<![CDATA[ABSTRAKPenelitian ini memprediksi nilai ekspor jasa transportasi Indonesia menggunakan model Long Short-Term Memory (LSTM) berbasis data terbuka perdagangan global dalam mengatasi pola nonlinier dan ketergantungan temporal. Peneliti melatih model LSTM tiga lapis dengan aktivasi ReLU dan optimasi Adam menggunakan data ekspor tahunan (2005–2023) dari World Bank dan UNCTAD, dengan pembagian data latih-uji 80:20. Model mencapai MAPE 0,89% dan koefisien korelasi r = 0,999 (p < 0,0001), menunjukkan presisi tinggi. Model secara akurat menangkap gangguan akibat pandemi dan tren pemulihan, menawarkan alat prediksi berbasis AI untuk perencanaan ekspor dan kebijakan perdagangan. Ini merupakan studi pertama yang menerapkan LSTM pada ekspor jasa transportasi Indonesia dengan data terbuka, memberikan kontribusi metodologis dan praktis untuk negara berkembang.Kata kunci: kecerdasan buatan, peramalan ekspor, Indonesia, LSTM, layanan transportasiABSTRACTThis study forecasts Indonesia’s transport service export values using a Long Short-Term Memory (LSTM) model based on open global trade data in capturing nonlinear patterns and temporal dependencies. A three-layer LSTM model is trained using ReLU activation and Adam optimization on annual export data from 2005 to 2023 sourced from the World Bank and UNCTAD. The dataset is split into 80% training and 20% testing portions. The model achieves a MAPE of 0.89% and a correlation coefficient of r = 0.999 (p < 0.0001), indicating high precision.The model accurately reflects pandemic-induced shocks and subsequent recovery trends, provides an AI-driven forecasting tool for export planning and trade policy. This is the first study to apply LSTM to Indonesia’s transport service exports using open data, contributing methodological advancement and practical value for developing economies.Keywords: artificial intelligence, export forecasting, Indonesia, LSTM, transport services]]>
