Pemodelan Harga Minyak Mentah Dunia Tahun 2022 - 2023 dengan Metode ARIMA, LSTM, dan GRU

Abstract

Minyak mentah adalah sumber daya alam yang berharga dengan dampak ekonomi yang signifikan. Mengingat sifat fluktuasi harga minyak mentah dunia dan jaminan ekonomi yang signifikan, peramalan harga yang akurat sangat penting untuk pengambilan keputusan bisnis yang efektif. Karakteristik harga minyak mentah dunia fluktuatif dan tidak linier. Penelitian ini membandingkan tiga metode peramalan, yaitu Autoregressive Integrated Moving Average (ARIMA), Long Short-term Memory (LSTM), dan Gated Recurrent Unit (GRU). Meskipun ARIMA dapat menangkap hubungan linier dalam waktu singkat, namun metode ini memiliki kelemahan dalam meramalkan hubungan nonlinier dan jika datanya fluktuatif. Untuk mengatasi keterbatasan ini digunakan metode peramalan LSTM dan GRU. Metode ini dikenal dengan kemampuannya untuk mempelajari pola nonlinier. Penelitian ini bertujuan untuk menentukan metode peramalan yang paling efektif dalam meramalkan harga minyak mentah dunia (WTI) dan melakukan peramalan harga minyak mentah dunia (WTI) sebanyak 23 amatan pada bulan Januari 2024. Evaluasi metrik pada keseluruhan data dengan menggunakan model GRU memiliki nilai MAPE sebesar 2,0883% sedangkan pada model LSTM memiliki nilai MAPE sebesar 2,6335%. Hasil penelitian menunjukkan bahwa dalam mengevaluasi metrik pada data validasi untuk rentang waktu 5 hari per minggu, 1 bulan, dan 3 bulan, metode GRU menunjukkan keunggulan dalam meramalkan harga minyak mentah dunia (WTI) tahun 2022 sampai 2023.

Crude oil is a valuable natural resource with a significant economic impact. Given the volatile nature of global crude oil prices and their substantial economic implications, accurate price forecasting is crucial for effective business decision making. The characteristics of global crude oil prices are volatile and nonlinear. This study compares three forecasting methods: Autoregressive Integrated Moving Average (ARIMA), Long Short-term Memory (LSTM), and Gated Recurrent Unit (GRU). While ARIMA can capture short-term linear relationships, it has limitations in forecasting nonlinear relationships, especially with volatile data. To address these limitations, LSTM and GRU forecasting methods are employed. These methods are known for their ability to learn nonlinear patterns. This study aims to determine the most effective forecasting method for predicting global crude oil prices (WTI) and to forecast crude oil prices (WTI) for 23 observations in January 2024. The evaluation metrics on the entire dataset indicate that the GRU model achieved a MAPE of 2.0883%, while the LSTM model achieved a MAPE of 2.6335%. The results of the study show that in evaluating the metrics on the validation data for the time ranges of 5 days per week, 1 month, and 3 months, the GRU method demonstrated superiority in forecasting global crude oil prices (WTI) from 2022 to 2023.