IMPLEMENTASI ALGORITMA LONG SHORT-TERM MEMORY (LSTM) UNTUK MEMPREDIKSI HARGA BERAS DI JAWA TENGAH BERDASARKAN CUACA

Authors

DOI:

https://doi.org/10.46576/djtechno.v5i3.5136

Abstract

Harga beras yang tidak stabil seringkali menjadi masalah bagi pemerintah dalam menjaga ketahanan pangan dan bagi petani untuk mendapatkan pendapatan yang stabil. Tujuan Penelitian untuk mengembangkan sistem prediksi harga beras di Jawa Tengah menggunakan metode Long Short-Term Memory (LSTM). LSTM dipilih karena kemampuannya dalam menangkap pola non-linear dan dependensi jangka Panjang yang terdapat dalam data time series seperti harga beras. Sistem dibangun dengan menggunakan data harga beras harian yang didapatkan dari website Pusat Informasi Harga Pangan Strategis Nasional (PIHPS Nasional) dan data cuaca harian yang diperoleh dari website BMKG di Jawa Tengah dari tahun 2017 – 2024. Arsitektur model LSTM yang digunakan terdiri dari tiga lapisan LSTM dengan dropout disetiap lapisannya dan satu lapisan Dense. Evaluasi performa model dilakukan dengan menggunakan tiga metrik evaluasi yaitu MAE, RMSE, dan MAPE. Hasil dari penelitian menunjukkan bahwa model prediksi harga beras menggunakan LSTM memiliki performa yang cukup baik berdasarkan dengan nilai metriks evaluasi, yaitu MAE sebesar 0.141, MAPE sebesar 1.256%, dan RMSE sebesar 0.205.

References

Angraini, R., Ima Amaliah, & Meidy Haviz. (2022). Pengaruh Harga Beras, Pendapatan Perkapita, Jumlah Penduduk dan Impor Beras terhadap Permintaan Beras di Indonesia Tahun 2010-2020. Bandung Conference Series: Economics Studies, 2(1). https://doi.org/10.29313/bcses.v2i1.1087

Arfan, A., & ETP, L. (2020). Perbandingan Algoritma Long Short-Term Memory dengan SVR Pada Prediksi Harga Saham di Indonesia. PETIR, 13(1). https://doi.org/10.33322/petir.v13i1.858

Ayun, Q., Kurniawan, S., & Saputro, W. A. (2020). Perkembangan Konversi Lahan Pertanian Di Bagian Negara Agraris. Vigor: Jurnal Ilmu Pertanian Tropika Dan Subtropika, 5(2). https://doi.org/10.31002/vigor.v5i2.3040

Faisal Muhammad, T. A., & Irawan, M. I. (2023). Implementasi Long Short-Term Memory (LSTM) untuk Prediksi Intensitas Curah Hujan (Studi Kasus: Kabupaten Malang). Jurnal Sains Dan Seni ITS, 12(1). https://doi.org/10.12962/j23373520.v12i1.106892

Fang, L., & Shao, D. (2022). Application of Long Short-Term Memory (LSTM) on the Prediction of Rainfall-Runoff in Karst Area. Frontiers in Physics, 9. https://doi.org/10.3389/fphy.2021.790687

Harvian, K. A., & Yuhan, R. J. (2021). Kajian Perubahan Iklim Terhadap Ketahanan Pangan. Seminar Nasional Official Statistics, 2020(1), 1052–1061. https://doi.org/10.34123/semnasoffstat.v2020i1.593

Jaelani, T. (2022). Machine Learning untuk Prediksi Produksi Gula Nasional. JMPM (Jurnal Material Dan Proses Manufaktur), 6(1). https://doi.org/10.18196/jmpm.v6i1.14897

Khairuddin, K., Machfudz, M., & Syakir, F. (2022). Faktor-Faktor Yang Mempengaruhi Fluktuasi Harga Beras Di Kota Malang. Jurnal Sosial Ekonomi Pertanian Dan Agribisnis, 10(4).

Kholifatullah, B. A. H., & Prihanto, A. (2023). Penerapan Metode Long Short Term Memory Untuk Klasifikasi Pada Hate Speech. Journal of Informatics and Computer Science (JINACS). https://doi.org/10.26740/jinacs.v4n03.p292-297

Meriani, A. P., & Rahmatulloh, A. (2024). Perbandingan Gated Recurrent Unit (Gru) Dan Algoritma Long Short Term Memory (Lstm) Linear Refression Dalam Prediksi Harga Emas Menggunakan Model Time Series. Jurnal Informatika Dan Teknik Elektro Terapan, 12(1). https://doi.org/10.23960/jitet.v12i1.3808

Natasya, Musdalifah, S., & Andri. (2021). Prediksi Harga Beras Di Tingkat Perdagangan Besar Indonesia Menggunakan Algoritma Backpropagation. Jurnal Ilmiah Matematika Dan Terapan, 18(2). https://doi.org/10.22487/2540766x.2021.v18.i2.15688

Okut, H. (2021). Deep Learning for Subtyping and Prediction of Diseases: Long-Short Term Memory. In Deep Learning Applications. https://doi.org/10.5772/intechopen.96180

Sanjaya, F. I., & Heksaputra, D. (2020). Prediksi Rerata Harga Beras Tingkat Grosir Indonesia dengan Long Short Term Memory. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 7(2). https://doi.org/10.35957/jatisi.v7i2.388

Sarbaini, S., Yanti, D., & Nazaruddin. (2023). Prediksi Harga Beras Belida Di Kota Pekanbaru Menggunakan Fuzzy Time Series Cheng. Jurnal Teknologi Dan Manajemen Industri Terapan, 2(3). https://doi.org/10.55826/tmit.v2i3.183

Selle, N., Yudistira, N., & Dewi, C. (2022). Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN). Jurnal Teknologi Informasi Dan Ilmu Komputer, 9(1). https://doi.org/10.25126/jtiik.2022915585

Setiawan, D., Stefani, K., Shandy, Y. J., & Patra, C. A. F. (2023). Sistem Analisa Harga Saham Menggunakan Algoritma Long Short Term Memory (LSTM). Media Informatika, 21(3). https://doi.org/10.37595/mediainfo.v21i3.159

Sher, M., Minallah, N., Ahmad, T., & Khan, W. (2023). Hyperparameters analysis of long short-term memory architecture for crop classification. International Journal of Electrical and Computer Engineering, 13(4). https://doi.org/10.11591/ijece.v13i4.pp4661-4670

Tholib, A., Agusmawati, N. K., & Khoiriyah, F. (2023). Prediksi Harga Emas Menggunakan Metode Lstm Dan Gru. Jurnal Informatika Dan Teknik Elektro Terapan, 11(3). https://doi.org/10.23960/jitet.v11i3.3250

Utama, H. (2023). Pendekatan Deep Learning Menggunakan Metode Lstm Untuk Prediksi Harga Bitcoin. The Indonesian Journal of Computer Science Research, 2(2). https://doi.org/10.59095/ijcsr.v2i2.77

Yusuf, A. (2022). Prediksi Indeks Harga Saham Gabungan (Ihsg) Menggunakan Long Short-Term Memory. Epsilon: Jurnal Matematika Murni Dan Terapan, 15(2). https://doi.org/10.20527/epsilon.v15i2.5026

Downloads

Additional Files

Published

2024-12-20

Issue

Vol. 5 No. 3 (2024): Desember

Section

Articles

License

Pernyataan Hak Cipta dan Lisensi

  1. Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
  2. Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada  Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Djtechno sebagai media Publikasi pertama atas karya tersebut.
  3. Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Djtechno sebagai media publikasi pertama atas karya dimaksud.
  4. Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.