PERBANDINGAN KINERJA MODEL ARIMA, RANDOM FOREST, XGBOOST, DAN GRU DALAM PERAMALAN HARGA MINYAK MENTAH WTI

Insyuzuu Cahyani 'Aisyah, . (2025) PERBANDINGAN KINERJA MODEL ARIMA, RANDOM FOREST, XGBOOST, DAN GRU DALAM PERAMALAN HARGA MINYAK MENTAH WTI. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220013.pdf Download (226kB)
	Text Abstrak_123220013.pdf Download (256kB)
	Text Halaman Pengesahan_123220013.pdf Download (530kB)
	Text Daftar Isi_123220013.pdf Download (304kB)
	Text Daftar Pustaka_123220013.pdf Download (228kB)
	Text Fulltext_123220013.pdf Restricted to Repository staff only Download (4MB)

Abstract

Peramalan harga minyak mentah West Texas Intermediate (WTI) memainkan peran
krusial dalam perencanaan ekonomi dan investasi di sektor energi global. Tingginya
volatilitas harga akibat gejolak geopolitik, pandemi, dan ketidakseimbangan pasokan
menuntut model prediktif yang mampu menangkap hubungan nonlinier dan pola temporal
yang kompleks. Penelitian ini mengevaluasi dan membandingkan kinerja empat model
forecasting: ARIMA, Random Forest, XGBoost, dan GRU untuk menentukan model terbaik
dalam meramalkan harga minyak WTI.
Penelitian ini menggunakan pendekatan kuantitatif komparatif dengan data harga
historis minyak WTI periode 1 Agustus 2010 hingga 30 Agustus 2025 dengan total 3.913
observasi. Dataset dibagi secara chronological dengan rasio 80:20 untuk training dan
testing. ARIMA dioptimasi melalui grid search dengan uji stasioneritas Augmented Dickey
Fuller dan analisis ACF/PACF. Random Forest dan XGBoost dioptimasi menggunakan
Bayesian Optimization dengan framework Optuna, sementara GRU menerapkan
regularization agresif untuk mencegah overfitting. Validasi model dilakukan menggunakan
time-series cross validation dengan gap 5 hari. Evaluasi menggunakan metrik MAE, RMSE,
MAPE, dan Accuracy dengan horizon forecasting very short-term (t+1, t+3, t+5 hari).
Hasil penelitian menunjukkan XGBoost mengungguli model lainnya dengan akurasi
pengujian tertinggi 99,35%, MAE $0,49, RMSE $0,65, dan MAPE 0,65%, serta stabilitas
multi-horizon dengan degradasi hanya 0,07% dari t+1 ke t+5. ARIMA(4,1,4) menempati
posisi kedua dengan akurasi 98,41% dan gap generalisasi terendah 8,40%, menjadikannya
pilihan optimal untuk deployment produksi yang membutuhkan stabilitas dan
interpretabilitas. Random Forest memberikan performa solid dengan akurasi 96,79%, gap
10,01%, dan waktu pelatihan sangat cepat (1,92 detik), ideal sebagai baseline cepat. GRU
menunjukkan akurasi 97,29% dengan gap 8,94%, namun waktu pelatihan sangat tinggi (75+
menit) membuat model ini kurang efisien. Analisis robustness lintas fase pasar menegaskan
XGBoost konsisten mempertahankan akurasi di atas 97% bahkan pada periode volatil dan
krisis.

Kata Kunci: peramalan, minyak mentah WTI, ARIMA, Random Forest, XGBoost,
GRU, pembelajaran mesin, pembelajaran mendalam, deret waktu

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Insyuzuu Cahyani 'Aisyah (Penulis - 123220013) Heru Cahya Rustamaji (Pembimbing)
Uncontrolled Keywords:	peramalan, minyak mentah WTI, ARIMA, Random Forest, XGBoost, GRU, pembelajaran mesin, pembelajaran mendalam, deret waktu
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	15 Dec 2025 01:37
Last Modified:	15 Dec 2025 01:37
URI:	http://eprints.upnyk.ac.id/id/eprint/46072

Actions (login required)

View Item