Peramalan permintaan ekspor nonmigas Indonesia menggunakan long short term memory

INDONESIA :

Ekspor nonmigas memegang peranan penting dalam perekonomian Indonesia. Sektor ini memberikan kontribusi terbesar bagi devisa negara. Terjadinya fluktuasi permintaan ekspor nonmigas di pasar internasional menjadi penyebab dibutuhkannya sebuah sistem peramalan agar bisa mengimbangi antara produksi dan permintaan di pasar internasional. Long Short Term Memory (LSTM) digunakan dalam sistem peramalan permintaan ekspor nonmigas. LSTM merupakan salah satu dari banyak jenis Recurrent Neural Network (RNN) yang mampu mengatasi masalah kompleks peramalan data time series. Penelitian ini menggunakan data sekunder yang diambil dari website www.bps.go.id dengan data time series bulanan dari tahun 2012 – 2022. Data tersebut kemudian dibagi menjadi data latih dan data uji. Pengujian model dilakukan dalam beberapa skenario pembagian data, batch size, learning rate, dan epoch. Model terbaik didapatkan dengan nilai perhitungan MAPE dengan nilai terendah 7,87% dengan pembagian data 80% data latih dan 20 % data uji dengan parameter terbaik berupa batch size 6, epoch 100 dan learning rate 0,001.

ENGLISH :

Non-oil exports play an important role in the Indonesian economy. This sector provides the largest contribution to the country's foreign exchange. The fluctuation in demand for non-oil and gas exports in the international market is the reason for the need for a forecasting system in order to balance production and demand in the international market. Long Short-Term Memory (LSTM) is used in the non-oil and gas export demand forecasting system. LSTM is one of the many types of Recurrent Neural Networks (RNN), which is capable of solving complex problems of forecasting time series data. This study uses secondary data taken from the website of www.bps.go.id with monthly time series data from 2012 – 2022. The data is then divided into training data and test data. Model testing is carried out in several scenarios of data distribution and batch size. The best model is obtained by calculating the MAPE value, with the lowest value being 7.87% with a data division of 80% training data and 20% test data, with the best parameters being a batch size 6, epoch 100 and learning rate 0,001.

ARABIC :

أكسبور أن التقلبات في الطلب على الصادرات غير النفطية والغاز في السوق الدولية هي سبب الحاجة إلى نظام تنبؤ حتى يتمكن من موازنة الإنتاج والطلب في السوق الدولية يستخدم ذاكرة طويلة وقصيرة (LSTM)في التنبؤ بالطلب على الصادرات غير النفطية ذاكرةطويلة و قصيرة هي واحدة من أنواع عديدة من الشبكات العصبية (RNN)المتكررة القادرة على حل المشاكلات المعقدة www.bps.go.idللتنبؤ ببيانات السلاسل الزمنية والغاز النظام تستخدم هذه الدراسة بينات ثانوية مأخوذة من موقع الويب المعرف مع بينات السلاسل االزمنية الشهرية من ٢٠١٢ - ٢٠٢٢ ثم يتم تقسيم البيانات إلى بيانات التدريب وبيانات الإختبار يتم إجراء اختبار النمودج في عدة سيناريوهات لتقسيم البيانات وحجم الدفعة يتم الحصول على أفضل نمودج من خلال حساب قيمة يعني نسبة الخطأ المطلق (MAPE) بأقل قيمة هي %٧٫٨٧ مع تقسيم بيانات %٨٠ من بيانات التدريب % ٢٠من بيانات الإختيار مع أفضل المعلمات وهي حجم الحمام ١٢والعصر ١٥٠