dc.contributor.advisor | Rizki, Akbar | |
dc.contributor.advisor | Rahardiantoro, Septian | |
dc.contributor.author | Batubara, Angelika Anggreni | |
dc.date.accessioned | 2024-07-11T03:27:51Z | |
dc.date.available | 2024-07-11T03:27:51Z | |
dc.date.issued | 2024 | |
dc.identifier.uri | http://repository.ipb.ac.id/handle/123456789/153492 | |
dc.description.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. | |
dc.description.abstract | 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. | |
dc.description.sponsorship | | |
dc.language.iso | id | |
dc.publisher | IPB University | id |
dc.title | Aplikasi Metode ARIMAX dan Multivariate Long Short-Term Memory (LSTM) dalam Peramalan Jumlah Penempatan Pekerja Migran Indonesia (PMI) | id |
dc.title.alternative | Application of ARIMAX and Multivariate Long Short-Term Memory (LSTM) Methods in Forecasting the Number of Placements of Indonesian Migrant Workers (IMWO). | |
dc.type | Skripsi | |
dc.subject.keyword | ARIMAX | id |
dc.subject.keyword | multivariate LSTM | id |
dc.subject.keyword | pekerja migran Indonesia | id |
dc.subject.keyword | pemodelan | id |
dc.subject.keyword | peramalan | id |