Publisher

PIPI

Journal JOISIE (Journal Of Information Systems And Informatics Engineering)JOISIE (Journal Of Information Systems And Informatics Engineering) Abstract

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 risiko. 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.

Conclusion

LSTM terbukti cukup efektif dalam memprediksi harga komoditas pertanian dengan memanfaatkan data historis dan evaluasi menggunakan metrik RMSE.Persiapan data yang baik serta penyesuaian parameter model sangat memengaruhi performa prediksi.Namun, faktor eksternal seperti kondisi ekonomi dan politik juga perlu dipertimbangkan meskipun tidak dimasukkan dalam model saat ini.

Future Research

Pertama, perlu dikembangkan model prediksi harga komoditas pertanian yang mengintegrasikan data cuaca seperti curah hujan, suhu udara, dan kelembapan sebagai variabel tambahan untuk meningkatkan akurasi ramalan. Kedua, penelitian dapat dirancang untuk membandingkan kinerja LSTM dengan model hybrid seperti LSTM-GA (Genetic Algorithm) atau LSTM dengan mekanisme attention, untuk melihat apakah kombinasi arsitektur dapat mengurangi error prediksi secara signifikan. Ketiga, perlu ada kajian yang membangun sistem prediksi berbasis web atau mobile yang real-time dan terintegrasi dengan data dari Kementerian Pertanian, sehingga hasil prediksi dapat diakses langsung oleh petani dan pelaku pasar di daerah terpencil, dengan antarmuka yang mudah dipahami. Penelitian lanjutan juga harus mengevaluasi sejauh mana akses informasi prediksi ini meningkatkan keputusan penjualan dan kesejahteraan petani secara nyata. Dengan menggabungkan faktor lingkungan, arsitektur model yang lebih kompleks, dan sistem distribusi informasi yang inklusif, pendekatan prediktif dapat menjadi bagian dari ekosistem pertanian cerdas yang berkelanjutan. Selain itu, model dapat diperluas untuk memprediksi harga beberapa komoditas secara simultan, bukan satu per satu, agar lebih efisien. Penelitian juga bisa menguji penggunaan transfer learning dari satu daerah ke daerah lain untuk mengatasi keterbatasan data di wilayah baru. Sistem ini sebaiknya dilengkapi mekanisme validasi otomatis dan notifikasi peringatan ketika terjadi anomali harga. Akhirnya, penting untuk menguji robustness model selama kondisi krisis seperti pandemi atau bencana alam. Dengan begitu, prediksi harga tidak hanya akurat dalam kondisi normal, tetapi juga dapat memberikan antisipasi lebih awal terhadap gejolak pasar yang ekstrem.

References

1. GMD - Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding... doi.org/10.5194/gmd-7-1247-2014GMD Root mean square error RMSE or mean absolute error MAE Ae Arguments against avoiding doi 10 5194 gmd 7 1247 2014

Metadata

File size	636.32 KB
Pages	12
DMCA	Report