Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional

Jumina Cahyani, Syamsul Mujahidin, Tegar Palyus Fiqar

Abstract


Ketidakstabilan perekonomian di Indonesia saat pandemi menyebabkan harga bahan pokok nasional mengalami fluktuasi. Salah satu upaya untuk menjaga harga agar tetap stabil adalah dengan melakukan observasi dan memprediksi harga di masa yang akan datang. Harga bahan pokok nasional berubah setiap hari sehingga data bersifat non-linear dan berbasis deret waktu. Salah satu metode yang dapat digunakan untuk prediksi data berbasis deret waktu adalah metode Recurrent Neural Network (RNN). Namun demikian, metode RNN memiliki kelemahan, yaitu adanya permasalahan vanishing gradient  atau hilangnya nilai gradien saat pembaruan bobot. Metode Long Short Term Memory (LSTM) mampu mengatasi permasalahan pada metode RNN. Oleh karena itu, metode LSTM digunakan untuk memprediksi harga bahan pokok nasional. Terdapat empat harga bahan pokok yang dipilih berdasarkan uji normalitas data, yaitu harga daging ayam ras segar, harga beras kualitas bawah II, harga minyak goreng, dan harga minyak goreng curah. Untuk pengoptimalan hasil prediksi digunakan metode optimasi sebagai skenario uji coba, yaitu metode Adaptive Gradient (ADAGRAD), Adaptive Moment Gradient (ADAM), Root Mean Square Error (RMSProp). Berdasarkan uji coba dengan ketiga metode optimasi tersebut didapatkan model terbaik pada harga beras kualitas bawah II yaitu menggunakan ADAM dengan nilai evaluasi RMSE sebesar 0.0492 dan R2 Score sebesar 0.8852. Pada harga daging ayam didapatkan model terbaik menggunakan ADAM dengan nilai evaluasi RMSE sebesar 0.0937 dan R2 Score sebesar 0.5949. Pada harga minyak goreng didapatkan model terbaik menggunakan RMSProp dengan nilai evaluasi RMSE sebesar 0.0313 dan R2 Score sebesar 0.7492. Sedangkan pada harga minyak goreng curah diperoleh model terbaik menggunakan ADAM dengan nilai evaluasi RMSE sebesar 0.0531 dan R2 Score sebesar 0.5308.

Keywords


Deret Waktu; Harga Bahan Pokok Nasional; Long Short Term Memory (LSTM); Prediksi

Full Text:

PDF

References


F. N. Sadiyah, “DAMPAK PANDEMI COVID-19 TERHADAP PERTUMBUHAN EKONOMI DAN PERDAGANGAN KOMODITAS PERTANIAN DI Indonesia,” J. Ekon. Pertan. dan Agribisnis, vol. 5, no. 3, pp. 950–961, 2021, [Online]. Available: https://doi.org/10.21776/ub.jepa.2021.005.03.30.

Y. L. Sukestiyarno, “Identifikasi Publikasi Dosen dalam Mewujudkan Internasionalisasi Universitas Negeri Semarang Menggunakan Neural Network,” J. Mipa, vol. 41, no. 2, pp. 121–133, 2018.

F. Nur Hadiansyah, “Prediksi Harga Cabai dengan Menggunakan pemodelan Time Series ARIMA,” Indones. J. Comput., vol. 2, no. 1, p. 71, 2017, doi: 10.21108/indojc.2017.2.1.144.

M. Hussein and Y. Azhar, “Prediksi Harga Minyak Dunia Dengan Metode Deep Learning,” vol. 6, no. 1, 2021.

A. S. Bayangkari Karno, “Analisis Data Time Series Menggunakan LSTM (Long Short Term Memory) Dan ARIMA (Autocorrelation Integrated Moving Average) Dalam Bahasa Python.,” Ultim. InfoSys J. Ilmu Sist. Inf., vol. 11, no. 1, pp. 1–7, 2020, doi: 10.31937/si.v9i1.1223.

S. Sen, D. Sugiarto, and A. Rochman, “Komparasi Metode Multilayer Perceptron (MLP) dan Long Short Term Memory (LSTM) dalam Peramalan Harga Beras,” Ultimatics, vol. XII, no. 1, p. 35, 2020.

H. S. Husain, “Distribusi Normal Multivariat,” J. Mat. Stat. dan Komputasi, vol. 14, no. 2, p. 143, 2018, doi: 10.20956/jmsk.v14i2.3553.

P. Ferdiansyah, R. Indrayani, and S. Subektiningsih, “Analisis Manajemen Bandwidth Menggunakan Hierarchical Token Bucket Pada Router dengan Standar Deviasi,” J. Nas. Teknol. dan Sist. Inf., vol. 6, no. 1, pp. 38–45, 2020, doi: 10.25077/teknosi.v6i1.2020.38-45.

M. A. Dwiyanto, C. E. Djamal, and A. Maspupah, “Prediksi Harga Saham menggunakan Metode Recurrent Neural Network,” Semin. Nas. Apl. Teknol. Inf., pp. 33–38, 2019.

A. A. Lydia and F. S. Francis, “Adagrad-An Optimizer for Stochastic Gradient Descent,” Int. J. Inf. Comput. Sci., vol. 6, no. 5, pp. 566–568, 2019, [Online]. Available: http://ijics.com.

I. Hanif, “Klasifikasi Perintah Bahasa Natural Menggunakan Global Vectors for Word Representations (GloVe), Convolutional Neural Networks, dan Teknik Transfer Learning …,” 2018, [Online]. Available: https://repository.its.ac.id/52194/%0Ahttps://repository.its.ac.id/52194/1/05111440000177-Undergraduate_Thesis.pdf.

S. Zahara, Sugianto, and M. B. Ilmiddafiq, “Prediksi Indeks Harga Konsumen Menggunakan Metode Long Short Term Memory (LSTM) Berbasis Cloud Computing,” Resti, vol. 1, no. 1, pp. 19–25, 2017.

N. Nugroho, Y. Rahmanto, D. Alita, J. Z. Pagar Alam, and L. Ratu, “Software Development Sistem Informasi Kursus Mengemudi (Kasus: Kursus Mengemudi Widi Mandiri),” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 1, pp. 328–336, 2021, [Online]. Available: http://tunasbangsa.ac.id/ejurnal/index.php/jsakti/article/view/325.

R. Pamusti, “Studi Kinerja Algoritma Optimasi Pada Metode Quantum Clustering Dengan Kernel Entropy Component Analysis,” 2018.

D. P. Kingma and J. L. Ba, “Adam: A method for stochastic optimization,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–15, 2015.

W. Y. Rusyida and V. Y. Pratama, “Prediksi Harga Saham Garuda Indonesia di Tengah Pandemi Covid-19 Menggunakan Metode ARIMA,” Sq. J. Math. Math. Educ., vol. 2, no. 1, p. 73, 2020, doi: 10.21580/square.2020.2.1.5626.

F. Rustam et al., “COVID-19 Future Forecasting Using Supervised Machine Learning Models,” IEEE Access, vol. 8, pp. 101489–101499, 2020, doi: 10.1109/ACCESS.2020.2997311.

J. F. Ritchie Ng, “Deep Learning Wizard,” Apr. 2019, doi: 10.5281/ZENODO.2644957.




DOI: http://dx.doi.org/10.26418/justin.v11i2.57395

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 JUSTIN (Jurnal Sistem dan Teknologi Informasi)

ara komputer
View My Stats

Creative Commons License
All article in Justin is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License