PERBANDINGAN HYBRID ARIMA-NNAR DAN ARIMA-SVR PADA PERAMALAN NILAI IMPOR MIGAS DAN NON-MIGAS INDONESIA

Fariskika Aulia Mukhtiar, Universitas Negeri Yogyakarta, Indonesia
Sri Andayani, Universitas Negeri Yogyakarta, Indonesia

 10.21831/jssd.v2i2.23420

Abstract


Peramalan nilai impor migas dan non-migas berperan penting dalam pengambilan keputusan ekonomi dan perdagangan. Model AutoRegressive Integrated Moving Average (ARIMA) sering digunakan dalam peramalan deret waktu, tetapi memiliki keterbatasan dalam menangkap pola non-linear. Penelitian ini mengevaluasi performa model hybrid ARIMA-NNAR dan ARIMA-SVR dalam peramalan nilai impor migas dan non-migas Indonesia, menentukan model terbaik berdasarkan metrik keakuratan, serta menganalisis pola residual untuk menilai perlunya pendekatan hybrid. Data impor migas dan non-migas Indonesia dari Januari 2011 hingga Desember 2024 digunakan dengan pembagian 80% untuk pelatihan dan 20% untuk pengujian. Model hybrid mengombinasikan ARIMA dengan Neural Network AutoRegression (NNAR) dan Support Vector Regression (SVR), menggunakan residual ARIMA sebagai input tambahan. Evaluasi menggunakan RMSE, MAE, dan MAPE menunjukkan bahwa ARIMA-NNAR lebih akurat untuk impor migas, sedangkan ARIMA-SVR lebih unggul untuk impor non-migas. Residual ARIMA untuk impor migas sudah bersifat white noise, sehingga pendekatan hybrid tidak diperlukan, sedangkan residual ARIMA untuk impor non-migas belum white noise, sehingga pendekatan hybrid ARIMA-SVR terbukti lebih efektif dalam meningkatkan akurasi peramalan.


Keywords


ARIMA-NNAR; ARIMA-SVR; hybrid; impor migas; impor non-migas

References


Badan Pusat Statistik. (2024). Nilai impor migas & nonmigas [Data set]. Badan Pusat Statistik Indonesia. https://www.bps.go.id/id/statistics-table/2/MTc1NCMy/nilai-impor-migas-nonmigas.html

Büyükşahin, Ü. Ç., & Ertekin, Ş. (2019). Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition. Elsevier Preprint. Retrieved from https://arxiv.org/abs/1812.11526

Cahyono, R. E., Sugiono, J. P., & Tjandra, S. (2019). Analisis kinerja metode Support Vector Regression (SVR) dalam memprediksi indeks harga konsumen. JTIM: Jurnal Teknologi Informasi dan Multimedia, 1(2), 106–116.

Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7, 1247–1250.

Dietz, S. (2010). Autoregressive neural network process: Univariate, multivariate, and cointegrated models with application to the German automobile industry. University of Passau.

Enders, W. (2014). Applied econometric time series (4th ed.). Wiley.

Palupi, S. P. (2023). Perbandingan performa metode hybrid ARIMA-SVM dan ARIMA-NNAR pada peramalan data deret waktu [Tesis Magister, Institut Pertanian Bogor]. Institut Pertanian Bogor Repository.

Perone, G. (2021). Comparison of ARIMA, ETS, NNAR, TBATS and hybrid models to forecast the second wave of COVID-19 hospitalizations in Italy. The European Journal of Health Economics, 1–24.

Pramudhitasari, L., & Utami, H. (2016). Model hybrid ARIMA-SVR untuk peramalan data runtun waktu [Skripsi, Universitas Gadjah Mada]. UGM Repository. Retrieved from http://etd.repository.ugm.ac.id/

Sihombing, C. V. M., & Martha, S. (2022). Analisis metode hybrid ARIMA–SVR pada indeks harga saham gabungan. Bimaster: Buletin Ilmiah Matematika, Statistika dan Terapannya, 11(3).

Sutoyo, E., & Almaarif, A. (2020). Educational data mining for predicting student graduation using the Naïve Bayes classifier algorithm. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi, 4(1), 95–101.

Wei, W. (2006). Time series: Univariate and multivariate methods (2nd ed.). Addison Wesley.

Wulandari, N. L. P., Sarja, S. T., Yuniastari, N. L. A. K., Saryanti, S., &

Desi, I. G. A. (2015). Prediksi jumlah pelanggan dan persediaan barang menggunakan metode regresi linier berganda pada Bali Orchid. Jurnal Online Sistem Informasi, 1(1), 243–347.




DOI: https://doi.org/10.21831/jssd.v2i2.23420

Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Jurnal Statistika dan Sains Data

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

Our journal is indexed by:

Online ISSN (e-ISSN): 3025-9649

Creative Commons LicenseJurnal Statistika dan Sains Data by http://journal.student.uny.ac.id/ojs/index.php/jssd is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 JSSD Statistics