| NIM | C1B021116 |
|---|
| Namamhs | DEDEN SUPENA |
|---|
| Judul Artikel | TEA PRICE PREDICTION USING HYBRID ARIMA-BP NEURAL NETWORK MODEL |
|---|
| Abstrak (Bhs. Indonesia) | Penelitian ini menguji efektivitas model hibrida ARIMA-BP Neural Network dalam memprediksi harga teh global. Model ini mengintegrasikan ARIMA untuk menangkap tren linear dan Back Propagation Neural Network (BP NN) untuk menangani pola non-linear, menggabungkan kekuatan keduanya untuk meningkatkan akurasi peramalan. Dengan menggunakan data harga teh bulanan dari tahun 2015 hingga 2022 yang diperoleh dari Index Mundi, penelitian ini mengevaluasi kinerja model hybrid terhadap ARIMA tunggal. Stasioneritas data dicapai melalui pembedaan orde pertama, dan pemilihan model didasarkan pada Akaike Information Criterion (AIC) dan pemeriksaan diagnostik. Model hibrida menunjukkan akurasi prediksi yang unggul, mencapai Mean Absolute Percentage Error (MAPE) sebesar 6,32%, dibandingkan dengan 12,79% untuk ARIMA saja. Hasil-hasil ini menggarisbawahi potensi model hibrida untuk pasar komoditas yang bergejolak, yang menawarkan implikasi praktis untuk manajemen risiko dan pengambilan keputusan di industri teh. Para pemangku kepentingan dapat memanfaatkan model ini untuk mengantisipasi fluktuasi harga, mengoptimalkan operasi, dan meningkatkan perencanaan keuangan. Penelitian di masa depan dapat mengeksplorasi pendekatan hibrida pada komoditas lain dan memasukkan variabel prediktif tambahan. |
|---|
| Abtrak (Bhs. Inggris) | This study examines the effectiveness of a hybrid ARIMA-BP Neural Network model in predicting global tea prices. The model integrates ARIMA to capture linear trends and Back Propagation Neural Network (BP NN) to address non-linear patterns, combining their strengths for improved forecasting accuracy. Using monthly tea price data from 2015 to 2022 obtained from Index Mundi, the study evaluates the hybrid model's performance against standalone ARIMA. Stationarity of the data was achieved through first-order differencing, and model selection was based on Akaike Information Criterion (AIC) and diagnostic checks. The hybrid model demonstrated superior predictive accuracy, achieving a Mean Absolute Percentage Error (MAPE) of 6.32%, compared to 12.79% for ARIMA alone. These results underscore the potential of hybrid models for volatile commodity markets, offering practical implications for risk management and decision-making in the tea industry. Stakeholders can leverage this model to anticipate price fluctuations, optimize operations, and enhance financial planning. Future research could explore hybrid approaches in other commodities and incorporate additional predictive variables. |
|---|
| Kata kunci | tea price prediction, ARIMA, back propagation neural network, hybrid model, forecasting, commodity markets. |
|---|
| Pembimbing 1 | Dr. Dian Purnomo Jati, S.E., M.Sc |
|---|
| Pembimbing 2 | |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2024 |
|---|
| Jumlah Halaman | 6 |
|---|
| Tgl. Entri | 2025-01-22 09:38:49.518315 |
|---|