PENERAPAN METODE LONG SHORT TERM MEMORY UNTUK MEMPREDIKSI HARGA BAHAN PANGAN

SAFITRI, LISA ANIS (2023) PENERAPAN METODE LONG SHORT TERM MEMORY UNTUK MEMPREDIKSI HARGA BAHAN PANGAN. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (41kB)
	Text COVER.pdf Download (239kB)
	Text DAFTAR ISI.pdf Download (48kB)
	Text DAFTAR PUSTAKA.pdf Download (209kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (130kB)
	Text PENGESAHAN PENGUJI.pdf Download (221kB)
	Text SKRIPSI FULL_LISA ANIS SAFITRI_123190089.pdf Restricted to Repository staff only Download (2MB)

Abstract

Kenaikan harga bahan pokok yang signifikan menimbulkan dampak negatif bagi
pereknomian masyarakat Indonesia, salah satunya adalah penurunan daya beli. Penentuan harga
pangan sangat penting untuk menjaga stabilitas pasokan dan harga bahan pokok di wilayah
Indonesia. Fluktuasi harga bahan pangan di Indonesia, yang dapat memberikan dampak
signifikan terhadap stabilitas pasokan dan harga bahan pokok. Fluktuasi ini dipicu oleh faktor
eksternal seperti penurunan harga produksi, permintaan dan penawaran, perubahan harga input
(pupuk, benih, peralatan), kenaikan harga bahan bakar transportasi, dan kondisi perekonomian
negara. Dampak dari fluktuasi ini menciptakan ketidakstabilan harga bahan pangan yang dapat
menjadi pemicu inflasi. Oleh karena itu, prediksi harga bahan pangan menjadi penting untuk
meminimalkan gejolak harga dan memberikan pemahaman kepada produsen dan konsumen.
Penelitian ini menggunakan metode prediksi harga bahan pangan dengan algoritma Deep
Learning, khususnya Long Short-Term Memory (LSTM).
Data time series harga komoditas pangan diperoleh dari Pusat Informasi Harga Pangan
Strategis Nasional, situs resmi milik Bank Indonesia. Prediksi harga dilakukan pada Pasar
Tradisional di Daerah Istimewa Yogyakarta. Periode pengamatan harga bahan pangan selama 6
tahun terakhir dari rentang waktu 9/10/2017 sampai 30/11/2023. Hasil penelitian menunjukkan
bahwa kombinasi neuron hidden dan epoch berpengaruh pada akurasi prediksi harga komoditas
pangan. Pencarian nilai Mean Absolute Percentage Error (MAPE) terendah membantu dalam
menemukan hasil prediksi yang akurat, dengan nilai semakin kecil MAPE, maka semakin baik
model tersebut dalam melakukan prediksi. Perhitungan R-Squared dalam performa akurasi juga
membantu menjelaskan variasi dalam data, dengan nilai mendekati 1 menunjukkan kualitas
model yang baik. Pengujian dilakukan dengan kombinasi 2 parameter yaitu jumlah neuron
hidden (8, 16, 32, 64, 128) dan max epoch (50, 100, 150). Kombinasi neuron dan epoch tersebut
diterapkan secara keseluruhan pada semua komoditas pangan untuk mendapatkan model terbaik
dengan nilai error yang rendah. Telah dilakukan 285 pengujian pada 19 objek pangan dengan
masing-masing 15 pengujian dengan seluruh nilai MAPE yang tercatat rendah, yaitu kurang dari
10% dan nilai R-Squared mendekati 1. Hasil penelitian ini dapat menjadi landasan dalam
pengambilan keputusan efektif bagi produsen dan konsumen untuk menghadapi fluktuasi harga
bahan pangan di masa depan.
Kata kunci: Deep Learning, Long Short-Term Memory (LSTM), Harga Pangan, Prediksi

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deep Learning, Long Short-Term Memory (LSTM), Harga Pangan, Prediksi
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	15 Dec 2023 06:51
Last Modified:	15 Dec 2023 06:51
URI:	http://eprints.upnyk.ac.id/id/eprint/38351

Actions (login required)

View Item