JOISIE Journal Of Information System And Informatics Engineering Vol.
No.
Desember 2023.
Hlm 181-192
p- ISSN: 2503-5304
e- ISSN: 2527-3116
PREDIKSI HARGA KOMODITI PERTANIAN MENGGUNAKAN ALGORITME
LONG SHORT TERM MEMORY DI DESA KABANDUNGAN SUKABUMI
Anggra Haristu.
Yeni Herdiyeni.
Marimin.
Fakultas Matematika Dan Ilmu Pengetahuan Alam .
Instirut Pertanian Bogor.
Bogor Fakultas Teknologi Pertanian.
Institut Pertanian Bogor.
Bogor anggraharistu@apps.
id, 2yeni.
herdiyeni@apps.
id, 3marimin@apps.
Abstract The agricultural sector is very important for national economic development, contributing to GDP, employment, business opportunities, income and foreign exchange.
Fluctuations in agricultural commodity prices have a significant impact on farmers and markets, causing uncertainty and risk.
Therefore, forecasting future prices is very important, and the Long Short Term Memory (LSTM) method is effective for short-term forecasting.
Market price predictions are very important for farmers to maximize profits and for the public sector in planning agricultural development programs.
The main objective of this research is to develop a price prediction model for agricultural commodities using the Long Short Term Memory (LSTM) algorithm.
The model was created to help farmers, traders and business people make better decisions based on estimates of future agricultural commodity prices.
LSTM was chosen because of its ability to model continuous patterns and remember long-term information.
This research took place in Kabandungan.
Sukabumi Regency, an area with significant agricultural production.
Keywords: Price Fluctuations.
Agricultural Commodities.
Long Short-Term Memory.
National Development.
Price Prediction.
Abstrak Sektor pertanian sangat penting bagi perkembangan ekonomi nasional, memberikan kontribusi terhadap PDB, lapangan kerja, peluang bisnis, pendapatan, dan devisa.
Fluktuasi harga komoditas pertanian memiliki dampak yang signifikan bagi petani dan pasar, menyebabkan ketidakpastian dan Oleh karena itu, meramalkan harga di masa depan sangat penting, dan metode Long Short Term Memory (LSTM) efektif untuk ramalan jangka pendek.
Prediksi harga pasar sangat penting bagi petani untuk memaksimalkan keuntungan dan bagi sektor publik dalam merencanakan program pengembangan pertanian.
Tujuan utama dari penelitian ini adalah untuk mengembangkan sebuah model prediksi harga komoditas pertanian menggunakan algoritme Long Short Term Memory (LSTM).
Model dibuat untuk membantu petani, pedagang, dan pelaku bisnis dalam mengambil keputusan yang lebih baik berdasarkan perkiraan harga komoditi pertanian di masa depan.
LSTM
dipilih karena kemampuannya dalam memodelkan pola berkelanjutan dan mengingat informasi jangka panjang.
Penelitian ini mengambil lokasi di Kabandungan.
Kabupaten Sukabumi, sebuah daerah dengan produksi pertanian yang signifikan.
Kata kunci: Fluktuasi Harga.
Komoditas Pertanian.
Long Short Term Memory.
Pembangunan Nasional.
Prediksi Harga.
PENDAHULUAN
Pertanian adalah kegiatan usaha yang mencakup budidaya tanaman pangan, perikanan, dan kehutanan.
Sebagai sektor penting dalam pembangunan ekonomi nasional, pertanian memberikan kontribusi yang signifikan terhadap Produk Domestik 182 | Jurnal JOISIE.
Volume 7.
Nomor 2.
Desember 2023 Bruto (PDB), penyerapan tenaga kerja, penciptaan kesempatan kerja, peningkatan pendapatan masyarakat, dan sumber devisa.
Sektor pertanian dianggap strategis karena mendorong pertumbuhan ekonomi yang Selain itu, sektor pertanian memiliki potensi besar dan prospek cerah untuk dikembangkan.
Peran baru sektor pertanian dalam menyediakan pangan, pakan, dan energi menjadikannya sektor yang layak menjadi andalan dalam pembangunan nasional (BPS 2.
Selain dinilai strategis, sektor pertanian juga memiliki potensi besar dan prospek yang cerah untuk dikembangkan.
Peran baru sektor pertanian dalam menyediakan pangan .
, pakan .
, dan energi .
menjadikan sektor pertanian layak dijadikan sektor andalan dalam pembangunan nasional (Daryanto 2.
Kontribusi sektor pertanian terhadap PDB nasional sebesar 13-14% dan penduduk Indonesia masih dominan bekerja di sektor pertanian dengan pangsa pasar tenaga kerja sebesar 24,96% pada tahun 2020 atau35,00 juta orang dari total angkatan kerja 140,22 juta orang (RENSTRA KEMENTAN 2.
Sebagai perbandingan, tren pertumbuhan produksi beberapa komoditi seperti beras, jagung, kedelai, gula, dan daging sapi sejak tahun 1975 hingga 2012 masing-masing hanya sebesar 2,54%, 4,94%, 0,59%, 1,42%, dan 2,33%.
Sedangkan pertumbuhan impornya pada periode yang sama masing-masing mencapai 1,99%, 13,65%, 7,66%, 8,28%, dan 4,58% (BPS 2.
Dengan kontribusi yang besar terhadap PDB nasional, petani di Indonesia masih dihadapkan dengan fluktuasi harga produk pertanian sehingga pada saat musim panen, petani mengalami kerugian akibat harga jual produk pertanian dibawah harga produksi.
Menurut (Cetin dan Esengun.
Fluktuasi harga merupakan salah satu aspek penting dalam ekonomi pertanian.
Dalam kaitannya dengan harga produk pertanian, pengaruh produsen dan biaya, cukup terbatas dibandingkan dengan pengaruhnya di sektor Produsen biasanya harus menerima harga yang ditetapkan karena harga suatu produk pertanian untuk tahun tertentu tidak ditentukan oleh biaya yang dikeluarkan selama tahun itu, tetapi oleh total penawaran dan permintaan produk selama tahun tersebut (Arsoy dan Bayramolu 2.
Beberapa faktor yang mempengaruhi fluktuasi harga diantaranya adalah stok, rantai pasok, permintaan, transportasi, penyimpanan, dan Singh .
mengatakan bahwa fluktuasi harga yang tinggi di sektor pertanian merupakan suatu fenomena yang umum akibat ketidakstabilan .
nherent instabilit.
Penanganan ketidakstabilan tidak begitu jelas karena persepsi mungkin tidak sama bagi produsen atau konsumen.
Misalnya, dari sudut pandang produsen, hanya fluktuasi harga komoditas yang menurun yang dapat dianggap sebagai masalah karena dampaknya pada pendapatan petani.
Namun, dari sudut pandang konsumen, fluktuasi harga yang naik mungkin menjadi khawatir karena dampaknya pada pengeluaran makanan mereka.
Tentu saja, pergerakan besar ke arah mana pun penting bagi pembuat kebijakan.
Dalam makalah ini, kami mempertimbangkan volatilitas pasar secara keseluruhan dalam kedua arah tersebut.
Tujuan utama dari penelitian ini adalah untuk mengembangkan sebuah model prediksi harga komoditas pertanian menggunakan algoritme Long Short Term Memory (LSTM).
Model dibuat untuk membantu petani, pedagang, dan pelaku bisnis dalam mengambil keputusan yang lebih baik berdasarkan perkiraan harga komoditi pertanian di masa LSTM dipilih karena kemampuannya dalam memodelkan pola berkelanjutan dan mengingat informasi jangka panjang.
METODE PENELITIAN
Long Short Term Memory (LSTM) merupakan sebuah arsitektur Recurrent Neural Network (RNN) (Ahmed et al.
yang memiliki memory cell.
Dengan memory cell, arsitektur LSTM dapat bekerja lebih baik dibanding jaringan saraf rekuren biasa, karena memiliki kemampuan untuk mengingat informasi untuk periode waktu yang lebih lama, sehingga menjadikannya algoritme yang lebih baik untuk prediksi data berjenis time series (Prasetyanwar dan J.
LSTM pertama kali diperkenalkan oleh oleh Hochreiter & Schmidhuber pada tahun 1997.
Hingga saat ini penelitian terus dilakukan untuk mengembangkan arstitektur LSTM Haristu.
Prediksi Harga Komoditi Pertanian Menggunakan Algoritme Long Short Term Memory di Desa Kabandungan Sukabumi, 1-12 .
dalam berbagai bidang terutama dibidang Speech recognition dan forecasting, karena LSTM ketergantungan waktu jangka panjang dapat diatasi (A.
Arfan and E.
Lussiana.
LSTM sebagai model yang efektif dan dapat pembelajaran yang terkait dengan data Metode sebelumnya untuk mengatasi masalah tertentu atau tidak berskala untuk ketergantungan waktu yang lama.
LSTM di sisi lain bersifat umum dan efektif dalam dependensi temporal jangka panjang.
Pham et al.
LSTM adalah turunan dari (RNN) yang terbukti berhasil digunakan untuk prediksi data time series (Cieh.
H dan Jhen.
J 2.
RNN mampu menggunakan informasi yang telah direkam sebelumnya yang panjang urutannya atau sequence-nya ini dilewatkan melalui fungsi sigmoid.
Nilai keluar antara 0 dan 1.
Semakin dekat ke 0 berarti dilupakan, dan semakin dekat ke 1 berarti disimpan.
yceyc = ( ycOyce [ Eayc Oe 1 O ycuy.
Tabel.
1 Fungsi Matematika Forget gate Rumus Keterangan fungsi sigmoid, nilai weight untuk forget gate, nilai output sebelum orde ke t, nilai input pada orde ke t, nilai bias pada forget Input Gate RNN memiliki masalah vanishing gradient oleh karena itu, pembangunan sistem ini dibuat dengan metode Regresi LSTM.
Penggunaan LSTM dengan koreksi kesalahan berdasarkan dukungan vektor regresi digunakan untuk mewujudkan prediksi time series, karena parameter model LSTM yang terlatih tidak dapat diperbarui (Shuai.
L, et al.
Metode regresi adalah metode statistik matematika yang paling umum digunakan.
Mempertimbangkan pendekatan regresi dapat menggambarkan hubungan antar variabel (Jin.
T dan Xuanhe.
Gambar 2.
Input gate Secara rinci tahapan pada LSTM adalah sebagai berikut :
Pada Gambar 3 menentukan nilai mana yang akan diperbaharui.
Selanjutnya, lapisan tanh membuat vektor nilai baru ycnyc, yang dapat ditambahkan ke cell state.
Selanjutnya digabungkan untuk pembaharuan ke cell state Forget Gate ycnyc = yua ( ycOycn O [Eayc Oe 1 O ycuyc ] ycaycn Tabel.
2 Fungsi Matematika Input Gate Rumus yeOyei yyO ycyeO Gambar 1.
Forget gate Pada Gambar 2, gerbang ini memutuskan informasi apa yang harus dibuang atau Informasi dari keadaan tersembunyi sebelumnya dan informasi dari masukan saat yeOyei Oe ya yeoyei yeEyeO Keterangan input gate fungsi sigmoid nilai weight untuk input nilai output sebelum orde ke yc nilai input pada orde ke yc nilai bias pada input gate 184 | Jurnal JOISIE.
Volume 7.
Nomor 2.
Desember 2023 Tabel.
3 Fungsi Matematika Input Gate Rumus ycyei yyOyeO ycyeE yeOyei Oe ya yeoyei yeEyeE Keterangan nilai baru yang dapat ditambahkan ke cell state fungsi tan Ea nilai weight untuk cell state nilai output sebelum orde ke yc nilai input pada orde ke yc nilai bias pada input gate yayc = yuaEa ( ycOyca O [Eayc Oe 1 O ycuy.
Menjalankan menentukan bagian cell state mana yang menjadi output.
Kemudian, menempatkan cell state melalui tanh .
ntuk mendorong nilai antara -1 dan 1 ycCyc = yua ( ycO Oo O [ Eayc Oe 1 O ycuyc ]yca Oo .
Tabel.
5 Fungsi Matematika Output gate Rumus ycyei yyO ycOo cell state yeOyei Oe ya yeoyei yeEOo Gambar 3.
Cell state Pada gambar 4, memperbarui cell state lama, yayc Oe 1, ke cell state baru yayc .
Dengan mengalikan keadaan state lama dengan yceyc .
Lalu tambahkan ycnyc dikalikan dengan yayc .
Ini adalah nilai baru, diskalakan berapa banyak untuk perbaharuan setiap cell state.
yayc = yceyc O yayc Oe 1 ycnyc O yayc .
Tabel.
4 Fungsi Matematika Cell state Rumus ycyei yeNyei ycyei Oe ya yeOyei ycyei Keterangan = cell state = forget gate = Cell state sebelum orde ke yc = input gate = nilai baru yang dapat ditambahkan ke cell Keterangan output gate fungsi sigmoid nilai weight untuk output nilai output sebelum orde ke yc nilai input pada orde ke yc nilai bias pada output Eayc = Oo yc O yuaEa.
Tabel.
6 Fungsi Matematika Output gate
Rumus
yeOyei Ooyei yyOyeO
Keterangan nilai output
Nilai bias output gate
fungsi tanh
Cell state
HASIL DAN PEMBAHASAN
Tahapan-tahapan yang dilakukan dalam menyelesaikan penelitian ini adalah dimulai dari collect data, berikut tahapan penelitian dapat dilihat pada gambar 5.
Output Gate Gambar 4.
Output gate Gambar 5.
Tahapan Penelitian Haristu.
Prediksi Harga Komoditi Pertanian Menggunakan Algoritme Long Short Term Memory di Desa Kabandungan Sukabumi, 1-12 .
1 Data Collection 2 PreProcessing Data yang diolah dalam penelitian ini diunduh dari website harga produk pertanian milik parameter yang diambil adalah nama produk, data harga.
Data mentah yang didapatkan akan dinormalisasi untuk menghilangkan data Data yang diperoleh pada tahapan pengumpulan data masih berupa data mentah, artinya data tersebut belum bisa diolah.
Tabel.
7 Data Collection Prediksi Harga Nama Jenis data Keterang Tanggal Numerik.
Datetime Tanggal gan harga Cabai Merah.
Bawang Merah dan Bawang Putih di Indonesia Harga Bawang Merah Time series.
Numerik Harga Komoditas Bawang Merah pada pasar Harga Bawang Putih Time series.
Numerik Harga Komoditas Bawang Putih pada Harga Cabai Merah.
Upah .
Pupuk Time series.
Numerik Harga Komoditas Bawang Putih pada yccycu = (.
cUycoycaycu Oe ycUycoycnyc.
cUycoycnyc.
3 Devide Data Dalam konteks Long Short-Term Memory (LSTM), "divide data" mengacu pada proses membagi dataset menjadi subset yang berbeda untuk pelatihan, validasi, dan pengujian model LSTM.
Pada umumnya, dataset dibagi menjadi tiga bagian utama: data pelatihan .
raining dat.
dan data pengujian .
esting dat.
Menurut Jauhari .
dari hasil pengujian menunjukkan bahwa semakin banyak data latih, maka akan menghasilkan akurasi yang lebih akurat.
Data Pelatihan (Training Dat.
Data pelatihan digunakan untuk melatih model LSTM.
Ini adalah subset data yang digunakan untuk mengoptimalkan parameter dan bobot dalam jaringan LSTM.
Model LSTM belajar dari data ini untuk mempelajari pola dan menghasilkan prediksi yang akurat.
Umumnya, data pelatihan merupakan bagian terbesar dari dataset, mencakup sebagian besar contoh yang digunakan untuk mengajari Tabel 8.
Data Training Date Provinsi HargaPasar Pupuk Upah Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat 186 | Jurnal JOISIE.
Volume 7.
Nomor 2.
Desember 2023 Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat 4 Training Model dengan LSTM Melakukan prediksi harga dengan menggunakan metode LSTM, sehingga dihasilkankan sebuah prediksi harga yang dapat digunakan untuk menentukan harga jual dari produk pertanian Data Pengujian (Testing Dat.
Data pengujian digunakan untuk menguji kinerja akhir dari model LSTM setelah pelatihan selesai.
Ini adalah subset data yang independen dan tidak terlihat oleh model selama pelatihan dan validasi.
Data pengujian bertujuan untuk memberikan gambaran obyektif tentang seberapa baik model LSTM dapat melakukan prediksi pada data baru yang tidak pernah dilihat sebelumnya.
Hasil pengujian memberikan perkiraan kinerja akhir Tabel 9.
Data Testing Date Provinsi HargaPasar Pupuk Upah Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat 5 Validasi Untuk mengevaluasi kinerja model prediksi, digunakan beberapa indeks kinerja Kriteria ini diterapkan pada model yang dikembangkan untuk mengetahui seberapa baik model tersebut bekerja.
Kriteria tersebut digunakan untuk membandingkan nilai prediksi dan nilai aktual
HASIL DAN PEMBAHASAN
Hasil dan Pembahasan memuat hasil olahan data, yang dibahas dan diarahkan pada penarikan kesimpulan.
1 Praproses Data Sebelum membuat model prediksi harga, dilakukan praproses terhadap data dengan tujuan tida ada missing value pada data, dan juga dilakukan penyesuaian atribut agar data harga yang akan dijadikan model prediksi bisa di olah menggunakan bahasa pemograman python.
Untuk data yang digunakan dalam penelitian ini adalah:
Date Tabel 10.
Data Penelitian Provinsi Harga Pupuk Upah Pasar Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Jawa Barat Haristu.
Prediksi Harga Komoditi Pertanian Menggunakan Algoritme Long Short Term Memory di Desa Kabandungan Sukabumi, 1-12 .
Jawa Barat Jawa Barat Jawa Barat Jawa Barat karakteristik data yang disajikan dalam periode harian sebanyak 7411 data Gambaran karakteristik data dilihat melalui statistik deskriptif dari setiap atribut yang digunakan di dalam Apabila penyebaran data sangat besar terhadap nilai rata-rata maka nilai simpangan baku akan besar, akan tetapi apabila penyebaran data sangat kecil terhadap nilai rata-rata maka nilai simpangan baku akan kecil (Yusniyanti dan Kurniati 2.
Tabel 12.
Eksplorasi Data HargaPasar 2 Penanganan data yang hilang .
issing valu.
Missing value merupakan kondisi dimana terdapat data yang hilang atau informasi yang tidak dapat ditemukan pada atribut tertentu di dalam dataset.
Missing value dapat terjadi karena nilai tersebut tidak relevan dengan kasus tertentu, tidak dapat direkam pada saat pengumpulan data, dan perlindungan data (Gimpy et al.
Karena pada saat praposes data sudah dilakukan check missing value, maka cukup dilakukan dengan code dari python print.
isnull().
sum()) Gambar 3 Function check missing value Tabel 11.
Hasil check missing value Date Provinsi HargaPasar Pupuk Upah dtype: int64 3 Eksplorasi Data Eksplorasi data dilakukan untuk melihat Pupuk Upah 4 Training Model dengan LSTM Melakukan prediksi harga dengan menggunakan metode LSTM, sehingga dihasilkankan sebuah prediksi harga yang dapat digunakan untuk menentukan harga jual dari produk pertanian # Build the LSTM model model = Sequential() add(LSTM.
, return_sequences=True, input_shape=.
indow_size, .
)) add(LSTM.
) add(Dense.
) compile.
oss='mean _squared_error', optimizer='adam') # Train the model fit.
rain_X, train_Y, epochs=100, batch_size=16, verbose=.
# Make predictions on the test data test_predictions = predict.
est_X) test_predictions = 188 | Jurnal JOISIE.
Volume 7.
Nomor 2.
Desember 2023 inverse_transform.
es t_prediction.
# Calculate RMSE sqrt.
est_predic tions scaler.
inverse_transform.
es t_Y.
reshape(-1, .
))**.
) print("RMSE:", rms.
print("-----------------------------------") Gambar 10.
Function LSTM Membangun model LSTM dengan uraian Membuat objek model menggunakan Sequential dari library Keras.
Menambahkan layer LSTM pertama dengan 50 unit LSTM, return_sequences=True digunakan karena kita akan memiliki layer LSTM berikutnya.
Menambahkan layer LSTM kedua juga dengan 50 unit LSTM.
Menambahkan layer Dense dengan 1 unit untuk output.
Mengompilasi model dengan menggunakan fungsi loss mean_squared_error (MSE) sebagai fungsi loss dan optimizer 'adam' untuk proses pelatihan.
Dari function diatas, hasil prediksi akan mendapatkan nilai RMSE dengan rincian sebagai berikut :
Tabel 13.
Nilai RMSE dari data yang Provinsi Banten DI Yogyakarta Jawa Barat DKI Jakarta Jawa Tengah Jawa Timur Nilai RMSE RMSE merupakan pengukuran dengan menghitung perbedaan nilai dari prediksi sebuah model sebagai estimasi nilai observasi.
RMSE menghasilkan akar kuadran Mean Square Error.
Estimasi keakuratan model ditandai dengan nilai RMSE yang kecil.
Sehingga semakin kecil nilai RMSE maka semakin akurat model yang didapatkan.
Dalam menghitung RMSE, nilai actual dan peramalan dikuadrakan dan dijumlahkan keseluruhan hasil.
Kemudian dibagi dngan banyaknya data, dan dihitung Kembali nilai dari akadr kuadratnya (T.
Chai and R.
Draxler.
4 Validasi Untuk mengevaluasi kinerja model prediksi, digunakan beberapa indeks kinerja Kriteria ini diterapkan pada model yang dikembangkan untuk mengetahui seberapa baik model tersebut bekerja.
Kriteria tersebut digunakan untuk membandingkan nilai prediksi dan nilai Tabel 14.
Perbandingan Nilai Prediksi
Tangg
Provinsi
Jawa Barat
Prediksi
HargaPasar
Harga
Aktual
Jawa Barat
35,438
Jawa Barat
35,373
Jawa Barat
35,373
Jawa Barat
35,373
Jawa Barat
35,373
Jawa Barat
35,373
Jawa Barat
32,146
Jawa Barat
34,534
Jawa Barat
35,309
Jawa Barat
35,438
Jawa Barat
35,438
Jawa Barat
3,163
Jawa Barat
59,515
Jawa Barat
42,667
Tanggal Provinsi
2022-01-13
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
2022-01-14
2022-01-17
RMSE
35,438
Prediksi
HargaPasar
Harga
Aktual
RMSE
15,622
16,075
16,724
Haristu.
Prediksi Harga Komoditi Pertanian Menggunakan Algoritme Long Short Term Memory di Desa Kabandungan Sukabumi, 1-12 .
2022-01-18
2022-01-19
2022-01-20
2022-01-21
2022-01-24
2022-01-25
2022-01-26
2022-01-27
2022-01-28
2022-01-31
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
DKI
Jakarta
16,400
16,594
16,335
16,335
16,335
16,335
16,335
16,335
16,335
16,335
Pada perbandingan 2 hasil prediksi ini, selisih hasil prediksi harga dengan harga actual pada rentang Rp.
hingga Rp.
500 yang akan digunakan oleh para petani dan pebisnis untuk menentukan bagaimana keputusan mereka untuk menjual hasil pertanian mereka, dan dari hasil pengujian RSME (Root Mean Squared Erro.
perlu diperhatikan beberapa hal, yaitu :
Jika RMSE relatif kecil, berarti nilai prediksi model mendekati nilai aktual dengan baik.
Model prediksi dianggap memiliki akurasi yang baik dalam memperkirakan nilai data.
Jika RMSE relatif besar, berarti nilai prediksi model memiliki selisih yang signifikan dengan nilai Model prediksi mungkin perlu ditingkatkan atau lebih disesuaikan dengan data yang ada.
Perbandingan dengan Skala Data Asli:
Penting memperhatikan skala data asli untuk menginterpretasikan RMSE.
Jika RMSE yang relatif kecil dalam skala data asli .
RMSE = 5 untuk data dengan rentang 0.
, ini menunjukkan prediksi yang baik.
Namun, jika RMSE yang relatif kecil dalam skala data yang lebih besar .
RMSE = 50.
000 untuk data dengan rentang 0-.
, maka model mungkin perlu ditingkatkan lebih 5 Forecasting Untuk membantu petani atau pun pebisnis dalam melakukan keputusan dalam melakukan penjualan atau pun pembelian komoditas pertanian, maka dalam penelitian ini membandingkan harga komoditas pertanian dengan provinsi terdekat, sehingga dapat memberikan keuntungan maksimal bagi petani maupun Tabel 15.
Hasil Prediksi Harga Wilayah Jawa
Barat
Tanggal Provinsi
Prediksi HargaPasar
2022-12-01
Jawa Barat
2022-12-02
Jawa Barat
2022-12-05
Jawa Barat
2022-12-06
Jawa Barat
2022-12-07
Jawa Barat
2022-12-08
Jawa Barat
2022-12-09
Jawa Barat
2022-12-12
Jawa Barat
2022-12-13
Jawa Barat
2022-12-14
Jawa Barat
2022-12-15
Jawa Barat
2022-12-16
Jawa Barat Tabel 16.
Hasil Prediksi Harga Wilayah DKI
Jakarta
Tanggal Provinsi
Prediksi HargaPasar
2022-12-01
DKI Jakarta
2022-12-02
DKI Jakarta
2022-12-05
DKI Jakarta
2022-12-06
DKI Jakarta 190 | Jurnal JOISIE.
Volume 7.
Nomor 2.
Desember 2023
2022-12-07
DKI Jakarta
2022-12-08
DKI Jakarta
2022-12-09
DKI Jakarta
2022-12-12
DKI Jakarta
2022-12-13
DKI Jakarta
2022-12-14
DKI Jakarta
2022-12-15
DKI Jakarta
2022-12-16
DKI Jakarta Gambar 6.
Grafik Prediksi Harga DKI Jakarta Gambar 7.
Grafik Prediksi Harga Jawa Barat
SIMPULAN DAN SARAN
Dalam prediksi harga menggunakan LSTM, dapat disimpulkan bahwa:
LSTM merupakan salah satu metode memprediksi harga.
Proses persiapan data yang baik sangat penting dalam menjalankan algoritma LSTM.
Parameter seperti jumlah time steps, jumlah neurons, dan jumlah epoch mempengaruhi performa model.
Data historis merupakan faktor utama dalam memprediksi harga, namun faktor lain seperti situasi ekonomi dan Hasil prediksi perlu dievaluasi menggunakan metrik evaluasi seperti RMSE untuk mengetahui akurasi Validasi hasil menggunakan RMSE perlu diperhatikan :
RMSE Kecil: Jika RMSE relatif kecil, berarti nilai prediksi model mendekati nilai aktual dengan baik.
Model prediksi dianggap memiliki akurasi yang baik dalam memperkirakan nilai RMSE Besar: Jika RMSE relatif besar, berarti nilai prediksi model memiliki selisih yang signifikan dengan nilai aktual.
Model prediksi mungkin perlu ditingkatkan atau lebih disesuaikan dengan data yang ada.
Perbandingan dengan Skala Data Asli: Penting untuk memperhatikan skala data asli RMSE.
Jika RMSE yang relatif kecil dalam skala data asli .
RMSE = 5 untuk data dengan rentang 0.
, prediksi yang baik.
Namun, jika RMSE yang relatif kecil dalam skala data yang lebih besar .
RMSE = 000 untuk data dengan rentang 0-.
, maka model mungkin perlu ditingkatkan lebih lanjut.
Visualisasi hasil prediksi dalam bentuk grafik dan tabel dapat membantu dalam menganalisis data dan menentukan keputusan bisnis yang lebih baik Haristu.
Prediksi Harga Komoditi Pertanian Menggunakan Algoritme Long Short Term Memory di Desa Kabandungan Sukabumi, 1-12 .
Beberapa saran untuk penelitian prediksi harga menggunakan LSTM adalah:
1 Gunakan sumber data yang terpercaya dan lengkap dengan rentang waktu yang memadai.
Data yang kurang lengkap atau tidak terpercaya dapat mempengaruhi akurasi prediksi.
Selain harga, pertimbangkan juga variabel lain seperti cuaca, stok, atau faktor ekonomi lain yang dapat Dalam penelitian yang lebih kompleks, menggunakan lebih dari satu variabel dapat meningkatkan akurasi prediksi.
Lakukan analisis dan pemrosesan data yang cermat.
Pastikan data telah dinormalisasi, dan lakukan deteksi outlier atau data yang tidak masuk Analisis data juga dapat membantu dalam menentukan rentang waktu yang optimal untuk prediksi.
Perhatikan arsitektur model LSTM yang digunakan.
Ada berbagai variasi arsitektur LSTM, dan masing-masing memiliki kelebihan dan kelemahan.
Pilih arsitektur yang paling sesuai dengan data dan tujuan penelitian.
Lakukan evaluasi dan optimasi model secara berkala.
Evaluasi dan optimasi dapat dilakukan dengan mengukur nilai RMSE.
MAE, atau metric lain yang relevan.
Optimasi dapat dilakukan dengan mencoba variasi arsitektur model, parameter, atau teknik lain seperti dropout atau early Gunakan hasil prediksi secara hatihati dan bijaksana.
Prediksi harga tidak selalu akurat dan dapat dipengaruhi oleh berbagai faktor yang sulit diprediksi.
Pastikan hasil prediksi digunakan dengan hati-hati dalam pengambilan keputusan bisnis atau Pada penelitian ini masih banyak menyertakan faktor Ae faktor eksternal seperti curah hujan, temperatur udara, kecepatan angin, dan faktor alam Sehingga nantinya bisa tercipta suatu sistem yang disebut AuSmart AgricultureAy yang sangat membantu petani dan pebisnis untuk terjun langsung dalam berniaga dibidang pertanian ini.
Untuk penelitian kedepan penulis mengharapkan peran serta pemerintah khusunya Kementerian Pertanian dalam menyajikan ketersediaan data harga untuk komoditas pertanian yang lebih luas.
Hal ini berkaca pada ketersediaan data saham IDX (Indonesia Stock Exchang.
dengan datafeed realtime bisa membantu kegiatan pebisnis dalam melakukan jual beli saham
UCAPAN TERIMAKASIH