Publisher

STTSSTTS

Journal INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation Abstract

Cabai merah besar merupakan komoditas pangan strategis dengan permintaan tinggi, namun harganya sering mengalami fluktuasi akibat faktor cuaca, musim panen, dan dinamika pasar. Di Kabupaten Malang, fluktuasi ini berdampak pada inflasi dan stabilitas ekonomi, sehingga diperlukan model peramalan harga yang akurat untuk mendukung pengambilan keputusan. Penelitian ini bertujuan mengembangkan model peramalan harga menggunakan metode Long Short-Term Memory (LSTM) dan Autoregressive Integrated Moving Average (ARIMA), serta membandingkan kinerjanya menggunakan data seri waktu harian harga cabai merah besar dari Januari 2022 hingga Agustus 2024, yang diperoleh dari Kantor Perwakilan Bank Indonesia di Malang. Data mengalami pra-pengolahan, di mana data LSTM ditransformasi menggunakan MinMaxScaler, sedangkan data ARIMA didiferensiasi untuk memenuhi asumsi stasioneritas, kemudian dibagi menjadi 80% data pelatihan dan 20% data pengujian, dengan parameter optimal diperoleh melalui Grid Search untuk kedua model. Hasil menunjukkan bahwa model LSTM dengan tiga lapisan (150, 150, 150 unit) dan dropout 0,2 mencapai RMSE 2,326 dan MAPE 3,65%, sedangkan konfigurasi terbaik ARIMA (4,1,3) mencapai RMSE 2,455 dan MAPE 3,80%. Meskipun kedua model bersaing dan menghasilkan hasil menjanjikan, LSTM menunjukkan keakuratan yang lebih baik dalam meramalkan harga cabai merah besar dalam kondisi pasar dinamis.

Conclusion

Berdasarkan hasil penelitian, model LSTM dan ARIMA berhasil dikembangkan untuk meramalkan harga cabai merah besar di Kabupaten Malang menggunakan data seri waktu dari tahun 2022 hingga Agustus 2024.Model LSTM dibangun melalui pra-pengolahan data dengan MinMaxScaler, pemisahan data menjadi 80% pelatihan dan 20% pengujian, serta optimasi parameter menggunakan Grid Search.Konfigurasi terbaik yang diperoleh terdiri dari 150 unit pada setiap lapisan LSTM dan tingkat dropout 0,2, dengan nilai loss terendah tercatat 0,00150.Hasil evaluasi menunjukkan bahwa model LSTM mencapai RMSE 2,326 dan MAPE 3,65%, yang menunjukkan kemampuan model dalam menangkap pola non-linear dan fluktuasi harga dengan akurasi tinggi.Sementara itu, model ARIMA dikembangkan menggunakan pendekatan statistik melalui analisis stasioneritas dengan uji ADF, transformasi data melalui diferensiasi, dan pemilihan parameter optimal menggunakan Grid Search dengan auto ARIMA.Model ARIMA terbaik yang diidentifikasi adalah ARIMA (4,1,3), dengan nilai AIC terendah 14159.Hasil evaluasi menunjukkan bahwa model ARIMA juga tampil baik, dengan RMSE 2,455 dan MAPE 3,80%, yang menunjukkan kemampuan model dalam menangkap pola linier dalam data historis, meskipun kurang efektif dalam mengidentifikasi pola non-linear atau fluktuasi harga yang lebih kompleks.Hasil evaluasi perbandingan menunjukkan bahwa LSTM lebih unggul daripada ARIMA, seperti yang ditunjukkan oleh nilai RMSE dan MAPE yang lebih rendah, sehingga lebih efektif dalam menangkap pola kompleks dan perubahan harga yang fluktuatif.Namun, perbedaan antara kedua model tidak signifikan, yang menunjukkan bahwa baik LSTM maupun ARIMA menunjukkan kemampuan prediktif yang kuat meskipun menggunakan pendekatan yang berbeda.LSTM lebih cocok untuk data dengan pola dinamis dan fluktuatif, sedangkan ARIMA tetap menjadi metode yang andal untuk data dengan pola yang lebih stabil.Oleh karena itu, dalam konteks meramalkan harga cabai merah besar di Kabupaten Malang, LSTM dapat dianggap sebagai model utama, sedangkan ARIMA dapat berfungsi sebagai patokan atau model alternatif dalam analisis data seri waktu.

Future Research

Untuk penelitian lanjutan, disarankan untuk melakukan analisis komparatif yang lebih mendalam antara LSTM dan ARIMA dengan mempertimbangkan berbagai faktor seperti ukuran dataset, kompleksitas pola data, dan ketersediaan sumber daya komputasi. Selain itu, penelitian dapat dilakukan untuk mengoptimalkan parameter LSTM dan ARIMA secara lebih spesifik untuk data cabai merah besar, dengan mempertimbangkan faktor-faktor seperti musim panen, cuaca, dan dinamika pasar. Selain itu, penelitian dapat dilakukan untuk mengintegrasikan model LSTM dan ARIMA dengan metode lain seperti eksplorasi data, analisis sentimen, atau teknik pengolahan data yang lebih canggih untuk meningkatkan akurasi peramalan harga cabai merah besar. Dengan demikian, penelitian lanjutan dapat memberikan wawasan yang lebih komprehensif tentang model peramalan harga yang optimal untuk komoditas strategis seperti cabai merah besar.

References

1. Comparative Analysis of Large Red Chili Price Forecasting Models in Malang Regency Using Long Short-Term... jurnal.stts.edu/index.php/INSYST/article/view/419Comparative Analysis of Large Red Chili Price Forecasting Models in Malang Regency Using Long Short Term jurnal stts edu index php INSYST article view 419

Metadata

File size	829.71 KB
Pages	8
DMCA	Report