Peramalan Nilai Tukar Rupiah terhadap Dolar AS Menggunakan Model Extreme Learning Machine dengan Optimasi Particle Swarm Optimization=Forecasting the Exchange Rate of the Indonesian Rupiah against the US Dollar Using the Extreme Learning Machine Model with Particle Swarm Optimization

Peramalan nilai tukar Rupiah terhadap Dolar AS merupakan tantangan kompleks akibat tingginya volatilitas data yang dipengaruhi oleh faktor-faktor ekonomi maupun non ekonomi. Oleh karena itu, diperlukan model matematis yang mampu menangkap pola non-linear pada data deret waktu nilai tukar. Penelitian ini mengusulkan metode Extreme Learning Machine yang dioptimasi menggunakan Particle Swarm Optimization untuk meningkatkan kinerja peramalan melalui optimasi bobot input dan bias jaringan. Tujuan penelitian ini adalah menganalisis pengaruh variasi hyperparameter PSO dan jumlah hidden neuron ELM terhadap kinerja model, serta membandingkan akurasi peramalan antara model ELM dengan ELM-PSO. Pengujian hyperparameter dilakukan menggunakan pendekatan One Factor at A Time (OFAT) berbasis konfigurasi baseline pada 8 dan 7 variabel input. Hasil pengujian menunjukkan bahwa variasi hyperparameter PSO dan jumlah hidden neuron ELM menghasilkan perbedaan kinerja model ditandai oleh perubahan nilai fitness pada setiap konfigurasi. Berdasarkan evaluasi kinerja, model hybrid ELM-PSO secara konsisten menghasilkan akurasi peramalan yang lebih baik dibandingkan ELM Standar pada kedua skenario variabel input. Kinerja terbaik dicapai oleh model ELM-PSO 7 variabel input dengan hyperparameter baseline (bobot inersia 0,5, c_1 dan c_2 seimbang 2,0, 30 partikel, batas kecepatan 0,1, iterasi maksimum 100, serta 15 hidden neuron) menghasilkan rata-rata MAPE 0,2926, MAE 46,7534, RMSE 60,8604, dan R^2 0,9783. Selain itu, hasil penelitian mengindikasikan bahwa variabel rasio ekspor impor cenderung memiliki kontribusi yang rendah terhadap kinerja model, ditandai dengan kinerja 7 variabel input yang lebih unggul dibandingkan 8 variabel input, baik pada ELM Standar maupun ELM-PSO.