Penerapan Metode Hybrid GARCH-LSTM untuk Meramalkan Harga Bawang Putih Nasional
Date
2024Author
Wibisono, Akmal Riza
Sulvianti, Itasia Dina
Rizki, Akbar
Metadata
Show full item recordAbstract
Analisis deret waktu digunakan untuk menghasilkan ramalan terhadap kejadian yang akan datang dengan mengasumsikan data dalam kondisi stasioner dan linear. Namun, dalam kehidupan nyata, data sering kali bersifat nonstasioner, nonlinear, dan memiliki volatilitas tinggi. Untuk mengatasi permasalahan tersebut, penelitian ini mengombinasikan metode statistika klasik dan metode deep learning, yaitu Generalized Autoregressive Conditional Heteroskedasticity (GARCH) dengan Long Short-Term Memory (LSTM), sebagai model hybrid GARCH-LSTM. Metode ini dapat mempertahankan kemampuan model GARCH dalam menginterpretasikan kondisi fluktuatif dan sekaligus meningkatkan akurasi ramalan dengan memodelkan sisaannya menggunakan model LSTM. Penelitian ini menggunakan data harian harga bawang putih nasional sejak Juli 2021 hingga Februari 2024 yang diperoleh dari website Badan Pangan Nasional. Model GARCH terbaik untuk memodelkan harga bawang putih nasional adalah model GARCH(1,1) dengan nilai MAPE sebesar 9,73%. Sisaan dari model GARCH(1,1) dimodelkan menggunakan model LSTM dengan skenario learning rate sebesar 0,005 dan batch size sebesar 16 yang diperoleh melalui langkah hyperparameter tuning menggunakan metode time series k-fold cross validation. Model hybrid GARCH-LSTM pada data harga bawang putih nasional menghasilkan ramalan yang sangat akurat dengan nilai MAPE sebesar 3,84%. Hasil ramalan harga bawang putih nasional menggunakan model hybrid GARCH-LSTM menunjukkan tren kenaikan yang disertai fluktuasi harga hingga menyentuh kisaran Rp45.000/kg pada akhir Juni 2024. Time series analysis is employed to generate forecasts for future events assuming data are stationary and linear. However, in real-life scenarios, data are often nonstationary, nonlinear, and highly volatile. To address these challenges, this research combines classical statistics with deep learning, specifically Generalized Autoregressive Conditional Heteroskedasticity (GARCH) and Long Short-Term Memory (LSTM), termed as hybrid GARCH-LSTM model. This method can maintain the GARCH model