Peramalan Nilai Ekspor Migas Indonesia Menggunakan Algoritma Long Short-Term Memory

Abstract

Sektor minyak dan gas bumi (migas) memiliki peran sentral dalam ekonomi Indonesia melalui kegiatan ekspor, memberikan kontribusi signifikan terhadap pendapatan nasional. Data Badan Pusat Statistik menunjukkan fluktuasi nilai ekspor migas dari tahun ke tahun, mencerminkan kompleksitas dalam memprediksi tren ekspor migas di masa depan. Peramalan yang akurat menjadi penting untuk perencanaan ekonomi nasional dan pengambilan keputusan strategis. Long Short-Term Memory (LSTM) adalah salah satu metode deep learning yang dapat digunakan untuk peramalan selain metode klasik. Algoritma ini merupakan pengembangan dari Reccurent Neural Network (RNN) dan sering digunakan dalam peramalan deret waktu. LSTM dianggap lebih unggul karena mampu mengurangi kesalahan dan melakukan peramalan untuk periode jangka panjang lebih baik dibandingkan metode lainnya. Penelitian ini bertujuan untuk mendapatkan kombinasi hyperparameter terbaik untuk model LSTM dan melakukan peramalan nilai ekspor migas Indonesia untuk 12 periode mendatang. Data nilai ekspor migas Indonesia yang digunakan adalah data bulanan mulai dari Januari 2001 hingga Desember 2023 yang bersumber dari website resmi Badan Pusat Statistik. Hasil penelitian menunjukkan model LSTM terbaik memiliki arsitektur 1 hidden layer dengan time steps 12 dan kombinasi hyperparameter optimal unit neuron (128), dropout rate (0,1), learning rate (0,01), batch size (64), epoch (50), dan optimizer Adaptive momentum (Adam). Model LSTM terbaik pada penelitian ini menghasilkan RMSE 195,768 dan MAPE 14,616%. Model terbaik digunakan untuk meramalkan nilai ekspor migas Indonesia untuk 12 periode mendatang. Hasil peramalan menunjukkan tren peningkatan dan penurunan yang relatif stabil.

The oil and gas sector plays a central role in Indonesia's economy through export activities, making a significant contribution to national income. Data from the Statistics Indonesia shows fluctuations in oil and gas export values from year to year, reflecting the complexity of predicting future oil and gas export trends. Accurate forecasting becomes important for national economic planning and strategic decision-making. Long Short-Term Memory (LSTM) is one of the deep learning methods that can be used for forecasting besides classical methods. This algorithm is a development of the Recurrent Neural Network (RNN) and is often used in time series forecasting. LSTM is considered superior because it can reduce errors and perform better long-term forecasting compared to other methods. This study aims to obtain the best hyperparameter combination for the LSTM model and forecast Indonesia's oil and gas export values for the next 12 periods. The data on Indonesia's oil and gas export values used is monthly data from January 2001 to December 2023, sourced from the official website of the Statistics Indonesia. The results show that the best LSTM model has an architecture of 1 hidden layer with 12 time steps and an optimal hyperparameter combination of neuron units (128), dropout rate (0,1), learning rate (0,01), batch size (64), epochs (50), and optimizer Adaptive momentum (Adam). The best LSTM model in this study produced an RMSE of 195,768 and MAPE of 14,616%. The best model was used to forecast Indonesia's oil and gas export values for the next 12 periods. The forecasting results show relatively stable increasing and decreasing trends.