Evaluasi Kinerja Model ARIMA dan LSTM untuk Menangani Multi-Intervensi dalam Peramalan Produksi Mobil

Abstract

Perubahan pola dalam data deret waktu dapat disebabkan oleh adanya suatu perlakuan tertentu, salah satunya adalah intervensi. Intervensi merupakan peristiwa yang menimbulkan perubahan pada tren atau pola kecenderungan dalam suatu deret waktu. Perubahan tersebut dapat dipicu oleh adanya faktor eksternal dan internal, seperti adanya bencana alam, peningkatan efisiensi operasional, perubahan kepemimpinan suatu perusahaan atau adanya kebijakan pemerintah dan hari libur nasional, serta krisis keuangan. Intervensi yang terjadi lebih dari sekali disebut sebagai Multi-Intervensi. Untuk menangani permasalahan intervensi dalam data deret waktu, dapat dilakukan analisis intervensi. Dua jenis model statistika yang sering digunakan saat adanya intervensi adalah model tradisional dan model baru. Perbedaan antara model tradisional dan baru biasanya terletak dari asumsi, tujuan, fleksibilitas serta cara pengolahan datanya. Pada penelitian ini model tradisional yang digunakan adalah model Autoregressive Integrated Moving Average atau ARIMA dimana model harus memenuhi asumsi kebebasan residual dan asumsi normalitas data, sedangkan model baru yang digunakan adalah Long Short Term Memory atau LSTM, bekerja dengan cara pembelajaran mesin yang mengatur aliran informasi melalui mekanisme forget gate, input gate, dan output gate, sehingga model mampu mempertahankan informasi dalam jangka panjang serta memodelkan pola nonlinier dan kompleks pada data deret waktu. Penelitian dilakukan menggunakan dua pendekatan, yaitu kajian simulasi dan kajian empiris. Dalam kajian simulasi, data bangkitan dibentuk menggunakan model ARMA (1,1) dengan hasil bangkitan dalam 4 kondisi kestasioneran data serta jumlah intervensi sebanyak 2, 3, dan 4. Setiap skenario dianalisis menggunakan model LSTM dan hanya pada kondisi stasioner penuh (rataan dan ragam) dianalisis menggunakan model ARIMA dan LSTM. Hasilnya dibandingkan berdasarkan nilai Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE) dan Symmetric Mean Absolute Percentage Error (SMAPE). Hasil simulasi menunjukkan bahwa kondisi kestasioneran data dengan banyaknya intervensi dan jenis model berpengaruh signifikan terhadap akurasi peramalan. Model LSTM memberikan prediksi yang lebih baik dan stabil dibandingkan ARIMA pada kondisi data stasioner penuh (rataan dan ragam), sedangkan dari 12 skenario, LSTM menunjukkan kemampuan memberikan nilai akurasi prediksi yang terkecil pada kondisi data stasioner penuh dan nilai akurasi prediksi terbesar pada kondisi data stasioner dalam rataan namun tidak stasioner dalam ragam. Uji statistik ANOVA dan uji T memperkuat hasil ini dengan nilai nilai p < 0,05, yang berarti terdapat perbedaan kinerja yang signifikan antara kedua model. Kajian empiris dilakukan menggunakan data bulanan produksi mobil PT Astra Daihatsu Motor dari Januari 2010 hingga Desember 2023. Data ini mengandung tiga peristiwa intervensi, yaitu penurunan produksi akibat kebijakan internal perusahaan pada tahun 2013 (step function), penurunan sementara akibat pandemi Covid-19 pada tahun 2020 (pulse function), dan peningkatan produksi permanen akibat peluncuran mobil SUV pada tahun 2022 (step function). Model ARIMA terbaik yang diperoleh adalah ARIMA (3,1,5) dengan kombinasi fungsi intervensi multi-input step–pulse–step. Sementara itu, model LSTM dikembangkan menggunakan satu lapisan LSTM dengan empat neuron, fungsi aktivasi ReLU, optimizer RMSProp, batch size 16, dan 50 epoch, berdasarkan hasil tuning hyperparameter menggunakan metode Grid Search. Hasil evaluasi pada data empiris menunjukkan bahwa model ARIMA unggul pada data latih dengan nilai SMAPE sebesar 18,65% dibandingkan LSTM sebesar 23,42%, karena dapat menangkap perubahan struktural data dengan bantuan variabel dummy intervensi. Namun, pada data uji, model LSTM memberikan hasil yang lebih akurat dan stabil, dengan nilai MAPE 10,37% dibandingkan ARIMA sebesar 11,59%. Hal ini menunjukkan bahwa LSTM lebih unggul dalam mengenali pola yang fluktuatif dan kompleks, serta memiliki kemampuan generalisasi yang lebih baik terhadap data baru. Secara keseluruhan, hasil penelitian menunjukkan bahwa banyaknya intervensi dan jenis model berpengaruh signifikan terhadap tingkat akurasi peramalan. Model LSTM lebih adaptif dan akurat dalam menghadapi data yang dipengaruhi oleh berbagai intervensi, sementara model ARIMA tetap efektif untuk data yang relatif stabil dan terstruktur. Penelitian ini menegaskan pentingnya mempertimbangkan sifat stasioneritas dan banyaknya intervensi dalam proses pemodelan deret waktu.