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.
Collections
- UT - Computer Science [2322]