Electronic Theses and Dissertation

Volatilitas harga minyak minyak mentah yang tidak stabil memeliki dampak terhadap ketidakpastian pasar globar. Hal ini disebabkan karena minyak mentah memiliki peranan yang sangat penting terhadap sistem perekonomian. Oleh karena itu, diperlukan model yang mampu memprediksi volatilitas harga minyak secara akurat untuk mendukung pengambilan keputusan di bidang ekonomi. Penelitian ini bertujuan untuk memodelkan dan memprediksi volatilitas harga minyak mentah dunia dengan menggunakan dua pendekatan, yaitu metode Generalized Autoregressive Conditional Heteroskedasticity (GARCH) dan Gated Recurrent Unit (GRU). Data yang digunakan adalah harga harian minyak mentah WTI (West Texas Intermediate) dari tanggal 3 Januari 2017 hingga 30 Mei 2025. Metode GARCH(1,1) diaplikasikan setelah dilakukan uji stasioneritas, identifikasi model ARMA, dan uji efek ARCH. Sedangkan metode GRU, sebagai salah satu jenis jaringan saraf tiruan berbasis deep learning, digunakan untuk memprediksi volatilitas setelah data melalui proses normalisasi dan pembagian data ke dalam subset pelatihan, validasi, dan pengujian. Hasil penelitian menunjukkan bahwa kedua model mampu menangkap pola volatilitas harga minyak, namun model GRU memberikan hasil prediksi yang lebih akurat. Hal ini dibuktikan dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,0642 dan Root Mean Squared Error (RMSE) sebesar 0,2354, yang lebih rendah dibandingkan metode GARCH yang memiliki nilai MAPE sebesar 0,1671 dan RMSE sebesar 0,7500. Dengan demikian, model GRU dinilai lebih efektif dalam meramalkan volatilitas harga minyak mentah dunia.

Kata kunci: Volatilitas, Harga Minyak Mentah, GARCH, GRU, Prediksi, Deep Learning.

The volatility of crude oil prices contributes to global market uncertainty. This is because crude oil plays a crucial role in the economic system. Therefore, an accurate model for forecasting oil price volatility is essential to support decision-making in the economic sectors. This study aims to model and predict the volatility of global crude oil prices using two approaches: the Generalized Autoregressive Conditional Heteroskedasticity (GARCH) method and the Gated Recurrent Unit (GRU) method. The data used in this research consists of daily WTI (West Texas Intermediate) crude oil prices from January 3, 2017, to May 30, 2025. The GARCH(1,1) model was applied after conducting stationarity tests, identifying the ARMA model, and performing the ARCH effect test. Meanwhile, the GRU method, a type of deep learning-based recurrent neural network, was used to predict volatility after the data underwent normalization and was split into training, validation, and testing subsets. The results show that both models can capture the volatility patterns in oil prices. However, the GRU model provided more accurate predictions. This is evidenced by a Mean Absolute Percentage Error (MAPE) of 0.0642 and a Root Mean Squared Error (RMSE) of 0.2354, which are significantly lower than the MAPE of 0.1671 and RMSE of 0.7500 produced by the GARCH model. Thus, the GRU model is considered more effective in forecasting global crude oil price volatility. Keywords: Volatility, Crude Oil Price, GARCH, GRU, Forecasting, Deep Learning.