Prediksi Harga Minyak Goreng Curah dan Kemasan Menggunakan Algoritme Long Short Term Memory(LSTM)
Abstract
Kenaikan harga bahan kebutuhan pokok yang signifikan akan menimbulkan
dampak negatif bagi perekonomian masyarakat Indonesia, seperti penurunan daya beli.
Berdasarkan monitoring yang dilakukan oleh Pusat Informasi Harga Pangan Strategis
sejak November 2021 hingga Agustus 2022 minyak goreng merupakan kebutuhan pokok
yang yang mengalami kenaikan harga secara signifikan dan terjadi merata di seluruh
indonesia, termasuk Jawa Barat. Dampak negatif dapat diatasi jika, fluktuasi harga dapat
diprediksi sebelumnya. Salah satu metode yang umum digunakan untuk prediksi fluktuasi
harga adalah LSTM. LSTM merupakan bagian dari deep Learning yang khusus
menangani data time series. Pada penelitian ini, penulis membangun model prediksi harga
minyak goreng curah dan kemasan pasa pasar tradisional di provinsi Jawa Barat
menggunakan metode Long Short-Term Memory (LSTM). Pemodelan prediksi harga
minyak goreng curah dan kemasan telah berhasil dibentuk dan memperoleh nilai yang
cukup baik untuk memprediksi harga di pasar tradisional. Berdasarkan beberapa
bercobaan yang dilakukan, hasil model prediksi terbaik untuk harga minyak goreng curah
dan kemasan diperoleh nilai NRMSE terkecil sebesar 0,01751 dan 0,03278. Berdasarkan
nilai NRMSE yang diperoleh, pembentukan model menggunakan LSTM menunjukan
hasil pada model mendekati variasi nilai aktualnya. A significant increase of price of basic necessities will have a negative impact
on the economy of the Indonesian people, such as a decrease in purchasing power. Based
on monitoring conducted by the Strategic Food Price Information Center from November
2021 to August 2022, cooking oil is a basic need that has experienced significant price
increases and is occurring evenly throughout Indonesia, including West Java. Negative
impacts can be overcome if price fluctuations can be predicted beforehand. One of the
commonly used methods for predicting price fluctuations is LSTM. LSTM is part of deep
learning that specifically handles time series data. In this study, the authors built a price
prediction model for bulk cooking oil and packaging in traditional markets in West Java
province using the Long Short-Term Memory (LSTM) method. Price prediction modeling
for bulk and packaged cooking oil has been successfully established and obtained a good
enough value to predict prices in traditional markets. Based on several experiments
conducted, the best prediction model results for bulk and packaged cooking oil prices
obtained the smallest NRMSE values of 0.01751 and 0.03278. Based on the NRMSE
values obtained, the model formation using LSTM shows that the results on the model are
close to the actual value variations.
Collections
- UT - Computer Science [2236]