Perbandingan antara Metode ARIMA Box-Jenkins dan LSTM untuk Memprediksi Harga Kontrak Gula Dunia

Abstract

Analisis deret waktu dengan menggunakan model stokastik dan dinamis untuk peramalan data merupakan kunci dalam membantu proses perencanaan dan pengambilan keputusan di berbagai sektor. ARIMA dan LSTM merupakan contoh metode yang digunakan untuk peramalan. ARIMA memiliki fleksibilitas yang tinggi dalam menganalisis berbagai data deret waktu, sedangkan kelebihan LSTM adalah mampu mengolah data linier dan nonlinier. ARIMA dan LSTM dapat diaplikasikan untuk meramalkan harga kontrak gula dunia. Fluktuasi harga gula dunia dapat memberikan dampak yang signifikan tidak hanya bagi produsen dan konsumen, tetapi juga bagi stabilitas ekonomi negara-negara penghasil dan pengimpor gula. Peramalan harga kontrak gula dunia yang akurat memungkinkan para pembuat kebijakan untuk mengambil keputusan yang lebih baik dalam pengelolaan risiko, perencanaan strategis, dan penentuan harga jual. LSTM tidak memerlukan asumsi kestasioneran data seperti pada ARIMA, tetapi pada penelitian ini pemodelan LSTM juga akan dilakukan dengan menggunakan data yang stasioner. Tujuan dari penelitian ini adalah membandingkan performa model ARIMA, model LSTM dengan data tidak stasioner, dan model LSTM dengan data stasioner dalam memprediksi harga kontrak gula dunia. Data yang digunakan adalah data harga harian salah satu kontrak berjangka gula dunia dengan periode pengamatan dimulai dari 2 Januari 2019 hingga 29 Desember 2023. Hasil penelitian menunjukkan bahwa model LSTM dengan data tidak stasioner lebih baik dibandingkan model lainnya. Model ini menghasilkan nilai RMSE sebesar 1,512 dan MAPE sebesar 5,45%. Hasil penelitian ini juga menunjukkan bahwa motode LSTM tidak memerlukan asumsi kestasioneran dalam penerapannya.

Time series analysis, utilizing stochastic and dynamic models for data forecasting is key to assisting the planning and decision-making processes across various sectors. ARIMA and LSTM are examples of methods used for forecasting. ARIMA offers high flexibility in analysing various time series data, while the advantage of LSTM is its ability to process both linear and non-linear data. ARIMA and LSTM can be applied to forecast global sugar contract prices. Fluctuations in global sugar prices can have significant impacts not only on producers and consumers but also on the economic stability of countries that produce and import sugar. Accurate forecasting of global sugar contract prices enables policymakers to make better decisions in risk management, strategic planning, and pricing. LSTM does not require the assumption of data stationarity like ARIMA, but in this study, LSTM modelling will also be performed using stationary data. The objective of this study is to compare the performance of the ARIMA model, the LSTM model with non-stationary data, and the LSTM model with stationary data in predicting global sugar contract prices. The data used are daily price data from one of the world's sugar futures contracts, with an observation period from 2 January 2019 to 29 December 2023. The results of the study show that the LSTM model with non-stationary data is better than the other models. This model produces an RMSE value of 1,512 and an MAPE of 5,45%. The results of this study also show that the LSTM method does not require stationarity assumptions in its application.