YP3AYP3A

SATESI: Jurnal Sains Teknologi dan Sistem InformasiSATESI: Jurnal Sains Teknologi dan Sistem Informasi

Penelitian ini bertujuan untuk memprediksi nilai ekspor minyak dan gas bumi (migas) Indonesia menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA) dan Long Short-Term Memory (LSTM). Data runtun waktu dari Badan Pusat Statistik (BPS) digunakan untuk membangun model prediksi yang optimal. Model SARIMA yang terpilih adalah SARIMA(1,1,1)(1,1,1,12), dipilih berdasarkan nilai Akaike Information Criterion (AIC) terkecil. Sementara itu, model LSTM dikembangkan untuk menangkap pola yang lebih kompleks dalam data time series. Hasil peramalan menunjukkan bahwa model SARIMA memberikan akurasi lebih tinggi dibandingkan LSTM berdasarkan nilai Mean Absolute Percentage Error (MAPE), meskipun LSTM menunjukkan nilai Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE) lebih kecil. Penelitian ini menegaskan bahwa pemilihan model peramalan harus disesuaikan dengan karakteristik data, di mana SARIMA lebih sesuai untuk data ekspor migas yang memiliki pola musiman. Hasil peramalan ini dapat dimanfaatkan untuk mendukung perencanaan kebijakan ekonomi, optimalisasi investasi sektor migas, dan mitigasi risiko fluktuasi pasar global.

Penelitian ini membandingkan metode SARIMA dan LSTM dalam memprediksi nilai ekspor migas Indonesia.Model SARIMA(1,1,1)(1,1,1,12) dipilih sebagai model terbaik berdasarkan nilai AIC terendah dan hasil evaluasi residual yang menunjukkan bahwa model memenuhi asumsi stationarity.Model LSTM diuji dengan optimasi parameter dan evaluasi berbasis Mean Squared Error (MSE) serta Root Mean Squared Error (RMSE), namun menunjukkan Mean Absolute Percentage Error (MAPE) yang lebih tinggi dibandingkan SARIMA.Hasil peramalan menunjukkan adanya fluktuasi nilai ekspor migas selama 11 bulan ke depan, dengan tren kenaikan dan penurunan musiman.Model SARIMA terbukti lebih akurat dalam menangkap pola musiman dibandingkan LSTM, yang cenderung mengalami overfitting terhadap data latih.Oleh karena itu, SARIMA lebih direkomendasikan untuk peramalan data ekspor migas yang memiliki pola musiman yang jelas.

1. Membangun model prediksi hybrid yang menggabungkan kekuatan SARIMA dan LSTM untuk meningkatkan akurasi peramalan jangka panjang. 2. Mengkaji penggunaan teknik deep learning lainnya, seperti Gated Recurrent Unit (GRU) atau Transformer, dalam menganalisis data ekspor migas dengan pola musiman. 3. Meneliti dampak faktor ekonomi global, seperti perubahan harga minyak dunia atau kebijakan perdagangan internasional, terhadap fluktuasi ekspor migas menggunakan model SARIMA dan LSTM yang telah dikembangkan.

  1. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. harga algoritma long short term memory lstm jurnal... doi.org/10.29207/resti.v6i1.3630Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i harga algoritma long short term memory lstm jurnal doi 10 29207 resti v6i1 3630
  2. Prediksi Nilai Ekspor Migas Indonesia Menggunakan Metode SARIMA dan LSTM | SATESI: Jurnal Sains Teknologi... journal.yp3a.org/index.php/satesi/article/view/4103Prediksi Nilai Ekspor Migas Indonesia Menggunakan Metode SARIMA dan LSTM SATESI Jurnal Sains Teknologi journal yp3a index php satesi article view 4103
  3. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. belanja pemerintah long short term memory lstm... jurnal.iaii.or.id/index.php/RESTI/article/view/2815Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i belanja pemerintah long short term memory lstm jurnal iaii index php RESTI article view 2815
Read online
File size828.7 KB
Pages11
DMCAReport

Related /

ads-block-test