Penerapan Metode Long Short Term Memory untuk Memprediksi Harga Beras di Indonesia

Abstract

Beras merupakan makanan pokok masyarakat di Indonesia. Berdasarkan data  Sistem Pemantauan Pasar dan Kebutuhan Pokok (SP2KP) Kementerian Perdagangan, harga beras di Indonesia  terus meningkat sejak Agustus 2022 [1], hal ini berdampak pada tingkat kemiskinan, tingkat inflasi, dan stabilitas ekonomi. Oleh karena itu, pemerintah membutuhkan Solusi agar dapat menghindari dampak dari naik turunnya harga beras di Indonesia. Metode Long Short Term Memory (LSTM) memiliki kemampuan dalam menangani masalah ketergantungan jarak jauh pada data berurutan, sehingga cocok digunakan untuk memprediksi harga beras. Kombinasi parameter yang digunakan adalah metode normalisasi data, pembagian data, layer, batch size, epoch, dan learning rate. Hasil evaluasi model menggunakan MAPE (Mean Absolute Percentage Error) menunjukkan bahwa LSTM dapat memprediksi harga beras dengan akurasi 98.57% dan nilai MAPE 1.43%. Hasil prediksi terbaik didapatkan dengan menggunakan parameter metode normalisasi data StandardScaler, pembagian data validasi 10%, data latih 80%, data uji 10%, layer 2, batch size 4, epoch 40, dan learning rate 0.01, dengan pembagian data secara acak. Performa metode LSTM terbukti memiliki performa yang lebih baik. Untuk mengetahui performa LSTM, dilakukan perbandingan dengan metode ARIMA (Autoregressive Integrated Moving Average) dan RNN (Recurrent Neural Network). Nilai MAPE terbaik dari LSTM 1.43%, ARIMA 10.41%, dan RNN 3.53%. Adapun hasil akurasi terbaik LSTM ialah 98.57%, ARIMA 89.59%, dan RNN 96.47%.   Kata Kunci— Long Short Term Memory, Autoregressive Integrated Moving Average, Recurrent Neural Network, Mean Absolute Percentage Error,  prediksi, beras