Prediksi Deret Waktu Nilai Ekspor Non-Migas Di Indonesia Dengan Menggunakan Model Arsitektur Stacked Gated Recurrent Unit (GRU), Model Bidirectional GRU, Attention Based – GRU, Dan Seasonal Trend Decomposition Using Loess (STL) - GRU = Time Series Prediction of Non-Oil and Gas Export Value in Indonesia Using Stacked Gated Recurrent Unit (GRU) Architecture Model, Bidirectional GRU Model, Attention Based - GRU, and Seasonal Trend Decomposition Using Loess (STL) - GRU

Latar Belakang. Peningkatan pertumbuhan ekonomi adalah indikator tercapainya pembangunan ekonomi suatu negara. Perekonomian Indonesia sangat bergantung pada sektor ekspor, termasuk ekspor non-migas yang meliputi berbagai produk pertanian, manufaktur, dan sumber daya alam lainnya.Agar strategi pengembangan sektor perekonomian negara bisa tepat sasaran, diperlukan suatu prediksi untuk menentukan seberapa besar ekspor dan impor barang yang harus dijalankan negara. Tujuan. penelitian ini bertujuan untuk mengembangkan model prediksi yang efektif untuk nilai ekspor non-migas di Indonesia. Dengan mengintegrasikan teknik pembelajaran mesin dan analisis data time series. Metode. penelitian ini akan fokus pada penggunaan deep learning arsitektur Stacked Gated Recurrent Unit (GRU), Bidirectional GRU, Attention Based GRU, dan Seasonal Trend Decomposition using Loess (STL) GRU untuk meramalkan nilai ekspor non-migas di masa depan yang berdasarkan data historis nilai ekspor non-migas. Evaluasinya menggunakan Mean Average Error(MAE), Mean Average Percentage Error(MAPE), Root Mean Square Error(RMSE), dan R Squared(R2). Hasil. Keempat model yang diuji menunjukkan kemampuan yang berbeda dalam memprediksi nilai ekspor non-migas. Model STL-GRU memberikan hasil Evaluasi terbaik diantara model yang telah diuji dengan nilai Mean Absolute Error (MAE) terendah sebesar 590.8654, Root Mean Square Error (RMSE) terendah sebesar 872.7041, Mean Absolute Percentage Error (MAPE) terendah sebesar 3.5732%, dan R-Squared (R2) tertinggi sebesar 0.9563 . Hal ini mengindikasikan bahwa model STL-GRU mampu menangkap pola musiman dan tren dalam data ekspor non-migas dengan lebih baik dibandingkan model lainnya. Kesimpulan. Dari keempat model yang telah diuji menunjukkan bahwa model STL-GRU mendapatkan hasil yang terbaik diantara keempat model, kemudian disusul oleh Bidirectional GRU, Stacked GRU, dan model yang terendah yaitu model Attention Mechanism-GRU. Kemudian hasil model di deploy ke dalam website menggunakan framework Streamlit yang menampilkan proses prediksi dengan menampilkan data, visualisasi data prediksi.