UMYUMY

Journal of Robotics and Control (JRC)Journal of Robotics and Control (JRC)

Peramalan harga minyak bumi telah menimbulkan tantangan signifikan karena volatilitas dan dinamika nonlinearnya. Penelitian ini telah mengusulkan kerangka kerja CNN–LSTM yang dapat dijelaskan untuk meramalkan harga minyak bumi West Texas Intermediate (WTI) bulanan. Model ini telah menangkap pola lokal dan sekuensial tanpa menggunakan input eksternal atau dekomposisi. Dilatih selama 50 epoch di tiga pembagian data, model ini telah dievaluasi menggunakan RMSE, MAE, MASE, SMAPE, dan akurasi arah. Akurasi klasifikasi sebesar 92,4% dan akurasi arah hingga 87,4% telah dicapai. Model ini secara konsisten telah mengungguli baseline klasik dan hibrid, dengan signifikansi statistik dikonfirmasi oleh uji Friedman–Nemenyi. Interpretabilitas berbasis saliency telah semakin meningkatkan transparansi, membuat kerangka kerja ini cocok untuk peramalan energi di dunia nyata.

Makalah ini mengusulkan model hibrid CNN–LSTM yang dapat dijelaskan untuk peramalan harga minyak bumi bulanan menggunakan dataset WTI, yang dirancang untuk menangkap ketergantungan jangka pendek dan jangka panjang tanpa data eksternal atau dekomposisi sinyal.Hasil eksperimen menunjukkan model ini secara konsisten mengungguli metode statistik tradisional, pembelajaran mesin, dan model hibrid berbasis dekomposisi, dengan akurasi klasifikasi 92,4% dan akurasi arah hingga 87,4%, serta superioritas statistik dikonfirmasi melalui uji FNHT.Secara keseluruhan, kerangka kerja ini menggabungkan akurasi, ketahanan, dan transparansi, menjadikannya solusi praktis dan dapat diinterpretasi untuk tugas peramalan deret waktu di bidang ekonomi energi.

Penelitian lanjutan dapat dieksplorasi dengan mengintegrasikan arsitektur transformer ke dalam model CNN-LSTM untuk meningkatkan penanganan pola jangka panjang yang kompleks dalam data harga minyak, yang berpotensi memperbaiki akurasi peramalan di pasar yang berubah cepat. Selain itu, pengembangan model multibacross dengan data multiple commoditi terkait, seperti gas alam atau bijih logam, dapat membuka arah penelitian baru tentang dampak saling ketergantungan harga di sektor energi global, memberikan wawasan lebih dalam bagi kebijakan ekonomi. Penambahan modul adaptif untuk mendeteksi anomali eksternal, seperti peristiwa geopolitik, ke dalam kerangka CNN-LSTM juga bisa menjadi ide penelitian menarik, memungkinkan peramalan yang lebih resilient terhadap kejutan pasar tak terduga. Ide-ide ini tidak hanya membangun atas kekuatan model saat ini dalam menangkap volatilitas harga minyak WTI melainkan juga memperluas aplikasinya ke skenario dunia nyata yang lebih luas, membantu masyarakat umum memahami fluktuasi harga energi untuk perencanaan finansial yang lebih baik. Dengan fokus pada interpretabilitas yang lebih tinggi melalui teknik visualisasi baru, penelitian masa depan dapat membuat model lebih mudah diakses oleh pengguna non-ekspert, seperti investor atau pembuat kebijakan, tanpa mengorbankan efisiensi prediksi. Akhirnya, eksplorasi penggunaan data realtime dari sumber seperti Google Trends atau berita sosial bisa memberikan arah studi inovatif tentang bagaimana sentimen pasar mempengaruhi harga minyak, potensial mengurangi risiko ketidakpastian dalam ekonomi energi.

  1. One moment, please.... moment please wait request verified doi.org/10.48084/etasr.8932One moment please moment please wait request verified doi 10 48084 etasr 8932
  2. Efficient COVID-19 Detection using Optimized MobileNetV3-Small with SRGAN for Web Application | Engineering,... etasr.com/index.php/ETASR/article/view/9977Efficient COVID 19 Detection using Optimized MobileNetV3 Small with SRGAN for Web Application Engineering etasr index php ETASR article view 9977
  1. #kompleks data harga#kompleks data harga
File size448.06 KB
Pages8
DMCAReportReport

ads-block-test