Perbandingan Kinerja LSTM dan Prophet untuk Prediksi Deret Waktu (Studi Kasus Produksi Susu Sapi Harian)

Alusyanti Primawati, Imas Sukaesih Sitanggang, Annisa Annisa, Dewi Apri Astuti

Abstract


Prediksi deret waktu dibutuhkan untuk menjawab pertanyaan bisnis dimasa depan  yang akurat sehingga perlunya membangun model prediksi yang memiliki kinerja bagus. Pendekatan machine learning seperti long short term memory (LSTM) dan Prophet menjadi popular saat ini untuk pemodelan prediksi deret waktu. Agribisnis susu segar saat ini salah satu studi kasus yang memerlukan peranan teknologi informasi seperti bisnis intelijen untuk memastikan ketersediaan pasokan susu dimasa depan. Upaya pertama yang perlu dilakukan adalah menyiapkan model prediksi yang tepat meskipun data awal yang dikumpulkan masih sedikit atau terbatas. Dataset produksi susu sapi selama 300 hari menjadi data penelitian yang dimodelkan kedalam LSTM dan Prophet. Keduanya dibandingkan kinerjanya terhadapa data terbatas. Hasilnya uji koefisien determinasi R2 keduanya yaitu 0.2, sehingga perlu dilakukan peningkatan kinerja melalui tahapan revise and enhance. Hasilnya, kedua model meningkat nilai R2 menjadi 0.3 dan LSTM lebih baik dari Prophet. Meskipun demikian perbedaan keduanya tidak terlalu signifikan dan peningkatan juga tidak berbeda terlalu jauh karena data susu memiliki pola multi-periode dengan tren berbeda signifikan. Periode 90 hari pertama adalah masa klimaks laktasi sedangkan periode kedua setelah 90 hari adalah masa intervensi peternak menurunkan hasil perah untuk persiapakan ternak kambing perah ke masa kawin dan bunting.


Keywords


LSTM; Prediksi Deret Waktu; Prophet; Susu Sapi Harian

Full Text:

PDF

References


H. Abbasimehr, M. Shabani, and M. Yousefi, “Computers & Industrial Engineering An optimized model using LSTM network for demand forecasting,” Comput Ind Eng, vol. 143, no. March, p. 106435, 2020, doi: 10.1016/j.cie.2020.106435.

G. Cao, Y. Duan, and G. Li, “Linking Business Analytics to Decision Making Effectiveness : A Path Model Analysis,” vol. 62, no. 3, pp. 384–395, 2015.

R. Sharda, D. Delen, and E. Turban, Business Intelligence, Analytics, and Data Science_ A Managerial Perspective, Fourth. Pearson, 2018.

S. Krishnamoorthi and S. K. Mathew, “Information & Management Business analytics and business value : A comparative case study,” Information & Management, vol. 55, no. 5, pp. 643–666, 2018, doi: 10.1016/j.im.2018.01.005.

D. H. Fudholi, R. A. N. Nayoan, and S. Rani, “Stock Prediction Based on Twitter Sentiment Extraction Using,” vol. 10, no. 1, pp. 187–198, 2022, doi: 10.52549/ijeei.10i1.3011.

A. R. S. Parmeza, V. M. A. Souza, and G. E. A. P. A. Batista, “Evaluation of statistical and machine learning models for time series prediction: Identifying the state-of-the-art and the best conditions for the use of each model Antonio,” Inf Sci (N Y), 2019, doi: 10.1016/j.ins.2019.01.076.

C. Chandra and S. Budi, “Analisis Komparatif ARIMA dan Prophet dengan Studi Kasus Dataset Pendaftaran Mahasiswa Baru,” vol. 6, pp. 278–287, 2020.

S. Jadon, J. Kanty, and A. Patnakar, Challenges and Approaches to Time series forecasting: A Survey. 2021.

A. Primawati, I. S. Sitanggang, and D. A. Astuti, “Business Intelligence and Analytics in Dairy Goat Livestock : Current and Future Challenge,” no. 1, pp. 323–329, 2021.

R. da Rosa Righi, G. Goldschmidt, R. Kunst, C. Deon, and C. André da Costa, “Towards combining data prediction and internet of things to manage milk production on dairy cows,” Comput Electron Agric, vol. 169, p. 105156, 2020, doi: https://doi.org/10.1016/j.compag.2019.105156.

M. D. Murphy, M. J. O. Mahony, L. Shalloo, P. French, and J. Upton, “Comparison of modelling techniques for milk-production forecasting Comparison of modeling techniques for milk-production forecasting,” J Dairy Sci, vol. 97, no. 6, pp. 3352–3363, 2014, doi: 10.3168/jds.2013-7451.

S. S. Deshmukh and R. Paramasivam, “Forecasting of milk production in India with ARIMA and VAR time series models,” Asian Journal of Dairy & Food …. researchgate.net, 2016.

R. Thakur and R. K. Gupta, “Prediction of milk yield using ARIMA,” vol. 8, no. 3, pp. 1119–1123, 2020.

B. A. Taye, A. A. Alene, A. K. Nega, and B. G. Yirsaw, “Time series analysis of cow milk production at Andassa dairy farm, West Gojam Zone, Amhara Region, Ethiopia,” Model Earth Syst Environ, 2020, doi: 10.1007/s40808-020-00946-z.

R. Chandra, S. Goyal, and R. Gupta, “Evaluation of Deep Learning Models for Multi-Step Ahead Time Series Prediction,” IEEE Access, vol. 9, pp. 83105–83123, 2021, doi: 10.1109/ACCESS.2021.3085085.

S. J. Taylor and B. Letham, “Forecasting at Scale”, doi: 10.7287/peerj.preprints.3190v2.

R. Sherman, Business Intelligence Guidebook. Elsevier Inc., 2015. doi: 10.1016/B978-0-12-411461-6.00015-0.

A. Perwitasari, Septiriana, and R. Tursina, “Data Preparation Structure untuk Pemodelan Prediktif Jumlah Peserta Ajar Mata Kuliah,” JEPIN, vol. 9, no. 1, pp. 7–11, 2023.

H. Abbasimehr and R. Paki, “Improving time series forecasting using LSTM and attention models,” Journal of Ambient Intelligence and Humanized …, 2021.

S. Tepdang and R. Ponprasert, “Forecasting and Clustering of Cassava Price by Machine Learning ( A study of Cassava prices in Thailand ),” vol. 10, no. 4, pp. 825–836, 2022, doi: 10.52549/ijeei.v10i4.3946.

D. Chicco, M. J. Warrens, and G. Jurman, “The coef fi cient of determination R-squared is more informative than SMAPE , MAE , MAPE , MSE and RMSE in regression analysis evaluation,” pp. 1–24, 2021, doi: 10.7717/peerj-cs.623.

N. M. M. C. Devi, I. P. A. Bayupati, and N. K. A. Wirdiani, “Prediksi Curah Hujan Dasarian dengan Metode Vanilla RNN dan LSTM untuk Menentukan Awal,” JEPIN, vol. 8, no. 3, pp. 405–411, 2022.

K. Gajamannage and Y. Park, “Real-time forecasting of time series in financial markets using sequentially




DOI: http://dx.doi.org/10.26418/jp.v9i3.72031

Refbacks

  • There are currently no refbacks.