Perbandingan Performa Model LSTM dan GRU dalam Peramalan Volume Impor Gula di Indonesia

Abstract

Peramalan data deret waktu memiliki peran penting dalam mendukung pengambilan keputusan strategis, khususnya terkait kebijakan impor komoditas strategis seperti gula. Penelitian ini bertujuan untuk membandingkan akurasi model Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam meramalkan volume impor gula Indonesia (HS Code 1701) untuk periode 2006–2024. Data yang digunakan berupa data bulanan sebanyak 228 observasi yang diperoleh dari laman Trade Map. Tahapan analisis meliputi eksplorasi data, normalisasi dengan MinMaxScaler, transformasi ke format sekuensial, serta hyperparameter tuning (batch size, epoch, dan learning rate) untuk memperoleh model terbaik. Evaluasi performa dilakukan menggunakan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa MAPE training untuk LSTM sebesar 25,14% sedangkan GRU sebesar 26,97%. Pada data testing, kedua model menghasilkan akurasi yang hampir sebanding, yaitu MAPE sebesar 22,33% untuk LSTM dan 22,83% untuk GRU. Dilihat dari efisiensi waktu komputasi, model GRU memiliki keunggulan karena waktu pelatihannya lebih singkat yaitu 36 menit dibandingkan 40 menit untuk model LSTM. Namun, dengan mempertimbangkan akurasi dan kesesuaian hasil prediksi terhadap data aktual, model LSTM tetap dipilih sebagai model terbaik untuk meramalkan 12 bulan ke depan yang hasilnya menunjukkan adanya fluktuasi tajam pada awal periode sebelum stabil di akhir horizon peramalan.