QLSTM bergantung pada prioritas metrik evaluasi serta karakteristik spesifik data dari kasus yang diambil.