ANALISIS DAN PREDIKSI HARGA NATURAL GAS FUTURES MENGGUNAKAN TEMPORAL FUSION TRANSFORMER (TFT)

Abstrak

Harga gas alam merupakan salah satu indikator penting dalam sektor energi yang memiliki tingkat volatilitas tinggi dan dipengaruhi oleh berbagai faktor ekonomi, geopolitik, serta dinamika pasar global. Kondisi tersebut menyebabkan prediksi harga gas alam menjadi tantangan yang kompleks, sehingga diperlukan metode peramalan yang mampu menangkap pola temporal secara efektif. Penelitian ini bertujuan untuk memprediksi harga Natural Gas Futures menggunakan metode Temporal Fusion Transformer (TFT), yaitu model deep learning berbasis arsitektur Transformer yang dirancang khusus untuk data deret waktu multivariat. Dataset yang digunakan berupa data historis Natural Gas Futures periode tahun 2000–2024 yang diperoleh dari Yahoo Finance melalui platform Kaggle dengan total 5.980 observasi. Tahapan penelitian meliputi eksplorasi data, rekayasa fitur temporal, pembagian data menggunakan rasio 80:20, pelatihan model TFT, serta evaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model TFT memperoleh nilai MAE sebesar 0,8304, RMSE sebesar 0,8726, dan MAPE sebesar 30,20%. Visualisasi hasil prediksi menunjukkan bahwa model mampu mengenali pola umum pergerakan harga, namun masih mengalami kecenderungan underestimasi terhadap nilai aktual dan belum sepenuhnya mampu menangkap fluktuasi harga yang tinggi. Dengan demikian, metode Temporal Fusion Transformer memiliki potensi untuk digunakan dalam prediksi harga Natural Gas Futures, meskipun masih diperlukan optimasi model dan penambahan variabel pendukung untuk meningkatkan akurasi prediksi.

Natural gas prices are one of the most important indicators in the energy sector, characterized by high volatility and influenced by various economic, geopolitical, and global market factors. These conditions make natural gas price forecasting a challenging task, requiring forecasting methods capable of effectively capturing temporal patterns. This study aims to predict Natural Gas Futures prices using the Temporal Fusion Transformer (TFT), a deep learning model based on the Transformer architecture specifically designed for multivariate time series forecasting. The dataset used in this study consists of historical Natural Gas Futures data from 2000 to 2024 obtained from Yahoo Finance through the Kaggle platform, comprising a total of 5,980 observations. The research methodology includes exploratory data analysis, temporal feature engineering, data splitting using an 80:20 ratio, TFT model training, and performance evaluation using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). The experimental results show that the TFT model achieved an MAE of 0.8304, an RMSE of 0.8726, and a MAPE of 30.20%. The prediction visualization indicates that the model is capable of capturing the general trend of price movements; however, it tends to underestimate actual values and has not fully captured highly volatile price fluctuations. Therefore, the Temporal Fusion Transformer demonstrates potential for Natural Gas Futures price forecasting, although further model optimization and the inclusion of additional relevant variables are required to improve prediction accuracy.