Tel-UTel-U

International Journal on Information and Communication Technology (IJoICT)International Journal on Information and Communication Technology (IJoICT)

Harga minyak mentah dunia sangat berpengaruh terhadap tingkat inflasi dan pertumbuhan ekonomi, sehingga diperlukan metode terbaik untuk memperkirakan harga di masa depan dengan akurasi tinggi. Untuk meningkatkan akurasi peramalan, berbagai metode terus dikembangkan, salah satunya model hibrida. Model ini dapat meningkatkan akurasi peramalan dibanding model tunggal. Model hibrida Singular Spectrum Analysis (SSA)-Long Short-Term Memory (LSTM) dan hibrida SSA-Gated Recurrent Unit (GRU) menggabungkan konsep dekomposisi dengan peramalan. Peramalan hibrida bekerja dalam dua tahap. Pertama, SSA memecah data menjadi komponen tren, musiman, noise, dan residu. Kedua, hasil dekomposisi diprediksi menggunakan model LSTM dan GRU. Model hibrida ini terbukti meningkatkan akurasi peramalan. Menggunakan data mingguan harga pembukaan minyak mentah dunia, SSA-LSTM dapat meningkatkan akurasi peramalan sebesar 78% dibanding model LSTM tunggal, terlihat dari nilai RMSE 4,36 dan MAPE 5,2% yang berubah menjadi 0,97 dan 1,16%. Sedangkan SSA-GRU meningkatkan akurasi sebesar 79% dibanding model GRU tunggal, terlihat dari nilai RMSE 4,86 dan MAPE 6,33% yang berubah menjadi 1,01 dan 1,36%.

Model peramalan hibrida SSA-LSTM dan SSA-GRU terbukti mampu meningkatkan akurasi dengan dua tahap.dekomposisi SSA terhadap data menjadi komponen tren, musiman, noise, dan residu, kemudian dilakukan peramalan menggunakan model LSTM dan GRU.Pada penelitian ini, menggunakan data harga minyak mentah dunia dari West Texas Intermediate (WTI) periode 2003–2023, model SSA-LSTM meningkatkan akurasi hingga 78% dan SSA-GRU hingga 79% dibanding model tunggal berdasarkan penurunan nilai RMSE dan MAPE.Namun, komponen musiman, noise, dan residu yang stasioner mengalami kesulitan dalam peramalan karena ketidaksesuaian dengan struktur LSTM dan GRU, sehingga disarankan untuk meneliti metode peramalan yang lebih efektif untuk komponen stasioner dan optimasi hyperparameter dengan waktu komputasi lebih efisien.

Pertama, perlu dilakukan penelitian tentang penggunaan model peramalan linear seperti ARIMA atau SARIMA khusus untuk komponen hasil dekomposisi yang bersifat stasioner, seperti komponen musiman, noise, dan residu, untuk melihat apakah kombinasi model hybrid yang lebih selektif dapat meningkatkan akurasi secara keseluruhan. Kedua, diperlukan studi perbandingan metode optimasi hyperparameter yang lebih efisien, seperti Bayesian Optimization atau Optuna, dibanding grid search, untuk menemukan parameter terbaik dengan waktu komputasi lebih singkat tanpa mengorbankan akurasi. Ketiga, penting untuk mengeksplorasi arsitektur model hybrid yang dinamis, di mana setiap komponen hasil dekomposisi diproses oleh model yang berbeda sesuai karakteristiknya—misalnya, LSTM untuk tren, GRU untuk komponen semi-musiman, dan model probabilistik untuk noise—dengan mekanisme otomatis untuk menentukan alokasi model terbaik berdasarkan uji statistik awal pada tiap komponen.

  1. Application of Singular Spectrum Analysis (SSA) Decomposition in Artificial Neural Network (ANN) Forecasting... socjs.telkomuniversity.ac.id/ojs/index.php/ijoict/article/view/870Application of Singular Spectrum Analysis SSA Decomposition in Artificial Neural Network ANN Forecasting socjs telkomuniversity ac ojs index php ijoict article view 870
Read online
File size853.4 KB
Pages15
DMCAReport

Related /

ads-block-test