Perbandingan Performa Metode Multiple-Input Multiple-Output LSTM dan GRU untuk Peramalan Harga Daging Sapi di Pulau Jawa

Abstract

Metode deep learning semakin populer karena kemampuannya dalam menangani pola data yang kompleks melalui penggunaan multiple layer dalam algoritmanya. Deep learning juga dapat diterapkan pada data multivariat menggunakan pendekatan Multiple-Input Multiple-Output (MIMO). MIMO dirancang agar model menerima beberapa input dan menghasilkan beberapa output secara bersamaan. Permasalahannya adalah harga daging sapi memiliki karakteristik yang berfluktuasi, nonstasioner, dan nonlinear. Sebagai upaya mengatasi permasalahan tersebut, penelitian ini menggunakan metode MIMO LSTM dan MIMO GRU. Metode ini mampu mempertahankan informasi jangka panjang guna meningkatkan akurasi peramalan. Peramalan dilakukan untuk membantu pemerintah dan masyarakat dalam mengantisipasi perubahan harga daging sapi. Penelitian ini menggunakan data harga daging sapi mingguan mulai dari periode minggu pertama Januari 2019 hingga minggu pertama April 2024. Metode MIMO LSTM dan GRU menggunakan input dan output berupa harga daging sapi di 6 provinsi di Pulau Jawa. Metode MIMO GRU terbukti lebih efektif dalam meramalkan harga daging sapi di Pulau Jawa dibandingkan dengan metode MIMO LSTM karena memiliki performa model lebih baik. Model MIMO GRU terbaik adalah model dengan time steps 1, kombinasi hyperparameter epoch 100, batch size 64, dan learning rate 0,001. Model tersebut menghasilkan performa nilai RMSE sebesar 2987,46 dan MAPE sebesar 1,82% yang masuk dalam kategori model sangat baik untuk prediksi.

Deep learning methods are gaining popularity due to their ability to handle complex data patterns through multiple layers in their algorithms. Deep learning can also be applied to multivariate data using the Multiple-Input Multiple-Output (MIMO) approach. MIMO is designed so that the model accepts multiple inputs and produces multiple outputs simultaneously. The challenge is that beef prices have fluctuating characteristics, are nonstationary, and nonlinear. To address these challenges, this study employs the MIMO LSTM and MIMO GRU methods. Which are capable of retaining long-term information to improve forecasting accuracy. The forecasts aim to assist the government and public in anticipating changes in beef prices. This study uses weekly beef price data starting from the first week of January 2019 to the first week of April 2024. Both the MIMO LSTM and GRU methods use inputs and outputs comprising beef prices from 6 provinces in Java Island. The MIMO GRU model outperforms MIMO LSTM in predicting prices due to better model performance. The best MIMO GRU model uses a time step of 1, a hyperparameter combination of epoch 100, batch size 64, and learning rate of 0,001. The model produces an RMSE value of 2987,46 and MAPE of 1,82%, placing it in the category of an excellent predictive model.