Perbandingan Metode Vector Autoregressive With Exogenous Neural Network (VARX-NN) Dan Multivariate Bayesian Structural Time Series (MBSTS) (Studi Kasus: Peramalan Harga Batu Bara Di Indonesia Dan Australia)

Leviany, Fonda (2022) Perbandingan Metode Vector Autoregressive With Exogenous Neural Network (VARX-NN) Dan Multivariate Bayesian Structural Time Series (MBSTS) (Studi Kasus: Peramalan Harga Batu Bara Di Indonesia Dan Australia). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003201017-Master_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Indonesia dan Australia merupakan dua negara yang berdekatan di wilayah Asia – Pasifik serta memiliki potensi yang besar sebagai pemasok batu bara dunia. Harga historis batu bara Indonesia dan Australia saling berkaitan satu sama lain pada waktu yang sama sehingga metode analisis secara multivariat dapat diterapkan. Harga batu bara Indonesia dan Australia memiliki pola yang sangat dinamis dari waktu ke waktu sehingga diperlukan pemodelan yang baik. Data yang digunakan dalam penelitian ini adalah data sekunder dari website Kementerian ESDM, World Bank Data, dan Online Foreign Exchange (OFX) dengan pengamatan dari bulan Januari 2009 sampai Januari 2022. Pada penelitian ini, akan dilakukan kajian algoritma dan pemodelan pada data multivariate time series dengan Vector Autoregressive with Exogenous Neural Network (VARX-NN) dan Multivariate Bayesian Structural Time Series (MBSTS). Hasil pemodelan menunjukkan bahwa model VARX-NN dengan X adalah outlier memberikan hasil ramalan pada data out-sample terbaik untuk studi kasus peramalan harga batu bara Indonesia dan Australia. Model terbaik yang terbentuk adalah VARX(2,0)-NN(1,1) dengan input pada model NN adalah residual harga batu bara Indonesia lag 1 dan residual harga batu bara Australia lag 1 dengan 1 hidden layer dan 4 neuron hidden layer . Model ini memberikan hasil peramalan dengan MAPE untuk harga batu bara Indonesia adalah 6,680% dan MAPE untuk harga batu bara Australia adalah 14,467%.
====================================================================================================================================
Indonesia and Australia are two adjacent countries in the Asia Pacific region and have great potential as world coal suppliers. The historical prices of Indonesian and Australian coal are related to each other at the same time so that multivariate analysis methods can be applied. Indonesian and Australian coal prices have very dynamic patterns from time to time, so the appropriate modeling method is needed. The data used in this study is secondary data from the Ministry of Energy and Mineral Resources website, World Bank Data, and Online Foreign Exchange (OFX) with observations from January 2009 to January 2022. In this study, algorithm studies and modeling on multivariate time series data will be carried out with Vector Autoregressive Exogenous Neural Network (VARX-NN) and Multivariate Bayesian Structural Time Series (MBSTS). The modeling results show that the VARX-NN model with X are outliers give the best out-sample data forecast results for the case study of forecasting coal prices in Indonesia and Australia. The best model formed is VARX(2,0)-NN(1,1) with input on NN is residual of Indonesia coal prices lag-1 and residual Australia coal prices lag-1 with 1 hidden layer and 4 neurons on hidden layer. This model provides the forecasting results with MAPE for Indonesia coal price is 6.680% and MAPE for Australia coal price is 14.467%.

Item Type:	Thesis (Masters)
Additional Information:	RTSt 519.536 Lev p-1 2022
Uncontrolled Keywords:	Harga Batu Bara, MBSTS, Multivariate Time Series, VARX-NN, Coal Price, MBSTS, Multivariate Time Series, VARX-NN
Subjects:	Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	29 Apr 2026 08:41
Last Modified:	29 Apr 2026 08:41
URI:	http://repository.its.ac.id/id/eprint/132938

Actions (login required)

View Item