Evaluasi Model ARIMA, Random Forest dan LSTM untuk Peramalan Harga Minyak Dunia
DOI:
https://doi.org/10.70609/jusifor.v5i1.9370Kata Kunci:
ARIMA, Minyak Mentah, LSTM, Peramalan, Random ForestAbstrak
Harga minyak dunia merupakan indikator ekonomi global yang sangat volatil dan dipengaruhi oleh berbagai faktor dinamis, sehingga diperlukan metode peramalan yang mampu menangkap pola linier maupun non-linier pada data deret waktu. Penelitian ini bertujuan mengevaluasi performa model ARIMA, Random Forest, dan LSTM dalam memprediksi harga minyak mentah West Texas Intermediate (WTI). Dataset yang digunakan berupa 1.316 data penutupan harian periode Januari 2020 hingga Desember 2024 yang diperoleh dari Investing.com. Data dibagi menggunakan pendekatan time-based split dengan rasio 80% untuk pelatihan dan 20% untuk pengujian guna menjaga karakteristik temporal. Evaluasi model dilakukan menggunakan MAE, MSE, RMSE, MAPE, dan R-squared. Hasil penelitian menunjukkan bahwa LSTM menghasilkan performa terbaik dengan MAE 2,914, RMSE 3,66, MAPE 0,854%, dan R² 0,8514. Sebaliknya, ARIMA dan Random Forest menghasilkan R² negatif, menunjukkan keterbatasan dalam menangkap dinamika non-linier harga minyak. Temuan ini menegaskan efektivitas pendekatan deep learning dalam peramalan harga minyak.
Referensi
[1] R. Erison, B. R. AMS, P. Ayu, and N. A. Sufiawan, “Pengaruh Harga Emas Dunia, Harga Minyak Mentah Dunia Dan Pasar Saham Di Indonesia,” J. Ekon. Pembang. STIE Muhammadiyah Palopo, vol. 9, no. 1, p. 44, 2023, doi: 10.35906/jep.v9i1.1388.
[2] D. Fakhriyana and I. I. Brilliant, “Penerapan Metode Fuzzy Time Series (FTS) Cheng dan Markov-Chain untuk Peramalan Indonesia Crude Oil Price (ICP),” Indones. J. Appl. Stat., vol. 6, no. 1, p. 44, 2024, doi: 10.13057/ijas.v6i1.79907.
[3] S. Hasibuan, Y. Asdi, and A. Nazra, “Peramalan Harga Minyak Mentah Dunia Menggunakan Metode Fuzzy Time Series Logika Singh,” J. Mat. UNAND, vol. 13, no. 1, p. 66, 2024, doi: 10.25077/jmua.13.1.66-74.2024.
[4] P. Kinerja et al., “Comparison of the performance of the arima , multi-layer perceptron , and random forest methods in forecasting precious metal futures prices that contain outliers,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 2, 2024, doi: 10.25126/jtiik.20241127392.
[5] S. Wijaya and Fauziah, “a Comperative Analysis of Linear Regression and Random Forest Methods for Predicting Palm Oil Price Sales,” J. Ilm. Teknol. dan Rekayasa, vol. 28, no. 3, pp. 265–274, 2023, doi: 10.35760/tr.2023.v28i3.10111.
[6] A. Ubaidillah, E. M. S. Rochman, D. A. Fatah, and A. Rachmad, “Classification of Corn Diseases using Random Forest, Neural Network, and Naive Bayes Methods,” J. Phys. Conf. Ser., vol. 2406, no. 1, pp. 0–10, 2022, doi: 10.1088/1742-6596/2406/1/012023.
[7] L. M. Cendani and A. Wibowo, “Perbandingan Metode Ensemble Learning pada Klasifikasi Penyakit Diabetes,” J. Masy. Inform., vol. 13, no. 1, pp. 33–44, 2022.
[8] N. Sirimevan, I. G. U. H. Mamalgaha, C. Jayasekara, Y. S. Mayuran, and C. Jayawardena, “Stock Market Prediction Using Machine Learning Techniques,” 2019 Int. Conf. Adv. Comput. ICAC 2019, pp. 192–197, 2019, doi: 10.1109/ICAC49085.2019.9103381.
[9] A. D. Milniadi and N. O. Adiwijaya, “ANALISIS PERBANDINGAN MODEL ARIMA DAN LSTM DALAM PERAMALAN HARGA PENUTUPAN SAHAM ( STUDI KASUS : 6,” SIBATIK J., vol. 2, no. 6, 2023, doi: https://doi.org/10.54443/sibatik.v2i6.798.
[10] C. Zhang, Z. Chen, and J. Zhou, “Research on Short-Term Load Forecasting Using K-means Clustering and CatBoost Integrating Time Series Features,” Chinese Control Conf. CCC, vol. 2020-July, no. July 2016, pp. 6099–6104, 2020, doi: 10.23919/CCC50068.2020.9188856.
[11] F. Liantoni and O. Simanjuntak, “Peramalan Nilai Saham BBCA Melalui Pendekatan Time Series Menggunakan Teknik Exponential Smoothing,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 10, no. 3, pp. 259–266, 2025.
[12] S. Nurlela, A. Fanani, and Hani Khaulasari, “Prediksi Harga Minyak Mentah WTI Menggunakan Metode Fuzzy Time Series Markov Chain,” J. Fourier, vol. 12, no. 1, pp. 10–19, 2023, doi: 10.14421/fourier.2023.121.10-19.
[13] K. T. Hidayah, B. Arifitama, and S. D. H. Permana, “Klasifikasi Penyakit Kanker Serviks Berdasarkan Kebiasaan dan Rekam Medis dengan Metode C4.5,” J. Nas. Teknol. dan Sist. Inf., vol. 10, no. 1, pp. 36–44, 2024, doi: 10.25077/teknosi.v10i1.2024.36-44.
[14] R. Novia, S. S. Prasetyowati, and Y. Sibaroni, “Identify User Behavior Based on The Type of Tweet on Twitter Platform Using Gaussian Mixture Model Clustering,” J. Comput. Syst. Informatics, vol. 3, no. 4, pp. 502–506, 2022, doi: 10.47065/josyc.v3i4.2208.
[15] S. Khotimatul Wildah, A. Latif, S. Agustiani, A. Mustopa, and S. Suharyanto, “Color Histogram Dan Support Vectore Machine Untuk Mengklasifikasikan Biji Kopi Berdasarkan Tingkat Pemanggangan,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 580–586, 2024, doi: 10.36040/jati.v8i1.8724.
[16] A. Rizki, “Aplikasi Model ARIMA dalam Peramalan Data Harga Emas Dunia Tahun 2010-2022,” J. Stat. dan Apl., vol. 7, no. 1, pp. 84–92, 2023, doi: 10.21009/jsa.07108.
[17] N. Nurussakinah, M. Faisal, and I. B. Santoso, “Algoritma Random Forest dan Synthetic Minority Oversampling Technique (SMOTE) untuk Deteksi Diabetes,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 10, no. 2, pp. 221–234, 2025, doi: 10.14421/jiska.2025.10.2.221-234.
[18] Z. Wang and L. Jia, “Short-Term Photovoltaic Power Generation Prediction Based on LightGBM-LSTM Model,” 2020 5th Int. Conf. Power Renew. Energy, ICPRE 2020, pp. 543–547, 2020, doi: 10.1109/ICPRE51194.2020.9233298.
[19] H. Harumy, M. Zarlis, M. S. Lydia, and S. Effendi, “Pengembangan model protis neural network untuk prediksi dan klasifikasi data timeseries dan image,” Pros. Semin. Nas. Ris. Dan Inf. Sci. (, vol. 4, pp. 1–7, 2022.
[20] R. Komansilan, V. Tarigan, and A. Yusupa, “Analisis Perbandingan Metode Trend Moment dan Regresi Linear Untuk Meramal Harga Saham Bank BRI,” J-SISKO TECH (Jurnal Teknol. Sist. Inf. dan Sist. Komput. TGD), vol. 7, no. 1, p. 24, 2024, doi: 10.53513/jsk.v7i1.9474.
[21] T. Aravind, B. S. Reddy, S. Avinash, and G. Jeyakumar, “Information of Under Graduate Students,” Proc. Third Int. Conf. I-SMAC, pp. 542–546, 2019.
[22] R. Julian and M. R. Pribadi, “Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM),” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 3, pp. 1570–1580, 2021.
[23] S. B. Koduri, L. Gunisetti, C. R. Ramesh, K. Mutyalu, and D. Ganesh, “Prediction of crop production using adaboost regression method Prediction of crop production using adaboost regression method,” J. Phys. Conf. Ser., 2019, doi: 10.1088/1742-6596/1228/1/012005.
[24] Investing.com, “Minyak Mentah WTI Berjangka - Jan ’26 (OIL),” Online. [Online]. Available: https://id.investing.com/commodities/crude-oil-historical-data
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Hendri Mahmud Nawawi, Agung Baitul Hikmah, Ali Mustopa, Fitra Septia Nugraha
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
