Analisis Model Hybrid ARIMAX-CNN-LSTM dalam Peramalan Harga Komoditas Nikel Pasca Pandemi COVID-19

Razi Ghifari Alfarizi, Prof. Dr. Gunardi, M.Si.

2026 | Tesis | S2 Matematika

Peramalan merupakan proses untuk memprediksi kejadian atau perubahan
pada masa yang akan datang berdasarkan data historis. Pada konteks harga komo-
ditas nikel, proses ini menantang karena volatilitas tinggi dan pola non-linier yang
dipengaruhi faktor eksternal, terutama pada periode pasca pandemi. Model ARI-
MAX umum digunakan karena mampu memodelkan komponen linier dan variabel
eksogen, namun belum optimal dalam menangkap pola non-linier yang kompleks.
Oleh karena itu, penelitian ini mengembangkan model hybrid ARIMAX–CNN–
LSTM untuk meningkatkan akurasi peramalan harga penutupan harian nikel LME
(USD/ton). Data yang digunakan berjumlah 741 observasi periode September 2022
sampai September 2025, dengan pembagian 80?ta latih (592 observasi) dan
20?ta uji (149 observasi). Model ARIMAX(1,1,0) dengan d sp500 digunak-
an sebagai model dasar, kemudian residualnya dimodelkan menggunakan CNN–
LSTM melalui pendekatan sliding window 30 hari. Hasil evaluasi menunjukkan
model hybrid memberikan kinerja terbaik dengan RMSE 263,93, MAE 153,70,
dan MAPE 0,97%; lebih baik dibandingkan CNN optimal (RMSE 383,08; MAE
305,08; MAPE 1,96%) dan LSTM (RMSE 341,92; MAE 227,62; MAPE 1,44%).
Dibandingkan baseline ARIMAX, model hybrid juga meningkatkan kinerja (penu-
runan RMSE 8,46?n kenaikan Rsquare sebesar 0,0019). Dengan demikian, integrasi
ARIMAX dan CNN–LSTM efektif untuk meningkatkan akurasi peramalan harga
nikel.

Forecasting nickel commodity prices is challenging due to high volatility
and nonlinear dynamics, particularly in the post-pandemic period. This study devel-
ops and evaluates a hybrid ARIMAX–CNN–LSTM model for one-day-ahead fore-
casting of daily LME nickel closing prices (USD/ton), and compares it with stan-
dalone ARIMAX, CNN, and LSTM models. The dataset contains 741 observations
from September 2022 to September 2025, split into training and test sets with an
80%:20% ratio (592 and 149 observations). The baseline model is ARIMAX(1,1,0)
with d sp500, while nonlinear residual patterns are learned by a CNN–LSTM us-
ing a 30-day sliding window. The hybrid model achieves the best performance with
RMSE 263.93, MAE 153.70, and MAPE 0.97%, outperforming tuned CNN (RMSE
383.08; MAE 305.08; MAPE 1.96%) and LSTM (RMSE 341.92; MAE 227.62;
MAPE 1.44%). Relative to ARIMAX, the hybrid model also improves performance
(RMSE reduction of 8.46% and R2 gain of 0.0019). These results indicate that the
proposed ARIMAX–CNN–LSTM integration is effective for improving nickel price
forecasting accuracy.

Kata Kunci : Model Hybrid, ARIMAX-CNN-LSTM, Forecasting, Nikel, Variabel Eksogen, Deep Learning, Time Series.