Penerapan Model Long Short-Term Memory untuk Prediksi Harga Cabai Merah di Provinsi Banten
Abstract
Fluktuasi harga cabai merah yang tinggi dapat memengaruhi perencanaan produksi, distribusi, serta pengambilan keputusan oleh pelaku usaha dan pemerintah. Penelitian ini bertujuan memprediksi harga cabai merah di Provinsi Banten menggunakan model Long Short-Term Memory (LSTM) berdasarkan data Panel Harga Pangan Badan Pangan Nasional periode Januari 2022 hingga Desember 2023. Data diperoleh melalui teknik web scraping, kemudian diproses melalui konversi format tanggal, penanganan missing values menggunakan metode forward fill, normalisasi dengan MinMaxScaler, serta pembentukan sekuens sepanjang 30 hari. Data dibagi secara kronologis menjadi data pelatihan sebesar 70%, validasi 15%, dan pengujian 15%. Model dibangun menggunakan dua lapisan LSTM yang masing-masing memiliki 50 unit, dua lapisan dropout sebesar 0,2, dan satu lapisan Dense. Proses pelatihan menggunakan optimizer Adam, fungsi loss mean squared error, dan mekanisme EarlyStopping. Pelatihan dihentikan pada epoch ke-97, dengan validation loss terbaik sebesar 0,00028367 pada epoch ke-87. Hasil pengujian menunjukkan nilai RMSE sebesar Rp3.498,29/kg, MAE sebesar Rp2.574,81/kg, dan MAPE sebesar 4,14%. Hasil tersebut menunjukkan bahwa model LSTM mampu mengikuti pola umum kenaikan dan penurunan harga dengan tingkat kesalahan yang relatif rendah, meskipun belum sepenuhnya menangkap perubahan harga secara mendadak. Secara praktis, model ini dapat mendukung perencanaan produksi, distribusi, dan perdagangan cabai merah. Penelitian selanjutnya perlu menambahkan variabel eksternal dan membandingkan LSTM dengan model prediksi lain untuk meningkatkan kemampuan generalisasi model.
References
Y. N. Muflikh, C. Smith, C. Brown, and A. A. Aziz, “Analysing price volatility in agricultural value chains using systems thinking: A case study of the Indonesian chilli value chain,” Agric. Syst., vol. 192, no. May, p. 103179, 2021, doi: 10.1016/j.agsy.2021.103179.
B. Priambodo, Y. Jumaryadi, and U. Salamah, “Prediksi Perambatan Arus Lalu Lintas Berdasarkan Korelasi Tertinggi Antar Jalan,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 3, p. 667, 2022, doi: 10.30865/jurikom.v9i3.4203.
A. Wahab et al., “Stock Prediction for Indonesia Stock Exchange with Long Short-Term Memory,” J. Ilm. FIFO, vol. 16, no. 1, pp. 96–103, 2024.
G. Qin, X. Niu, J. Wang, and Q. Qian, “Traffic flow prediction based on JANet and attention mechanism,” 2021 IEEE 6th Int. Conf. Intell. Comput. Signal Process. ICSP 2021, no. Icsp, pp. 131–134, 2021, doi: 10.1109/ICSP51882.2021.9408777.
I. Nurhaida et al., “Implementation of Deep Learning Predictor (LSTM) Algorithm for Human Mobility Prediction,” Int. J. Interact. Mob. Technol., vol. 14, no. 18, pp. 132–144, 2020, doi: 10.3991/ijim.v14i18.16867.
L. Wiranda and M. Sadikin, “PENERAPAN LONG SHORT TERM MEMORY PADA DATA TIME SERIES UNTUK MEMPREDIKSI PENJUALAN PRODUK PT. METISKA FARMA,” J. Nas. Pendidik. Tek. Inform. JANAPATI, vol. 8, no. 3, pp. 184–196, 2019, doi: 10.23887/JANAPATI.V8I3.19139.
M. David, I. Cholissodin, and N. Yudistira, “Prediksi Harga Cabai menggunakan Metode Long-Short Term Memory (Case Study : Kota Malang),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, pp. 1214–1219, Mar. 2023.
T. Yue and Y. Liu, “Multi-Scale Price Forecasting Based on Data Augmentation,” Appl. Sci., vol. 14, no. 19, 2024, doi: 10.3390/app14198737.
A. Arfan and L. ETP, “Perbandingan Algoritma Long Short-Term Memory dengan SVR pada Prediksi Harga Saham di Indonesia,” PETIR J. Pengkaj. dan Penerapan Tek. Inform., vol. 13, no. 1, 2020, doi: 10.33322/petir.v13i1.858.
B. A. Abdelfattah, S. M. Darwish, and S. M. Elkaffas, “Enhancing the Prediction of Stock Market Movement Using Neutrosophic-Logic-Based Sentiment Analysis,” J. Theor. Appl. Electron. Commer. Res., vol. 19, no. 1, pp. 116–134, 2024, doi: 10.3390/jtaer19010007.
R. Mugi Setya Adi, “Prediksi Harga Komoditas Pangan Menggunakan Algoritma Long Short-Term Memory (LSTM),” Technol. Sci., vol. 4, no. 2, 2022, doi: 10.47065/bits.v4i2.2229.
H. Suwoyo et al., “Maximum likelihood estimation-assisted ASVSF through state covariance-based 2D SLAM algorithm,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 19, no. 1, pp. 327–338, 2021, doi: 10.12928/TELKOMNIKA.V19I1.16223.
B. A. Memon, “Forecasting Fossil Energy Price Dynamics with Deep Learning: Implications for Global Energy Security and Financial Stability,” Algorithms, vol. 18, no. 12, 2025, doi: 10.3390/a18120776.
N. Harshith and P. Kumari, “Memory based neural network for cumin price forecasting in Gujarat, India,” J. Agric. Food Res., vol. 15, no. January, p. 101020, 2024, doi: 10.1016/j.jafr.2024.101020.
C. Sun, M. Pei, B. Cao, S. Chang, and H. Si, “A Study on Agricultural Commodity Price Prediction Model Based on Secondary Decomposition and Long Short-Term Memory Network,” Agric., vol. 14, no. 1, 2024, doi: 10.3390/agriculture14010060.
S. H. Khan, M. Hayat, and F. Porikli, “Regularization of deep neural networks with spectral dropout,” Neural Networks, vol. 110, pp. 82–90, 2019, doi: 10.1016/j.neunet.2018.09.009.
Copyright (c) 2025 Rheno Budi Setiawan, Rendy Akbar Rianto, Muhamad Fikri Zulfikar, Fandi Ali Mustika, Yuwan Jumaryadi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
