PREDIKSI HARGA DAGING SAPI DI KOTA JAKARTA PUSAT
MENGGUNAKAN LSTM DAN GRU
Farhan Adithya Putra.
Teny Handhayani.
Fakultas Teknologi Informasi.
Universitas Tarumanagara.
Jakarta email: farhan.
535210021@stu.
Fakultas Teknologi Informasi.
Universitas Tarumanagara.
Jakarta email: tenyh@fti.
Abstract This study analyzes the performance of two algorithms.
Long ShortTerm Memory (LSTM) and Gated Recurrent Unit (GRU), in predicting data from the PIHPS website, focusing on beef commodity prices.
The dataset was divided into two proportions: 80:20 and 70:30, and evaluated using Mean Absolute Error (MAE).
Root Mean Squared Error (RMSE), and coefficient of determination (RA).
The experimental results showed that GRU with 128 units and a 70:30 proportion achieved the best performance, with metrics of MAE at 170.
RMSE at 390.
2889, and RA at 0.
The goal of this research is to determine the most suitable algorithm and unit configuration for this dataset.
Future research is expected to integrate additional data with more complex models to improve prediction accuracy.
Kata Kunci: Beef.
Gated Recurrent Unit.
Long Short-Term Memory.
Prices PENDAHULUAN Masyarakat Indonesia mengonsumsi sumber protein hewani terbanyak urutan kedua yaitu bahan pokok daging sapi.
Bertambahnya jumlah penduduk di Indonesia dengan kebutuhan masyarakat pada daging sapi terus meningkat .
Di pasaran daging sapi menjadi salah satu penghasil utama protein hewani, memiliki keunggulan nutrisi penting bagi tubuh.
Protein dibagi menjadi dua jenis, berdasarkan asalnya yaitu protein hewani dan nabati .
Stabilisasi harga pangan tetap menjadi isu strategis yang penting di Indonesia, masyarakat masih dialokasikan untuk kebutuhan pangan.
Perubahan pola konsumsi dan preferensi masyarakat telah menjadikan daging sapi sebagai sumber protein hewani kedua yang paling banyak dikonsumsi setelah daging unggas .
Komoditas paling penting di Indonesia seperti daging juga mengalami seperti perubahan harga, perubahan harga ini dapat berpengaruh dari beberapa pihak yaitu produsen, konsumen, yang menjual produk atau industri pengolaan daging .
Tingkat kenaikan daging juga sebagai indikator bahwa pasar tersebut memiliki ketertarikan yang tinggi.
Daging juga menjadi sumber nutrisi yang menjadikan salah satu komoditas yang paling penting dengan mengalami fluktuasi harga di Indonesia.
Permintaan konsumen meningkat dan pasokan yang tidak stabil dikarenakan perubahan harga pada penjualan daging sapi.
Wilayah terkenal dengan tingkat kebutuhan daging sapi di Indonesia salah satunya Provinsi DKI Jakarta dengan dijadikan barometer konsumsi daging sapi nasional .
Hal ini menunjukkan pentingnya menjaga harga dan ketersediaan daging sapi di wilayah Menurut Pusdatin Kemdikbudristek tahun 2021.
Daging sapi di DKI Jakarta mencapai kebutuhan dengan angka tertinggi di Indonesia, yaitu 96 kg per kapita pada tahun Sekitar 0.
48 kg per kapita adalah rata-rata nasional yang lebih rendah dibandingkan per kapita pada tahun 2020 .
Nilai konsumsi ini mewakili sebagai peran DKI Jakarta sebagai pusat konsumsi masyarakat pada daging sapi dan pentingnya pengecekan harga serta distribusi untuk mendukung kebutuhan masyarakat yang terus meningkat.
Selain itu, berdasarkan badan pusat statistic atau disebut BPS, komsumsi daging sapi per kapita di Indonesia pada tahun 2021 tercatat sebesar 2,66 kilogram dibandingkan rata-rata konsumsi dunia yang mencapai 6,4 kilogram per kapita per tahun.
Namun, konsumsi daging sapi di DKI Jakarta menunjukkan angka yang lebih tinggi dari rata-rata nasional, yaitu sebesar 6,10 kilogram per kapita per tahun .
METODE PENELITIAN
Studi literatur merupakan bagian penting dalam penelitian ini, yang hasil-hasil sebelumnya terkait penggunaan algoritma Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memprediksi harga komoditas pangan.
Beberapa penelitian telah dilakukan untuk membandingkan kinerja kedua algoritma ini dalam konteks prediksi harga komoditas.
Studi yang relevan dengan penelitian penulis adalah "Perbandingan Model LSTM dan GRU untuk Memprediksi Harga Minyak Goreng di Indonesia" yang dilakukan oleh Mochammad Agus Sholeh dan Rahmat Hidayat pada tahun 2022 .
Studi ini menemukan bahwa model LSTM memiliki performa yang lebih unggul dibandingkan model GRU, dengan nilai Mean Absolute Error (MAE) validasi sekitar A0,04 dan Mean Squared Error (MSE) validasi loss sekitar A0,002.
Penelitian yang sesuai lainnya adalah karya Marwondo Marwondo pada tahun 2022 yang berjudul "Perbandingan Algoritma Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk Prediksi Harga Emas Dunia" .
Dalam studi ini, ditemukan bahwa algoritma GRU memberikan kinerja yang lebih baik dibandingkan LSTM dalam memprediksi harga emas dunia, ditunjukkan oleh nilai error yang lebih rendah.
Penelitian "Perbandingan Gated Recurrent Unit (GRU) dan Algoritma Long Short-Term Memory (LSTM) Linear Regression Prediksi Harga Emas Menggunakan Model Time Series" yang dilakukan oleh Anggi Putri Meriani dan Alam Rahmatulloh pada tahun 2024 .
Studi ini menunjukkan bahwa metode GRU memiliki tingkat akurasi yang lebih tinggi dibandingkan LSTM dalam memprediksi harga emas.
Namun, pada perhitungan metrik evaluasi.
LSTM menghasilkan nilai error yang lebih LSTM dan GRU memiliki keunggulan masing-masing dan kekurangannya yang disesuaikan dengan dataset yang ada.
Namun dari kinerja algoritma ini sangat tergantung dari berapa parameter model yang digunakan.
Oleh karena itu, eksperimen serta analisis dari hasil eksperimen yang telah dilakukan untuk menentukan algoritma mana yang sesuai dengan data dan tujuan prediksi yang kita Long Short-Term atau biasa disebut dengan (LSTM) adalah model prediksi menghasilkan model yang bagus dalam sistem prediksi dan cocok untuk data yang berbasis time series yang berurutan.
LSTM juga sebagai algoritma yang berasal dari pengembangan Recurrent Neural Network (RNN) yang dirancang untuk data time series secara efektif .
Penelitian ini dilakukan dengan model LSTM yang dimana lstm tersebut memiliki lapisan lstm, dropout rate, dan jumlah neuron pada layer yang tesembunyi atau hidden layer untuk meningkatkan setiap performa yang dilakukan oleh model .
Fungsi dari input gate dan output gate adalah untuk mengatur aliran data masuk dan keluar dari memori sel ke seluruh jaringan .
Selain itu, forget gate ditambahkan ke memori sel untuk meneruskan informasi output dengan bobot tinggi dari neuron sebelumnya ke neuron berikutnya .
Cara kerja LSTM yaitu dengan menghapus data lama yang tidak relevan serta menyimpan informasi penting sehingga sangat sesuai dengan data pada jangka Panjang dan jangka pendek .
Design arsitektur pada lstm juga disebut stacked lstm yang memanfaatkan beberapa lapisan lstm untuk data dapat menggunakan model secara lebih efesien .
Proses pemodelan LSTM akan menghasilkan model yang baik ketika beberapa aspek ini diperhatikan, diperhatikan penentuan jumlah hidden layer yang optimal serta pemilihan hyperparameter yang sesuai untuk mencapai hasil prediksi yang akurat .
Gate Recurrent Unit atau GRU adalah salah satu model dari Recurrent Neural Network (RNN) yang dibuat dan disebarkan model ini oleh Kyunghyun Cho.
GRU memiliki sebutan update gate pada arsitekturnya yang bertujuan untuk mementukan sejauh mana input pada GRU .
dan output sebelumnya .
, input dan output ini akan dilanjutkan di dalam sel untuk proses lebih lanjutnya .
GRU memanfaatkan dua jenis gate yang disebutkan sebelumnya yaitu update gate dan reset gate untuk memilih informasi input atau output yang akan Data informasi yang disimpan penting dari data sebelumnya tanpa menghapus data yang tidak relevan terhadap prediksi dilakukan oleh dua kompenen yaitu update gate dan reset gate .
Jika dibandingkan dengan LSTM.
GRU memiliki arsitektur yang lebih simpel karena jumlah parameter yang dimilki lebih sedikit.
Data yang di proses oleh GRU juga lebih efesien secara komputasi sistem .
GRU memproses data secara berurut pada satu elemen waktu dengan memperbarui status tersembunyi berdasarkan input sekarang dan status tersembunyi pada data sebelumnya .
Selain komponen update gate melakukan penghapusan data yang tidak relevan, kompnen ini juga menjaga sejauh mana data informasi dilakukan dari waktu sebelumnya yang disalurkan ke waktu saat ini .
, sedangkan komponen reset gate melakukan dengan menentukan seberapa besar informasi dari waktu sebelumnya yang dapat Evaluasi metrik untuk mengukur bagus atau tidaknya pada model yaitu menggunakan tiga metrik utama, seperti Mean Absolute Error (MAE).
Root Mean Squared Error (RMSE), dan koefisien determindasi (R.
Mean Absolute Error atau MAE adalah metrik yang sering digunakan untuk perhitungan pada model GRU dan LSTM penghitung pada nilai rata-rata absolut yang memiliki kesalahan pada nilai prediksi dengan nilai aktual.
Informasi yang diberikan adalah seberapa besar rata-rata kesalahan prediksi tanpa melihat nilai arah kesalahan, baik itu prediksi yang bagus atau lebih rendah dibandingkan nilai sebenarnya .
Rumus MAE .
sebagai berikut:
ya ycycyc = Oc .
eAyeO Oe yc.
cyeO)| yea yeO=ya Dimana:
n adalah jumlah keseluruhan observasi Yi adalah nilai sebenarnnya F(X.
adalah nilai prediksi model untuk observasi ke-i Root Square Mean Error atau RMSE merupakan salah satu metrik yang lebih efesien dibandingkan MSE.
RMSE
menjadi metrik yang lebih bagus dibandingkan MSE dikarenakan memilki skala yang sama dengan data yang dievaluasi .
Persamaan rumus RMSE .
sebagai berikut:
Ocyea .
eoyeO Oe yeo CyeO)ya ycycycyc = Oo yeO=ya yea Koefisien Determinasi adalah metrik statistik yang mengukur sejauh mana model dapat menjelaskan variasi dalam data hasil berdasarkan variabel digunakan dalam model .
Persamaan pada koefisien determinasi .
sebagai ycya = ya Oe OcyeayeO=ya.
eoyeO Oe yeo CyeO) yea Oc=ya.
eoyeO Oe yeo CyeO) .
HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data harga daging sapi yang berasal dari website PIHPS Nasional atau pusat informasi harga pangan strategis Dataset ini berisi terkait informasi perkembangan harga pangan pada komoditas daging sapi di DKI Jakarta.
Jumlah dari dataset ini yaitu 1540 baris atau selama lima tahun Dataset ini terdiri dari kolom utama yaitu tanggal, daging sapi yang mencatat rata-rata daging sapi kualitas 1 dan mencatat daging sapi kualitas 2.
Pada dataset ini, dilakukan beberapa tahapan preprocessing untuk memastikan data siap digunakan dalam proses model.
Pertama dilakukan adalah memasukkan data dari file CSV yang kemudian melakukan pengecekan setiap kolom dan struktur data.
Selanjutnya kolom tanggal di konversi format datetime serta pembersihan data yang berupa tanggal terlewat atau Au-Au pada kolom harga daging sapi, daging sapi kualitas 1, dan daging sapi kualitas 2 akan digantikan dengan AunoneAy agar dapat diimputasi.
Tahapan selanjutnya melengkapi rentang tanggal dari awal hinggal tanggal terakhir pada dataset.
Jika ada yang tidak memiliki data, data tersebut akan dimasukkan dengan metode forward fill.
Setelah sudah di lengkapi datanya akan melakukan normalisasi menggunakan MinMaxScaler untuk merentangkan nilai data dalam skala 0 hingga 1.
Proses preprocessing ini bermanfaat untuk data cleaning, konsisten, dan model akan siap Evaluasi metrik untuk mengukur bagus atau tidaknya pada model yaitu menggunakan tiga metrik utama, seperti Mean Absolute Error (MAE).
Root Mean Squared Error (RMSE), dan koefisien determindasi (R.
Pada penelitian ini menggunakan dua jenis pembagian data yaitu, 70:30 dan 80:20.
Pada pembagian ini untuk 80% dan 70% adalah sebagian data latih untuk melatih model.
Kemudian untuk 30% dan 20% sebagai data uji untuk mengevaluasi performa yang dihasilkan dari model LSTM dan GRU.
Eksperimen menggunakan LSTM dan GRU dengan menggunakan jumlah unit pada hidden layer yang berjumlah 32, 48, 64, 128, dan Hasil dari setiap kombinasi pembagian data ini menggunakan parameter untuk performa model seperti Mean Absolute Error (MAE).
Root Mean Squared Error (RMSE), dan Koefisien Determinasi (R.
Pada eksperimen dengan model Long Short Term Memory (LSTM) menggunakan pembagian data dengan data latih dan data uji 80:20, yang disajikan dalam tabel 1 berikut:
Tabel 1.
Evaluasi kinerja LSTM pada eksperimen menggunakan perbandingan data latih dan data uji
80%:20%
Eksperimen
MAE RMSE
UNIT
Dari hasil tabel 1 diatas menjelaskan bahwa unit 128 menghasilkan performa terbaik karena menunjukan nilai MAE terendah dari unit lain sebesar 227.
RMSE terendah sebesar 509.
71, dan nilai R2 tertinggi sebesar 0.
Sebaliknya untuk hasil performa terburuk yaitu menggunakan 256 unit neuron yang bernilai MAE sebesar 912.
RMSE
91, dan R2 sebesar 0.
Setelah menguji model LSTM dengan data latih dan data uji 80:20, dilanjutkan eksperimen dengan model GRU menggunakan data latih dan data uji 80:20.
Hasil eksperimen GRU pada data ditampilkan dalam tabel 2 berikut:
Tabel 2.
Evaluasi kinerja GRU pada eksperimen menggunakan perbandingan data latih dan data uji
80%:20%
Eksperimen
MAE
RMSE
UNIT
Berdasarkan Tabel 2 pada model GRU 80:20, unit 128 menghasilkan performa terbaik dengan nilai MAE 71.
RMSE sebesar 441.
dan RA sebesar 0.
882 dan performa yang terburuk pada unit 48 yang menghasilkan metrik MAE sebesar 549.
RMSE
R2 sebesar 0.
Selain pengujian data latih dan data uji 80:20 pada kedua model, akan dilanjutkan untuk mengavaluasi kinerja model yang sama tetapi berbeda proporsi yaitu 70:30, berikut hasil tabel pengujian LSTM pada data latih dan data uji 70:30:
Tabel 3 Evaluasi kinerja LSTM pada eksperimen menggunakan perbandingan data latih dan data uji
70%:30%
Eksperimen
MAE
RMSE
R2 UNIT
Berdasarkan hasil eksperien pada tabel 3.
LSTM unit 64 memberikan performa terbaik pada proporis data 70:30 bernilai MAE sebesar 572.
RMSE sebesar 33, dan RA sebesar 0.
Untuk hasil eksperimen terburuk berada pada unit 48 menghasilkan dengan nilai MAE dan RMSE jauh lebih tinggi.
Pengujian terakhir dilakukan pada model GRU dengan data latih dan data uji 70:30, memiliki variasi unit yang sama dengan eksperimen sebelumnya.
Hasil eksperimen untuk model GRU pada proporsi 70:30 sebagai berikut:
Tabel 4 Evaluasi kinerja GRU pada eksperimen menggunakan perbandingan data latih dan data uji
70%:40%
Eksperimen
MAE
RMSE
UNIT
Berdarkan hasil eksperimen pada Tabel 4 pada model GRU, unit 48 menunjukkan performa terbaik dengan nilai MAE sebesar 233.
RMSE sebesar 49, dan RA sebesar 0.
Selain itu hasil terburuk dari model GRU ini adalah dengan unit 128 yang memiliki nilai R2 yang hanya sebesar 0.
553 dan nilai kesalahan prediksi yang relative tinggi.
Evaluasi kinerja algoritma dengan membandingkan algoritma LSTM dan GRU, berdasarkan metrik evaluasi Mean Absolute Error (MAE).
Root Mean Squared Error (RMSE), dan Koefisien Determinasi (RA).
Tabel 5 menampilkan performa terbaik dari hasil eksperimen yang telah dilakukan.
Tabel 5 Perbandingan Kinerja Algoritma LSTM dan GRU
Metode MAE
RMSE
Unit
LSTM
GRU
Gambar 1.
Perbandingan prediksi menggunakan LSTM dan GRU Dari hasil perbandingan kinerja algoritma Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) berdasrkan MAE.
RMSE.
R2.
Hasil menunjukan bahwa unit sebesar 128 pada LSTM dan unit 48 pada GRU dengan proporsi yang berbeda, 80:20 memberikan nilai pada model LSTM, nilai MAE sebesar 227.
RMSE
7085, dan RA sebesar 0.
Sementara itu.
GRU menunjukkan kinerja yang hampir sama, dengan MAE 2475.
RMSE sebesar 4944, dan RA sedikit lebih tinggi.
Kedua Algoritma ini dapat menangani data sequence dengan baik namun untuk algoritma GRU sedikit lebih unggul dibandingkan LSTM dalam hal akurasi prediksi pada konfigurasi.
Selain itu juga hanya terlihat sedikit berbeda dari gambar plot untuk membandingkan data aktual dan data prediksi dari hasil eksperimen terbaik pada masing-masing algoritma.
Performa GRU yang lebih sederhana secara arsitektur menjadikannya lebih efisien tanpa mengubah kualitas prediksi dibandingkan dengan LSTM.
Kedua Algoritma menangani data sequence dengan baik namun untuk algoritma GRU sedikit lebih unggul dibandingkan LSTM dalam hal akurasi prediksi pada konfigurasi.
Selain itu juga hanya terlihat sedikit berbeda dari gambar plot untuk membandingkan data actual dan data prediksi dari hasil eksperimen terbaik pada masing-masing Performa GRU yang lebih menjadikannya lebih efisien tanpa mengubah kualitas prediksi dibandingkan dengan LSTM.
KESIMPULAN DAN SARAN
Kesimpulannya, memeperoleh hasil terbaik dengan menggunakan unit berjumlah 128 dengan memiliki data latih dan data uji yang berbeda pada kedua algoritma GRU dan LSTM sebesar 80:20 dan 70:30.
Nilai pada GRU menunjukkan lebih unggul dibandingkan LSTM, yang dapat diidentifikasikan bahwa GRU dapat menghasilkan prediksi yang lebih akurat pada dataset yang digunakan.
Algoritma GRU dengan arsitektur yang lebih sederhana, terbukti lebih unggul secara perhitungan model tanpa mengurangi kualitas prediksi.
LSTM sendiri hanya sedikit nilai yang lebih rendah dibandingkan GRU.
Oleh karena itu, kedua metode ini masih sangat bergantung dengan pemilihin parameter, seperti pembagian jumlah unit dan pembagian data latih dan data uji.
Pemilihan hyperparameter untuk pengembangan lebih lanjut dapat meningkatkan kinerja model secara baik.
Teknik ensemble learning juga dapat digunakan untuk melakukan prediksi dari beberapa model agar hasil yang dihasilkan lebih memuaskan.
Hasil
penelitian ini diharpkan dapat menjadi acuan dalam pengembangan model
prediksi harga komoditas yang lebih efektif di masa yang akan datang REFERENSI