PhD, senior researcher in digital economics, Ministry of Communication and Digital of the Republic of Indonesia; associate professor of energy economics, Universitas Sebelas Maret
доктор философии, старший научный сотрудник в области цифровой экономики, Министерство связи и цифровых технологий Республики Индонезия; доцент кафедры экономики энергетики, Университет Себелас Марет
student, School of Electrical Engineering and Informatics (Computing)
студент Школы электротехники и информатики (Вычислительной техники), факультета электротехники и информатики (вычислительная техника)
Analysis of historical market data from 2020 to 2024 reveals a profound structural shift in Indonesia’s energy landscape: domestic crude production plummeted by 17.96%, while oil demand simultaneously surged by 14.57%. This widening supply-demand gap has severely intensified national energy security concerns, pushing Indonesia’s net deficit to approximately 1.0 million barrels per day (bpd). This critical gap directly pressures fiscal stability due to escalating fuel subsidy costs and exposes the macroeconomy to global price shocks. Given the market’s inherent non-linearity, driven by WTI price volatility and frequent, policy-led structural shifts (e.g., the deployment of AI for subsidized fuel control and the B40 biodiesel mandate), traditional linear models like ARIMA are severely limited in their predictive accuracy. We propose the Long Short-Term Memory (LSTM) deep learning network as a methodologically superior approach. The LSTM’s recurrent architecture, with its specialized gate mechanisms, is uniquely suited to capture the non-linear dynamics and long-term temporal dependencies of complex energy time series data. To ensure the reliability of our findings, model robustness was explicitly ensured via k-fold cross-validation and a thorough discussion of inherent dataset size limitations was provided, directly addressing methodological concerns. Empirical findings confirm the LSTM model’s significant superiority over the conventional benchmark, achieving a 57.24% reduction in Mean Absolute Percentage Error (MAPE) and significantly lower Root Mean Square Error (RMSE) compared to the ARIMA baseline. This high-precision forecast provides critical foresight for Indonesian policymakers, enabling proactive management of fiscal risk, targeted adjustments to foreign exchange reserves, and the successful acceleration of the national Indonesia Oil and Gas (IOG) 4.0 strategy toward long-term energy resilience.
Анализ исторических рыночных данных с 2020 по 2024 г. выявляет глубокий структурный сдвиг в энергетическом ландшафте Индонезии: внутренняя добыча сырой нефти упала на 17,96 %, в то время как спрос на нефть одновременно вырос на 14,57 %. Этот увеличивающийся разрыв между спросом и предложением серьезно обострил проблемы национальной энергетической безопасности, доведя чистый дефицит Индонезии примерно до 1 миллиона баррелей в сутки (б/с). Этот критический разрыв напрямую влияет на фискальную стабильность из-за роста расходов на субсидирование топлива и подвергает макроэкономику воздействию глобальных ценовых шоков. Учитывая присущую рынку нелинейность, обусловленную волатильностью цен на нефть марки WTI и частыми структурными сдвигами из-за политических решений (например, внедрение искусственного интеллекта для контроля за субсидируемым топливом и введение обязательного спроса на биодизельное топливо класса B40), традиционные линейные модели, такие как ARIMA, существенно ограничены в точности прогнозирования. Предложена сеть глубокого обучения с долговременной краткосрочной памятью (LSTM) в качестве методологически более совершенного подхода. Рекуррентная архитектура LSTM с ее специализированными механизмами вентилей идеально подходит для учета нелинейной динамики и долгосрочных зависимостей сложных динамических рядов данных по энергетике. Для обеспечения надежности результатов устойчивость модели была явно обеспечена с помощью k-кратной кросс-валидации, проведено подробное обсуждение присущих модели ограничений размера набора данных, что напрямую затрагивало методологические вопросы. Эмпирические результаты подтверждают значительное превосходство модели LSTM над традиционным эталонным тестом, достигая 57,24 % снижения средней абсолютной процентной ошибки (MAPE) и значительно более низкой среднеквадратической ошибки (RMSE) по сравнению с базовым тестом ARIMA. Этот высокоточный прогноз предоставляет индонезийским политикам критически важную информацию для прогнозирования, позволяя проактивно управлять фискальными рисками, целенаправленно корректировать валютные резервы и успешно ускорять реализацию национальной стратегии Индонезии «Нефть и газ (IOG) 4.0» в целях обеспечения долгосрочной энергетической устойчивости.