STTSSTTS
INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and ComputationPrediksi harga beras memiliki peran penting dalam menjaga stabilitas ekonomi dan keamanan pangan, khususnya di Jawa Timur, salah satu pusat produksi beras utama di Indonesia. Penelitian ini bertujuan untuk memprediksi harga beras premium di Jawa Timur menggunakan metode ARIMA (AutoRegressive Integrated Moving Average). Data yang digunakan dalam penelitian ini terdiri dari harga beras premium yang diperoleh dari Badan Pangan Nasional selama periode 15 Maret 2021 hingga 17 Oktober 2024. Proses analisis dimulai dengan eksplorasi data untuk mengidentifikasi tren dan pola musiman dalam data harga beras. Selanjutnya, data dianalisis menggunakan metode ARIMA dan LSTM, yang dikenal efektif dalam memprediksi data time series. Model ARIMA(1,1,1) dipilih karena kemampuannya menangkap dinamika harga melalui komponen autoregresif, terintegrasi, dan moving average, sehingga cocok untuk data linier dengan variasi musiman minimal. LSTM digunakan sebagai model perbandingan karena merupakan subset dari Machine Learning yang menggabungkan model komputasi dan algoritma jaringan saraf, menawarkan potensi peningkatan akurasi prediksi. Model LSTM yang digunakan untuk prediksi terdiri dari empat lapisan, masing-masing dengan 50 neuron, tingkat dropout 20% dan 30%, serta satu lapisan output yang mewakili harga yang diprediksi. Hasil menunjukkan bahwa model ARIMA memberikan estimasi harga yang sangat akurat dengan Mean Absolute Percentage Error (MAPE) sebesar 0,485%, sedangkan model LSTM mencapai MAPE sebesar 1,95%. Temuan ini dapat menjadi referensi bagi pembuat kebijakan dan pemangku kepentingan industri pangan dalam merumuskan langkah strategis untuk menstabilkan harga beras di Jawa Timur.
Beberapa kesimpulan dapat ditarik dari berbagai eksperimen yang dilakukan.Pertama, model ARIMA(1,1,1) lebih baik dalam memprediksi harga beras premium dibandingkan model LSTM, dengan MAPE sebesar 0,485%.Kedua, model LSTM terbaik dari eksperimen menggunakan tingkat dropout 0,2 dan 50 epoch, menghasilkan MAPE sebesar 1,95%.Ketiga, kesalahan yang lebih tinggi pada model LSTM disebabkan oleh bias data dan overfitting, yang dipicu oleh kompleksitas penggunaan model pembelajaran untuk memprediksi time series.Implikasi praktis dari penelitian ini signifikan bagi berbagai pemangku kepentingan, termasuk pembuat kebijakan, produsen pertanian, dan industri pangan.Untuk pembuat kebijakan/pemerintah, prediksi akurat yang diberikan oleh model ARIMA (MAPE 0,485%) dapat membantu dalam merumuskan strategi stabilisasi harga beras.Hal ini penting untuk menjaga stabilitas ekonomi dan memastikan keamanan pangan di Jawa Timur, salah satu daerah penghasil beras utama di Indonesia.Untuk petani, petani dan produsen pertanian dapat memanfaatkan wawasan dari model prediktif untuk merencanakan jadwal penanaman dan panen dengan lebih efektif.Memahami tren harga dapat membantu keputusan tentang kapan menjual hasil panen untuk memaksimalkan keuntungan dan meminimalkan kerugian.Untuk pemain industri pangan, pemangku kepentingan industri dapat memanfaatkan temuan ini untuk menganalisis tren pasar dan menyesuaikan strategi penentuan harga sesuai kebutuhan.Fokus pada perbaikan model dengan memasukkan variabel tambahan sebagai input.Melakukan analisis perbandingan dengan model pembelajaran mesin lainnya yang menawarkan akurasi lebih tinggi dalam memprediksi harga.Melakukan analisis tren harga jangka panjang untuk memperoleh wawasan tentang pola musiman dalam model prediktif.
Saran penelitian lanjutan dapat difokuskan pada pengembangan model yang lebih canggih dengan memasukkan variabel-variabel tambahan sebagai input, seperti faktor-faktor ekonomi, cuaca, atau kebijakan pemerintah yang dapat mempengaruhi harga beras. Selain itu, dapat dilakukan analisis perbandingan dengan model-model pembelajaran mesin lainnya yang menawarkan akurasi lebih tinggi dalam memprediksi harga, seperti metode-metode deep learning yang lebih kompleks. Untuk memperoleh wawasan lebih dalam tentang pola musiman dalam model prediktif, penelitian selanjutnya dapat melakukan analisis tren harga jangka panjang, dengan mempertimbangkan faktor-faktor musiman seperti musim panen, musim hujan, dan liburan. Dengan demikian, model prediksi harga beras dapat semakin akurat dan membantu berbagai pemangku kepentingan dalam mengambil keputusan strategis terkait stabilisasi harga beras di Jawa Timur.
- Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator | Jurnal Teknologi Informasi dan Ilmu... jtiik.ub.ac.id/index.php/jtiik/article/view/4587Algoritma Deep Learning LSTM untuk Memprediksi Umur Transformator Jurnal Teknologi Informasi dan Ilmu jtiik ub ac index php jtiik article view 4587
- Analisis Prediksi Debit Sungai Amprong Dengan Model Arima (Autoregressive Integrated Moving Average)... doi.org/10.21776/ub.pengairan.2019.010.02.04Analisis Prediksi Debit Sungai Amprong Dengan Model Arima Autoregressive Integrated Moving Average doi 10 21776 ub pengairan 2019 010 02 04
- Comparison of Premium Rice Price Prediction in East Java with ARIMA and LSTM (Case Study: National Food... jurnal.stts.edu/index.php/INSYST/article/view/407Comparison of Premium Rice Price Prediction in East Java with ARIMA and LSTM Case Study National Food jurnal stts edu index php INSYST article view 407
| File size | 763.96 KB |
| Pages | 7 |
| DMCA | Report |
Related /
STTSSTTS Rekomendasi termasuk meningkatkan kapasitas buffer agen Wazuh, mengoptimalkan aturan Snort, dan mengerahkan perangkat keras dengan kapasitas lebih tinggiRekomendasi termasuk meningkatkan kapasitas buffer agen Wazuh, mengoptimalkan aturan Snort, dan mengerahkan perangkat keras dengan kapasitas lebih tinggi
STTSSTTS Evaluasi metrik—NDCG@3 0,521 dan PAP@3 1,000—menunjukkan bahwa model transformer menghasilkan prediksi yang paling akurat dan terperinci dalam mengidentifikasiEvaluasi metrik—NDCG@3 0,521 dan PAP@3 1,000—menunjukkan bahwa model transformer menghasilkan prediksi yang paling akurat dan terperinci dalam mengidentifikasi
STKIP MELAWISTKIP MELAWI Penelitian ini bertujuan untuk menganalisis penerapan model Problem Based Learning (PBL) dalam meningkatkan keterampilan berpikir kritis siswa pada pembelajaranPenelitian ini bertujuan untuk menganalisis penerapan model Problem Based Learning (PBL) dalam meningkatkan keterampilan berpikir kritis siswa pada pembelajaran
STKIP MELAWISTKIP MELAWI Namun, terdapat beberapa tantangan, antara lain keterbatasan pelatihan guru, keragaman karakteristik siswa, serta keterbatasan waktu dan fasilitas pendukung.Namun, terdapat beberapa tantangan, antara lain keterbatasan pelatihan guru, keragaman karakteristik siswa, serta keterbatasan waktu dan fasilitas pendukung.
STKIP MELAWISTKIP MELAWI Penelitian ini juga menemukan bahwa keberlangsungan tradisi Kidungan dipengaruhi oleh peran aktif dari tokoh masyarakat Desa Kajoran dalam proses pewarisanPenelitian ini juga menemukan bahwa keberlangsungan tradisi Kidungan dipengaruhi oleh peran aktif dari tokoh masyarakat Desa Kajoran dalam proses pewarisan
STTSSTTS Algoritma Genetika konvergen ke arsitektur optimal dengan satu lapisan dan 119 neuron dengan aktivasi ReLU, sedangkan Pencarian Adaptif mengeksplorasiAlgoritma Genetika konvergen ke arsitektur optimal dengan satu lapisan dan 119 neuron dengan aktivasi ReLU, sedangkan Pencarian Adaptif mengeksplorasi
STTSSTTS Metode‑metode ini mengatasi tantangan utama seperti ketidakseimbangan kelas dan kontras rendah pada dataset. Hasil menunjukkan peran penting strategiMetode‑metode ini mengatasi tantangan utama seperti ketidakseimbangan kelas dan kontras rendah pada dataset. Hasil menunjukkan peran penting strategi
STTSSTTS Hasil algoritma HHO diterjemahkan menjadi meteran slot, yang membantu memetakan solusi ke slot waktu yang tersedia. Algoritma HHO dapat menghasilkan jadwalHasil algoritma HHO diterjemahkan menjadi meteran slot, yang membantu memetakan solusi ke slot waktu yang tersedia. Algoritma HHO dapat menghasilkan jadwal
Useful /
UKWMUKWM Variabel dependen adalah perubahan rasio pembayaran dividen (ΔDPR), sedangkan variabel kontrol meliputi free cash flow, utang, dan laba bersih. HasilVariabel dependen adalah perubahan rasio pembayaran dividen (ΔDPR), sedangkan variabel kontrol meliputi free cash flow, utang, dan laba bersih. Hasil
UNESPADANGUNESPADANG Secara parsial juga menunjukkan hubungan positif yang signifikan antara loneliness dengan bedtime procrastination dengan masing-masing dimensi memilikiSecara parsial juga menunjukkan hubungan positif yang signifikan antara loneliness dengan bedtime procrastination dengan masing-masing dimensi memiliki
PUBLINEPUBLINE Hasil menunjukkan peningkatan signifikan pada skor post-test kelompok eksperimental dibandingkan kontrol, dengan ukuran efek besar (Cohens d = 1,45). SelainHasil menunjukkan peningkatan signifikan pada skor post-test kelompok eksperimental dibandingkan kontrol, dengan ukuran efek besar (Cohens d = 1,45). Selain
STTSSTTS However, mango plants are susceptible to various diseases that can severely impact their yield and quality. These diseases pose a challenge to mango farmers,However, mango plants are susceptible to various diseases that can severely impact their yield and quality. These diseases pose a challenge to mango farmers,