Penerapan Long Short Term Memory Peubah Tunggal dan Ganda untuk Prediksi Harga Minyak Kelapa Sawit Dunia

Abstract

Analisis deret waktu sangat penting untuk memprediksi faktor ekonomi dan faktor-faktor penting lainnya, hal itu dapat dilakukan secara peubah tunggal dan peubah ganda. Perkembangan teknologi menciptakan long short term memory (LSTM) yang dapat menangani gradien yang menghilang dan ketergantungan jangka panjang. Penelitian ini akan memprediksi harga minyak kelapa sawit dunia karena Indonesia sebagai produsen minyak kelapa sawit terbesar di dunia sangat dipengaruhi oleh harga minyak kelapa sawit dunia. Penelitian ini menggunakan data bulanan harga minyak kelapa sawit, minyak kedelai, dan minyak bumi pada bulan Januari 2002 hingga Mei 2024 yang didapat dari World Bank Commodity Price Data. Penelitian ini menerapkan LSTM seara peubah tunggal dan peubah ganda dalam memprediksi harga minyak kelapa sawit. Penggunaan LSTM dikarenakan data menunjukkan unsur non-linear dan dan volatilitas yang tinggi. Input yang digunakan untuk LSTM peubah tunggal adalah harga minyak kelapa sawit sedangkan LSTM peubah ganda menggunakan harga minyak kelapa sawit, minyak kedelai dan minyak bumi. LSTM peubah tunggal terbukti lebih efektif pada kasus prediksi harga minyak kelapa sawit dunia. Hal ini terbukti dengan MAPE yang lebih rendah 6,574% dibandingkan LSTM peubah ganda 6,689%. LSTM peubah tunggal ini menggunakan kombinasi hyperparameter neuron 32, epoch 100, time steps 1, batch size 64, dan learning rate 0,01.

Time series analysis is essential for predicting economic and other important factors; it can be done univariately or multivariately. Technological developments created long short term memory (LSTM) that can handle vanishing gradients and long-term dependencies. This research will predict the world price of crude palm oil (CPO) because Indonesia, as the world's largest CPO producer, is strongly influenced by the world CPO price. This study uses monthly data on CPO, soybean, and canola oil prices from January 2002 to May 2024 obtained from the World Bank Commodity Price Data. This research applies univariate and multivariate LSTM to predicting CPO prices. The use of LSTM is because the data shows nonlinear elements and high volatility. The input used for univariate LSTM is the CPO price, while multivariate LSTM uses CPO, soybean oil, and crude oil prices. The univariate LSTM proved to be more effective in the case of world CPO price prediction. This is proven by the lower MAPE of 6,574% compared to the multivariate LSTM of 6,689%. This univariate LSTM uses a combination of hyperparameters: neuron 32, epoch 100, time steps 1, batch size 64, and learning rate 0,01.