Peramalan Nilai Ekspor Migas di Indonesia dengan Model Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU)

 Abstract views: 1122

Authors

  • Prissy Nusaiba Yulisa Universitas Muhammadiyah Semarang
  • M. Al Haris Universitas Muhammadiyah Semarang
  • Prizka Rismawati Arum Universitas Muhammadiyah Semarang

DOI:

https://doi.org/10.36456/jstat.vol16.no1.a6121

Keywords:

Ekspor migas, Gated Recurrent Unit, Long Short Term Memory, Peramalan

Abstract

Ekspor migas merupakan komoditas yang berperan penting dalam perekonomian negara dan pengelolaannya harus dimaksimalkan demi kemakmuran dan kesejahteraan rakyat. Namun realitanya, dalam kurun waktu 10 tahun terakhir, neraca perdagangan ekspor migas di Indonesia mengalami defisit sehingga berdampak pada pengeluaran negara lebih besar daripada pemasukan. Penelitian ini difokuskan pada peramalan yang dapat dijadikan sebagai bahan masukan bagi pemerintah dalam merencanakan arah kebijakan terkait ekspor migas pada masa mendatang. Metode peramalan yang digunakan dalam penelitian ini adalah Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dengan optimasi Nesterov Adam (Nadam). LSTM mampu mengatasi masalah ketergantungan jangka panjang, sehingga dapat mengenali pola data dengan baik dan GRU merupakan variasi lain dari LSTM yang memiliki komputasi lebih sederhana. Sedangkan Nadam berperan dalam mempercepat proses training dan menurunkan nilai error. Berdasarkan hasil penelitian, diperoleh akurasi tertinggi dalam prediksi nilai ekspor migas menggunakan model terbaik LSTM dengan optimasi Nadam pada percobaan menggunakan nilai parameter α 0.001, jumlah neuron 20, epoch 100, dan nilai MAPE 12.8% dengan akurasi 87.2%.

Downloads

Download data is not yet available.

References

F. Farina and A. Husaini, “Pengaruh Dampak Perkembangan Tingkat Ekspor dan Impor Terhadap Nilai Tukar Negara ASEAN Per Dollar Amerika Serikat (Studi pada International Trade Center Periode Tahun 2013-2015 ),” J. Adm. Bisnis, vol. 50, no. 6, pp. 44–50, 2017.

Badan Pusat Statistik, Buletin Statistik Perdagangan Luar Negeri, vol., no. Mei. 2022.

M. Sihombing, J. Sihotang, and M. L. Purba, “Analisis Pengaruh Ekspor Migas, Ekspor Non Migas dan Penanaman Modal Asing Terhadap Pertumbuhan Ekonomi Indonesia Tahun 2000-2019,” J. Econ. Bus., vol. 02, no. 02, pp. 40–51, 2021.

M. U. M. Putra and S. Damanik, “Pengaruh Ekspor Migas dan Non Migas Terhadap Cadangan Devisa di Indonesia,” J. Wira Ekon. Mikroskil, vol. 7, no. 2, pp. 245–254, 2017.

B. A. Rahman, M. Al Musadieq, and S. Sulasmiyati, “Pengaruh Utang Luar Negeri dan Ekspor Terhadap Pertumbuhan Ekonomi (Studi pada Produk Domestik Bruto Indonesia Periode 2015-2019),” J. Adm. Bisnis, vol. 45, no. 1, pp. 55–62, 2017, doi: 10.54980/imkp.v4i1.116.

G. Jalunggono, Y. T. Cahyani, and W. Juliprijanto, “Pengaruh Ekspor, Impor dan Kurs Terhadap Cadangan Devisa Indonesia Periode Tahun 2004 – 2018,” J. Ekon. Bisnis, dan Akunt., vol. 22, no. 2, pp. 171–181, 2020, doi: 10.32424/jeba.v22i2.1593.

D. Kertayuga, E. Santoso, and N. Hidayat, “Prediksi Nilai Ekspor Impor Migas dan Non-Migas Indonesia Menggunakan Extreme Learning Machine (ELM),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 6, pp. 2792–2800, 2021.

M. W. Pramana, I. Purnamasari, and S. Prangga, “Peramalan Data Ekspor Nonmigas Provinsi Kalimantan Timur Menggunakan Metode Weighted Fuzzy Time Series Lee,” J Stat. J. Ilm. Teor. dan Apl. Stat., vol. 14, no. 1, 2021, doi: 10.36456/jstat.vol14.no1.a3747.

F. N. Hayati, D. Nurlaily, and E. Pusporani, “Peramalan Data Ekspor Non Migas Provinsi Kalimantan Timur Menggunakan Univariate Time Series,” J Stat. J. Ilm. Teor. dan Apl. Stat., vol. 14, no. 2, pp. 59–66, 2021.

H. Aprilianto, S. Kumalaningsih, and I. Santoso, “Penerapan Jaringan Syaraf Tiruan untuk Peramalan Penjualan dalam Mendukung Pengembangan Agroindustri Coklat di Kabupaten Blitar,” Habitat, vol. 29, no. 3, pp. 129–137, 2018, doi: 10.21776/ub.habitat.2018.029.3.16.

Y. Setiawan, Tarno, and P. Kartikasari, “Prediksi Harga Jual Kakao dengan Metode Long Short-Term Memory Menggunakan Metode Optimasi Root Mean Square Propagation dan Adaptive Moment Estimation Dilengkapi Gui Rshiny,” vol. 11, no. 1, pp. 99–107, 2022.

U. I. Arfianti, D. C. R. Novitasari, N. Widodo, M. Hafiyusholeh, and W. D. Utami, “Sunspot Number Prediction Using Gated Recurrent Unit (GRU) Algorithm,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 15, no. 2, pp. 141–152, 2021, doi: 10.22146/ijccs.63676.

R. A. Falah and M. Rachmaniah, “Price Prediction Model for Red and Curly Red Chilies using Long Short Term Memory Method,” Indones. J. Stat. Its Appl., vol. 6, no. 1, pp. 143–160, 2022, doi: 10.29244/ijsa.v6i1p143-160.

A. Nilsen, “Perbandingan Model RNN , Model LSTM , dan Model GRU dalam Memprediksi Harga Saham-Saham LQ45,” J. Stat. dan Apl., vol. 6, no. 1, pp. 137–147, 2022.

H. G. Nugraha and A. SN, “Optimasi Bobot Jaringan Syaraf Tiruan Mengunakan Particle Swarm Optimization,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 8, no. 1, p. 25, 2014, doi: 10.22146/ijccs.3492.

A. Nasuha, T. A. Sardjono, and M. H. Purnomo, “Pengenalan Viseme Dinamis Bahasa Indonesia Menggunakan Convolutional Neural Network,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 7, no. 3, pp. 258–265, 2018, doi: 10.22146/jnteti.v7i3.433.

T. Dozat, “Incorporating Nesterov Momentum into Adam,” ICLR Work., pp. 1–4, 2016.

E. H. Michael, K. R. Prilianti, and M. Subianto, “Rancang Bangun Aplikasi Klasifikasi Tingkat Kematangan Sangrai Kopi Melalui Citra Digital Menggunakan CNN (Convolutional Neural Network) Berbasis Android,” J. Ilm. SAINSBERTEK, vol. 1, no. 1, pp. 1–11, 2020.

H. Purnomo, H. Suyono, and R. N. Hasanah, “Peramalan Beban Jangka Pendek Sistem Kelistrikan Kota Batu Menggunakan Deep Learning Long Short-Term Memory,” Transmisi, vol. 23, no. 3, pp. 97–102, 2021, doi: 10.14710/transmisi.23.3.97-102.

M. Yu, F. Xu, W. Hu, J. Sun, and G. Cervone, “Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for Localized Surface Temperature Forecasting in an Urban Environment,” IEEE Access, vol. 9, pp. 137406–137418, 2021, doi: 10.1109/ACCESS.2021.3116809.

T. B. Shahi, A. Shrestha, A. Neupane, and W. Guo, “Stock Price Forecasting with Deep Learning: A Comparative Study,” Mathematics, vol. 8, no. 9, pp. 1–15, 2020, doi: 10.3390/math8091441.

K. E. ArunKumar, D. V. Kalaga, C. Mohan Sai Kumar, M. Kawaji, and T. M. Brenza, “Comparative Analysis of Gated Recurrent Units (GRU), Long Short-Term Memory (LSTM) Cells, Autoregressive Integrated Moving Average (ARIMA), Seasonal Autoregressive Integrated Moving Average (SARIMA) for Forecasting COVID-19 Trends,” Alexandria Eng. J., vol. 61, no. 10, pp. 7585–7603, 2022, doi: 10.1016/j.aej.2022.01.011.

S. Sautomo and H. F. Pardede, “Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 99–106, 2021, doi: 10.29207/resti.v5i1.2815.

I. N. Hidayati, M. Al Haris, and T. W. Utami, “Metode Average Based Fuzzy Time Series Markov Chain pada Data Laju Inflasi di Indonesia,” in Seminar Nasional UNIMUS, 2022, pp. 581–597.

N. A. Elmunim, M. Abdullah, A. M. Hasbi, and S. A. Bahari, “Short-term forecasting Ionospheric Delay Over UKM, Malaysia, using the Holt-Winter method,” Int. Conf. Sp. Sci. Commun. Iconsp., no. July, pp. 106–109, 2013, doi: 10.1109/IconSpace.2013.6599443.

Downloads

Published

07/31/2023

How to Cite

Yulisa , P. N. ., Haris, M. A. ., & Arum , P. R. . (2023). Peramalan Nilai Ekspor Migas di Indonesia dengan Model Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU). J Statistika: Jurnal Ilmiah Teori Dan Aplikasi Statistika, 16(1), 328–341. https://doi.org/10.36456/jstat.vol16.no1.a6121