PERAMALAN HARGA MINYAK MENTAH INDONESIA JENIS SEPINGGAN YAKIN MIX MENGGUNAKAN MODEL HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE - NEURAL NETWORK

Dwi Ayu Anggraini, Sri Wahyuningsih, Meiliyani Siringoringo

Sari


Peramalan merupakan salah satu bidang penelitian yang aktif yang artinya sampai saat ini masih terus dilakukan penelitian mengenai proses peramalan runtun waktu terkait dengan proses pengambilan keputusan. Metode peramalan berkembang menjadi semakin cepat mengikuti perkembangan zaman dan teknologi komputasi. Terdapat hal yang menarik dari perkembangan tersebut ialah perbaikan metode peramalan runtun waktu bersifat hybrid, dengan menggabungkan dua jenis metode atau lebih yang berbeda, diharapkan dapat menjadi cara yang efektif dalam meningkatkan akurasi peramalan dibandingkan hanya dengan menerapkan satu metode saja. Salah satu metode hybrid yang dapat digunakan adalah Autoregressive Integrated Moving Average (ARIMA) dan Neural Network (NN). Tujuan dari penelitian ini adalah untuk memperoleh perbandingan kinerja peramalan harga minyak mentah Indonesia jenis Sepinggan Yakin Mix antara model ARIMA dan model hybrid ARIMA-NN tahun 2022. Berdasarkan hasil peramalan menggunakan model ARIMA, tingkat akurasi yang diperoleh dari peramalan data harga minyak mentah Indonesia jenis Sepinggan Yakin Mix yaitu ARIMA(0,1,1) sebesar 7,9661% dan model ARIMA(2,1,0) sebesar 7,7816% dan tingkat akurasi yang diperoleh menggunakan model  hybrid ARIMA(0,1,1)-NN 1 neuron sebesar 7,0910%, 2 neuron sebesar 7,0696%, 3 neuron sebesar 7,0661% dan menggunakan model  hybrid ARIMA(2,1,0)-NN 1 neuron sebesar 6,8972%, 2 neuron sebesar 6,8767%, 3 neuron sebesar 6,8692%. Kedua model menghasilkan kinerja peramalan yang sangat akurat untuk data tersebut karena nilai MAPE kedua model < 10%. Namun nilai MAPE dari 6 model hybrid ARIMA-NN  cenderung lebih kecil dibandingkan nilai MAPE dari model ARIMA. Dengan demikian model hybrid ARIMA-NN dapat digunakan sebagai alternatif pemodelan harga minyak mentah Indonesia jenis Sepinggan Yakin Mix yang bisa dimanfaatkan sebagai pertimbangan pengambilan keputusan atau kebijakan dalam bidang energi dan sumber daya mineral khususnya industri minyak mentah Indonesia


Kata Kunci


ARIMA; Hybrid; MAPE; Neural Network; Peramalan

Teks Lengkap:

PDF

Referensi


Aswi & Sukarna. (2006). Analisis Deret Waktu Aplikasi dan Teori. Makassar: Andira Publisher.

Box, G. E. P., & Jenkins, G. M. (1976). Time series Analysis, Forecasting, and Control, edisi revisi. San Francisco: Holden-Day.

Fausett, L. (1994). Fundamental of Neural Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall.

Gunaryati, A. (2017). Analisis Dan Model Peramalan Data Ekspor Impor Dengan Metode Gabungan ARIMA–Neural Network. Jurnal String, 2(1), 28-36.

Kusumaningrum, O., Suhartono & Haryono. (2012). Peramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima-Neural Network untuk Optimasi Persedian. Jurnal Sains dan Seni, 1(1), 6-7.

Makridakis, S., Wheelwright, S. C., & McGree, V. E. (1999). Metode dan Aplikasi Peramalan (edisi ke-2). Jakarta: Erlangga.

Montgomery, D., Jennings, C., & Kulahci, M. (2008). Introduction to time series analysis and forecasting. New Jersey (US): John Wiley & Sons.

Novitasari, I. 2013. Pengaruh Inflasi, Harga Minyak Mentah Indonesia, Dan Suku Bunga (BI Rate) Terhadap Indeks Harga Saham Gabungan (IHSG). Jurnal Ilmiah. 2(1), 1-2.

Sari, R.N., Mariani, S., & Hendikawati, P. (2016). Analisis Intervensi Fungsi Step

Pada Harga Saham (Studi Kasus Saham PT Fast Food Indonesia Tbk). UNNES Journal of Mathematics, 5(2), 181-189.

Sarle, W. S. (1994). Neural Networks and Statistical Models. Proceedings of the Nineteenth Annual SAS Users Group International Conference (1538-1550). USA: SAS Institute

Suhartono. (2007). Teori dan Aplikasi Model Intervensi Fungsi Pulse. Jurnal Ilmiah MatStat: 7(2), 191-241.

Wei, W. S. (2006). Time Series Analysis: Univariate and Multivariate Methods (2nd Edition). New York: Addison Wesley Publishing Company.

Widarjono, A. (2007). Ekonometrika: Pengantar dan Aplikasinya Disertai Panduan Eviews (edisi ke-4). Yogyakarta: UPP STIM YKPN.

Zhang, G. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Journal Neurocomputing, 50, 159-175.

Zheng, F., & Zhong, S. (2011). Time series forecasting using a hybrid RBF neural network and AR model based on binomial smoothing. International Journal of Mathematical and Computational Sciences, 5(3), 419-4.




DOI: https://doi.org/10.36087/jrp.v5i2.138

Refbacks

  • Saat ini tidak ada refbacks.


Indexing :

 

 

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.