Multivariate Forecasting Harga Pangan Sembako Melibatkan Faktor Eksternal Menggunakan Long-Short Term Memory.

Abstract

Forecasting harga pangan sembako telah dikembangkan oleh beberapa peneliti dengan beragam algoritme forecasting. Namun, penelitian sebelumnya hanya univariate forecasting dan perbandingan hasil error di antara algoritme forecasting. Penelitian ini bertujuan untuk melakukan multivariate forecasting harga pangan sembako di DKI Jakarta dengan melibatkan faktor ekonomi dan kesehatan menggunakan algoritme Long-Short Term Memory (LSTM) dimana untuk uji akurasi berdasarkan nilai MAPE. Algoritme LSTM untuk multivariate forecasting harga pangan sembako menghasilkan rata-rata MAPE sebesar 0,851% yang menunjukkan bahwa seluruh model dalam kategori akurasi sangat baik untuk forecasting komoditas pangan sembako yang diwakili. Selain itu, MAPE pada multivariate forecasting juga lebih baik bila dibandingkan MAPE pada univariate forecasting sebesar 1,249%. Secara global, variabel prediktor yang paling berpengaruh terhadap hasil forecast adalah variabel harga pangan sembako, BBM RON 92 (Pertamax), nilai tukar Rupiah terhadap US Dollar, tingkat inflasi, dan jumlah kasus positif aktif Covid-19.