Analisis Runtun Waktu Peramalan Penerimaan Bea Masuk Menggunakan Jaringan Saraf Berulang Long Short-Term Memory Berbasis Seasonal-Trend Decomposition Using Loess (STL)

Cahyono, Novan Dwi (2024) Analisis Runtun Waktu Peramalan Penerimaan Bea Masuk Menggunakan Jaringan Saraf Berulang Long Short-Term Memory Berbasis Seasonal-Trend Decomposition Using Loess (STL). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022221036-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Di era data, pemerintah dapat menggunakan teknologi kecerdasan buatan untuk mencapai suatu tujuan. Satu tujuan yang ingin dicapai adalah mencari cara yang tepat untuk meramalkan penerimaan pajak perdagangan internasional dengan akurat khususnya penerimaan bea masuk. Peramalan ini begitu penting untuk merencanakan Anggaran dan Belanja Negara (APBN) dan mencapai target yang ditentukan dalam Indikator Kinerja Utama. Karena, seandainya perencanaan meleset, Otoritas pabean akan meningkatkan risiko kegagalan dalam mencapai target yang dibebankan. Penelitian ini menggunakan standar data bulanan dengan beberapa variabel prediktor diantaranya kurs pajak, nilai impor, PDRB, dan Tingkat inflasi. Data tersebut sangat berguna dalam menyelesaikan masalah dengan pendekatan runtun waktu untuk meramalkan ketidakpastian. Model peramalan dengan algoritma jaringan saraf berulang Long Short-Term Memory (LSTM) dipilih karena dapat melakukan pemrosesan data sekuensial. Ada beberapa analisis yang dilakukan, yaitu analisis tren, analisis korelasi, dan peramalan dengan menggunakan metode LSTM. Penelitian ini menggunakan model dengan mekanisme pembelajaran terbimbing yang proses pelatihannya menggunakan data historis yang telah disisihkan komponen musimannya. Model ini dapat diaplikasikan ke berbagai penyelesaian masalah yang sama untuk otoritas pabean lainnya. Kami telah mengevaluasi model yang kami ajukan menggunakan metrik kinerja dengan data lapangan sebagai pembanding. Hasilnya menunjukkan kinerja ketepatan peramalan yang menjanjikan dengan nilai MAPE <10. Praproses data adalah kunci utama dalam meningkatkan ketepatan peramalan yaitu menggunakan basis dekomposisi STL kemudian dilatih dengan metode LSTM yang secara signifikan sangat mengungguli hasil ramalan jika dikomparasikan dengan metode statistik. Ketika dibandingkan dengan LSTM tanpa dekomposisi, model ini mencapai peningkatan akurasi sebesar 14,48%.
=================================================================================================================================
In the age of data, Governments can use Artificial Intelligence to achieve goals. One of the objectives is to find appropriate way to accurately forecast international trade tax revenues, especially import duties. This forecasting is essential for state budget planning and achieving target set out in the Key Performance Indicators. Because in case the planning misses, the Customs Authority will increase the risk of failure to achieve the target imposed. This study uses standard monthly basis data with several predictor variables including tax exchange rates, import values, gross regional domestic product, inflation rates. The data is very useful in solving problems with a time series approach to forecast uncertainty. A forecasting model with the Long Short-Term Memory (LSTM) recurrent neural network algorithm was chosen because it can perform sequential data processing. There are several analyses performed, namely trend analysis, correlation analysis, and forecasting using the LSTM method. This research uses a model with a supervised mechanism whose training process uses historical seasonally adjusted data. This model can be applied to various similar problem solving for other customs authorities. We have evaluated our proposed model using performance metrics with real world data for comparison. The results show promising forecasting accuracy performance with MAPE <10. Data preprocessing is key in improving the forecasting accuracy, using features base of STL decomposition results then trained with the LSTM method which significantly outperforms the forecast results when compared to statistical methods. When compared to the LSTM without decomposition base preprocessing, the model achieved a 14.48% improvement in accuracy.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	bea masuk, jaringan saraf berulang, lstm, peramalan, runtun waktu, import duties, recurrent neural network, forecasting, time series
Subjects:	H Social Sciences > H Social Sciences (General) > H61.4 Forecasting in the social sciences H Social Sciences > HA Statistics > HA30.3 Time-series analysis H Social Sciences > HA Statistics > HA31.3 Regression. Correlation H Social Sciences > HB Economic Theory > Economic forecasting--Mathematical models. T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Novan Dwi Cahyono
Date Deposited:	28 May 2024 06:52
Last Modified:	28 May 2024 06:52
URI:	http://repository.its.ac.id/id/eprint/107990

Actions (login required)

View Item