Pemodelan ANN Berbasis ARIMA untuk Peramalan Impor Aluminium Menurut Negara Asal Utama

Authors

  • Enjel Debora Silitonga Universitas HKBP Nommensen Pematangsiantar
  • Eka Yunita Purba Universitas HKBP Nommensen Pematangsiantar
  • Lesteria Tri Yani Silaban Universitas HKBP Nommensen Pematangsiantar
  • Elisabeth N. R. Silalahi Universitas HKBP Nommensen Pematangsiantar
  • Jaya Tata Hardinata Universitas HKBP Nommensen Pematangsiantar

DOI:

https://doi.org/10.62712/juktisi.v4i3.842

Keywords:

Peramalan, Aluminium, ARIMA, ANN, Impor, BPS

Abstract

Sampai saat ini, pasokan bahan baku logam, khususnya aluminium, yang masih didominasi oleh barang impor, sangat penting bagi ketahanan industri manufaktur nasional. Tujuan dari penelitian ini adalah untuk membuat model peramalan hibrida yang menggunakan metode statistik klasik Autoregressive Integrated Moving Average (ARIMA) dan algoritma kecerdasan buatan Artificial Neural Network (ANN) untuk memprediksi volume impor aluminium dari Indonesia berdasarkan negara asal utamanya. Model ini dirancang untuk menangkap komponen linear melalui ordo ARIMA(1,1,1), dan komponen non-linear melalui pemodelan residual menggunakan arsitektur Multilayer Perceptron (MLP). Data yang digunakan berasal dari Badan Pusat Statistik (BPS) dari 2017 hingga 2024. Baseline, Intermediate, dan Deep Optimized adalah tiga skenario optimasi yang digunakan untuk menguji. Hasil analisis menunjukkan bahwa volume impor aluminium mengalami fluktuasi besar sejak pandemi COVID-19 pada tahun 2020. Namun, seiring dengan peningkatan permintaan sektor otomotif dan pembangunan infrastruktur di seluruh negara, volumenya kembali meningkat. Nilai Mean Absolute Percentage Error (MAPE) model hibrida adalah 4.1%, menunjukkan bahwa mereka lebih akurat daripada model tunggal. Hasil ini memberikan dasar bagi pemerintah dan bisnis untuk membuat strategi pengadaan bahan baku yang lebih sesuai dengan dinamika pasar global.

Downloads

Download data is not yet available.

References

M. Z. Uska, R. H. Wirasasmita, and M. Fahrurrozi, “The application of Usability Testing Method for Evaluating the New Student Acceptance (NSA) System,” in Journal of Physics: Conference Series, Institute of Physics Publishing, Jul. 2020. doi: 10.1088/1742-6596/1539/1/012028.

P. P. Pratama, L. Buchori, and A. Purbasari, “Peta Jalan (Roadmap) Hilirisasi Industri Manufaktur Berbasis Logam untuk Mendukung Ibu Kota Nusantara (IKN) di Kalimantan Timur,” JPII, vol. 2, no. 1, pp. 1–8, 2024, doi: 10.14710/jpii.2024.21322.

A. Nocivin, C. Tudor, C. Ilie, D. Raducanu, and L. V. Melnic, “Recycled Versus Primary Aluminum in European Automotive Industry: Trends, Challenges, and Opportunities,” Recycling, vol. 11, no. 1, p. 19, Jan. 2026, doi: 10.3390/recycling11010019.

T. Hou, L. Zhang, Y. Yuan, Y. Yang, and H. Na, “Review of the Chinese Aluminum Industry’s Low-Carbon Development Driven by Carbon Tariffs: Challenges and Strategic Responses,” Dec. 01, 2024, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/pr12122707.

J. A. Shinta and U. Wikarya, “The Impact Analysis of Bauxite Downstreaming on the Indonesian Economy: Case Study in PT Bintan Alumina Indonesia,” Journal La Sociale, vol. 5, no. 2, pp. 383–397, Mar. 2024, doi: 10.37899/journal-la-sociale.v5i2.1080.

U. Lee and N. Kang, “Adaptive neural network ensemble using prediction frequency,” J. Comput. Des. Eng., vol. 10, no. 4, pp. 1547–1560, Aug. 2023, doi: 10.1093/jcde/qwad071.

M. R. Susila, M. Jamil, and B. H. Santoso, “Akurasi Model Hybrid ARIMA-Artificial Neural Network dengan Model Non Hybrid pada Peramalan Peredaran Uang Elektronik di Indonesia,” Jambura Journal of Mathematics, vol. 5, no. 1, pp. 46–58, Jan. 2023, doi: 10.34312/jjom.v5i1.14889.

S. S. W. Fatima and A. Rahimi, “A Review of Time-Series Forecasting Algorithms for Industrial Manufacturing Systems,” Jun. 01, 2024, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/machines12060380.

V. I. Kontopoulou, A. D. Panagopoulos, I. Kakkos, and G. K. Matsopoulos, “A Review of ARIMA vs. Machine Learning Approaches for Time Series Forecasting in Data Driven Networks,” Aug. 01, 2023, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/fi15080255.

C. Zhang, N. N. A. Sjarif, and R. Ibrahim, “Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020–2022,” Jan. 01, 2024, John Wiley and Sons Inc. doi: 10.1002/widm.1519.

W. M. S. Bandara and W. A. R. De Mel, “Forecasting Nonlinear Time Series with ARIMA, ANN, and Hybrid Models: A Case Study on Inflation Rate in Sri Lanka,” Indonesian Journal of Statistics and Its Applications, vol. 9, no. 1, pp. 145–156, Jun. 2025, doi: 10.29244/ijsa.v9i1p145-156.

N. Sikki et al., “Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.0 Internasional. STRATEGI PENINGKATAN DAYA SAING PT BORNEO ALUMINA INDONESIA PADA BIDANG INDUSTRI ALUMINA REFINERY DI INDONESIA,” JISAMAR, vol. 9, no. 1, pp. 312–323, 2025, doi: 10.52362/jisamar.v9i1.1756.

O. J. Ushie, S. C. Nwokolo, P. O. Ohiero, P. C. Iwuji, E. E. Eyime, and J. C. Ogbulezie, “Resilient strategies to mitigate the volatility of copper and aluminium critical mineral demand for net-zero electricity network production,” Sustainable Energy Research, vol. 12, no. 1, Sep. 2025, doi: 10.1186/s40807-025-00178-8.

S. B. Abdinagoro and M. Hamsal, “Strategic Marketing Approach of Indonesia Aluminium Mineral Industry: Upstream and Downstream Analysis,” The Winners, vol. 23, no. 2, pp. 181–188, May 2023, doi: 10.21512/tw.v23i2.9199.

M. Durdona, “Machine Learning for Predicting and Optimizing Global Trade Flows: Enhancing Efficiency in Cross-Border Transactions,” 2025. doi: 10.31150/ajebm.v8i5.3649.

Y. Gulzar et al., “Predicting High Technology Exports of Countries for Sustainable Economic Growth by Using Machine Learning Techniques: The Case of Turkey,” Sustainability (Switzerland) , vol. 16, no. 13, Jul. 2024, doi: 10.3390/su16135601.

Rifqi Yafik and Mulkan Azhari, “Analisis Perbandingan Metode LSTM Dan BiLSTM Untuk Prediksi Harga Saham Menggunnakan Alpha Vantage,” Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), vol. 4, no. 3, pp. 1542–1551, Dec. 2025, doi: 10.62712/juktisi.v4i3.650.

Downloads

Published

2026-02-09

How to Cite

Silitonga, E. D., Purba, E. Y., Silaban, L. T. Y., Silalahi, E. N. R., & Hardinata, J. T. (2026). Pemodelan ANN Berbasis ARIMA untuk Peramalan Impor Aluminium Menurut Negara Asal Utama. Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), 4(3), 2272–2279. https://doi.org/10.62712/juktisi.v4i3.842

Issue

Vol. 4 No. 3 (2026): Februari 2026

Section

Articles

License

Copyright (c) 2025 Enjel Debora Silitonga, Eka Yunita Purba, Lesteria Tri Yani Silaban, Elisabeth N. R. Silalahi, Jaya Tata Hardinata

Creative Commons License

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