Prediksi Nilai Ekspor Migas Indonesia menggunakan Metode ARIMA
DOI:
https://doi.org/10.54259/satesi.v5i1.4103Kata Kunci:
Prediction, Oil and Gas Export, ARIMA, LSTM, Time SeriesAbstrak
Penelitian ini memprediksi nilai ekspor minyak dan gas bumi (migas) Indonesia menggunakan metode Autoregressive Integrated Moving Average (ARIMA). Nilai ekspor migas merupakan indikator penting dalam perekonomian Indonesia, sehingga prediksi yang akurat dapat membantu perencanaan kebijakan ekonomi dan strategi perdagangan. Data runtun waktu dari Badan Pusat Statistik (BPS) digunakan untuk membangun model ARIMA terbaik, yaitu ARIMA(2, 1, 1), yang dipilih berdasarkan nilai AIC dan BIC terkecil. Hasil prediksi menunjukkan tren peningkatan nilai ekspor migas Indonesia secara bertahap selama lima bulan ke depan. Proyeksi ini bermanfaat untuk mendukung pengambilan keputusan yang lebih terukur, seperti perencanaan kebijakan fiskal, optimalisasi investasi sektor migas, dan mitigasi risiko pasar global. Penelitian ini juga menegaskan relevansi model ARIMA dalam menganalisis data ekonomi yang fluktuatif, memberikan kontribusi strategis untuk merespons dinamika pasar global secara lebih efektif.
Unduhan
Referensi
N. K. Rumokoy, "Pelanggaran hukum terhadap penggunaan minyak dan gas bumi (migas) yang terkandung di dalam wilayah hukum pertambangan Indonesia oleh pihak yang tidak berwenang," Jurnal Hukum Unsrat, vol. 22, no. 5, pp. 40-55, 2016.
F. Y. Tryono, "Peranan geologi dalam sistem hidrokarbon serta potensi dan tantangan eksplorasi migas di Indonesia," Swara Patra: Majalah Ilmiah PPSDM Migas, vol. 6, no. 2. [Online]. Available: https://ejurnal.ppsdmmigas.esdm.go.id/sp/index.php/swarapatra/article/view/131. [Accessed: Dec. 20, 2024].
Cynthia, S. Sugiman, and Z. Zaenuri, "Analisis perbandingan menggunakan ARIMA dan bootstrap pada peramalan nilai ekspor Indonesia," Jurnal Matematika Unnes, DOI: 10.15294/ujm.v5i1.13102, 2017.
E. Nurhasanah, Y. Sukmawaty, and M. Maisarah, “Peramalan Ekspor Migas di Indonesia Menggunakan Pendekatan Seasonal Autoregressive Integrated Moving Average with Exogenous (SARIMAX),” Indonesian Journal of Applied Statistics, vol. 7, no. 1, p. 87, Oct. 2024, doi: 10.13057/ijas.v7i1.84934.
A. Dwi Ramadhan, A. Fauzan, and R. Artikel, “Prediksi Nilai Ekspor Non-Migas Di Jawa Barat Menggunakan Metode Seasonal Auto Regresif Integrated Moving Average (SARIMA) P-ISSN E-ISSN,” 2023.
R. Julian and M. R. Pribadi, “Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM),” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 3, 2021, [Online]. Available: http://jurnal.mdp.ac.id
Badan Pusat Statistik (BPS), "Nilai Ekspor Migas-NonMigas," Jakarta, 2024. [Online]. Available: https://www.bps.go.id/id/statistics-table/2/MTc1MyMy/nilai-ekspor-migas-nonmigas.html. [Accessed: Dec. 20, 2024].
R. Rahmadayanti, B. Susilo, dan D. Puspitaningrum, “Perbandingan Keakuratan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential SMOOTHING Pada Peramalan Penjualan Semen di PT. Sinar Abadi”, Rekursif, vol. 3, no. 1, Jul 2015.
Z. Ihwati, I. Rosyidah, Y. S. Sirait, and R. S. Pontoh, "Prediksi Nilai Ekspor Migas di Indonesia Menggunakan Analisis Autoregressive Integrated Moving Average (ARIMA)," in E-Prosiding Seminar Nasional Statistika Aktuaria, Dept. Statistika FMIPA, Universitas Padjadjaran, vol. 1, pp. 136–149, 2022. DOI: 10.1234/snsa.v1i.273.
F. Inka Durrah, T. Prihartina Parhusip, A. Rusyana, J. Statistika, U. Syiah Kuala, and B. Aceh, “Peramalan Jumlah Penumpang Pesawat Di Bandara Sultan Iskandar Muda Dengan Metode SARIMA (Seasonal Autoregressive Integrated Moving Average),” 2018.
P. Astuti and F. J. Ayuningtyas, "Pengaruh ekspor dan impor terhadap pertumbuhan ekonomi di Indonesia," Jurnal Ekonomi dan Studi Pembangunan, vol. 19, no. 1, DOI: 10.18196/jesp.19.1.3836, 2018.
Y. Siswanti, "Peramalan curah hujan di kota Yogyakarta dengan model fungsi transfer multivariant," in Pemantapan Keprofesionalan Peneliti Pendidik Dan Prakt. MIPA Untuk Mendukung Pembangunan Karakter Bangsa, 2011.
R. P. Budiman, "Pembuatan aplikasi peramalan indeks harga saham gabungan dengan metode time series autoregressive integrated moving average (ARIMA)," B.S. thesis, Institut Teknologi Sepuluh Nopember, Surabaya, 2017. [Online]. Available: http://repository.its.ac.id/id/eprint/42214.
R. J. Hyndman and G. Athanasopoulos, Forecasting: principles and practice. Melbourne: OTexts, 2018.
The Ohio State University, "ARMA Models." [Online]. Available: http://www.econ.ohio-state.edu/dejong/note2.pdf. [Accessed: May 2018].
Wharton School of the University of Pennsylvania, "Introduction to ARMA Models." [Online]. Available: http://wwwstat.wharton.upenn.edu/~stine/stat910/lectures/08_intro_arma.pdf. [Accessed: May 2018].
"Applied problems of data analysis," Coursera. [Online]. Available: https://www.coursera.org/learn/data-analysisapplications/lecture/8yR4G/arima. [Accessed: May 2018].
S. Abu, "Seasonal ARIMA with Python," 2016. [Online]. Available: http://www.seanabu.com/2016/03/22/time-series-seasonalARIMA-model-in-python/. [Accessed: May 2018].
D. M. Putri and Aghsilni, "Estimasi Model Terbaik Untuk Peramalan Harga Saham PT. Polychem Indonesia Tbk. Dengan Arima," MAp Journal, vol. 1, no. 1, pp. 1–12, 2019.
H. Yasin, A. Prahutama, T. W. Utami, D. Jurusan, and S. Undip, “PREDIKSI HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH,” MEDIA STATISTIKA, vol. 7, pp. 29–35, 2014.
B. Y. Pandji, I. Indwiarti, and A. A. Rohmawati, "Perbandingan Prediksi Harga Saham dengan model ARIMA dan Artificial Neural Network," Indonesia Journal on Computing (Indo-JC), vol. 4, no. 2, pp. 189–198, 2019. DOI: 10.21108/indojc.2019.4.2.344.
Sudarsono, "Jaringan syaraf tiruan untuk memprediksi laju pertumbuhan penduduk menggunakan metode backpropagation (studi kasus di Kota Bengkulu)," Jurnal Media Infotama, vol. 12, no. 1, pp. 61-69, 2016.
M. F. Rizkilloh and S. Widiyanesti, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 25–31, Feb. 2022, doi: 10.29207/resti.v6i1.3630.
R. Luthfiansyah and B. Wasito, “Penerapan Teknik Deep Learning (Long Short Term Memory) dan Pendekatan Klasik (Regresi Linier) dalam Prediksi Pergerakan Saham BRI,” 2023.
S. Sautomo and H. F. Pardede, “Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 99–106, Feb. 2021, doi: 10.29207/resti.v5i1.2815.
H. D. E. Sinaga and N. Irawati, “PERBANDINGAN DOUBLE MOVING AVERAGE DENGAN DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN BAHAN MEDIS HABIS PAKAI,” JURTEKSI (Jurnal Teknologi dan Sistem Informasi), vol. 4, pp. 197–204, 2018.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Hasby Kuswanto, Pradita Eko Prasetyo Utomo, Ulfa Khaira, Akhiyar Waladi
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
