Aplikasi Metode ARIMAX dan Multivariate Long Short-Term Memory (LSTM) dalam Peramalan Jumlah Penempatan Pekerja Migran Indonesia (PMI)

Abstract

Indonesia merupakan negara pengirim pekerja migran terbesar kedua di Asia Tenggara setelah Filipina. Lapangan pekerjaan yang tidak mencukupi menyebabkan banyak penduduk usia produktif bekerja di luar negeri. Jumlah penempatan Pekerja Migran Indonesia diduga dipengaruhi oleh jumlah pengaduan Pekerja Migran Indonesia dan inflasi, sehingga keduanya digunakan sebagai peubah eksogen dalam pemodelan. Data yang digunakan adalah data bulanan dari Januari 2018 hingga Desember 2023. Penelitian ini mengaplikasikan dua pendekatan metode peramalan data deret waktu yang berbeda, yaitu metode Autoregressive Integrated Moving Average eXogenous (ARIMAX) yang merupakan salah satu metode klasik dan metode Multivariate Long Short-Term Memory (LSTM) yang merupakan salah satu metode machine learning. Kedua metode ini dipilih karena dalam penelitian ini berupaya menemukan model peramalan data deret waktu multivariate terbaik yang menggambarkan pola data jumlah penempatan PMI. Model terbaik diperoleh berdasarkan performa nilai Mean Absolute Percentage Error (MAPE). Khusus untuk pencarian model multivariate LSTM melibatkan beberapa kombinasi hyperparameter. Hasilnya, model ARIMAX terbaik adalah ARIMAX(1,1,1) dengan nilai MAPE 23,531%, sedangkan model multivariate LSTM terbaik diperoleh dengan hyperparameter epoch 500, batch size 32, dan learning rate 0,005 dengan nilai MAPE 17%. Oleh karena itu, model multivariate LSTM tersebut dipilih sebagai model terbaik yang menggambarkan pola jumlah penempatan PMI. Akibatnya, berdasarkan model multivariate LSTM, peramalan jumlah penempatan PMI pada bulan Januari hingga Mei 2024 menghasilkan nilai yang cenderung naik.

Indonesia is the second largest migrant worker sending country in Southeast Asia after the Philippines. Insufficient job opportunities cause many people of productive age to work abroad. The number of Indonesian Migrant Worker placements is thought to be influenced by the number of Indonesian Migrant Worker complaints and inflation, so both are used as exogenous variables in the modeling. The data used is monthly data from January 2018 to December 2023. This research applies two different time series data forecasting method approaches, namely the Autoregressive Integrated Moving Average eXogenous (ARIMAX) method which is one of the classical methods and the Multivariate Long Short-Term Memory (LSTM) method which is one of the machine learning methods. These two methods were chosen because this research seeks to find the best multivariate time series forecasting model that describes the data pattern of the number of PMI placements. The best model is obtained based on the performance of the Mean Absolute Percentage Error (MAPE) value. Specifically, the search for multivariate LSTM models involves several hyperparameter combinations. As a result, the best ARIMAX model is ARIMAX(1,1,1) with a MAPE value of 23,531%, while the best multivariate LSTM model is obtained with hyperparameter epoch 500, batch size 32, and learning rate 0,005 with a MAPE value of 17%. Therefore, the multivariate LSTM model was chosen as the best model that describes the pattern of the number of PMI placements. As a result, based on the multivariate LSTM model, forecasting the number of PMI placements from January to May 2024 produces values that tend to increase.