PENERAPAN LSTM DAN GRU UNTUK PREDIKSI HARGA CABAI MERAH DI KOTA JAWA TIMUR

Maggie Lim; Teny Handhayani

doi:10.23960/jitet.v13i2.6467

Maggie Lim
Univeritas Tarumanagara
Teny Handhayani
Univeritas Tarumanagara

DOI: https://doi.org/10.23960/jitet.v13i2.6467

Abstract Views (Last 12 Months)

1126 Abstract Views

908 Downloads

Abstract

Fluktuasi harga cabai merah di Jawa Timur, yang dipengaruhi oleh berbagai faktor seperti musim tanam, cuaca, dan permintaan pasar, menjadi perhatian penting dalam menjaga stabilitas ekonomi. Dalam penelitian ini, digunakan dua algoritma Recurrent Neural Networks (RNN), yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), untuk memprediksi harga cabai merah di Jawa Timur. Pengujian dilakukan dengan menggunakan dua skenario data latih, yaitu 70% dan 80%, dengan jumlah epoch tetap sebanyak 50. Hasil pengujian menunjukkan bahwa LSTM memberikan hasil yang lebih baik pada skenario 80% data latih, dengan nilai Mean Absolute Error (MAE) sebesar 1458,764, Root Mean Squared Error (RMSE) 2596,010, dan koefisien determinasi (R²) 0,978. Sementara itu, GRU menunjukkan sedikit keunggulan pada 70% data latih, dengan MAE 1742,027, RMSE 2820,462, dan R² 0,969. Secara keseluruhan, LSTM lebih optimal pada jumlah data latih yang lebih besar, sedangkan GRU lebih stabil pada data latih yang lebih kecil. Penelitian ini menyarankan pemilihan algoritma berdasarkan jumlah data latih yang tersedia untuk prediksi harga cabai merah yang lebih akurat.

Downloads

Download data is not yet available.

References

M. K. Sholihin, “Pengaruh Upah Minimum Dan Tingkat Pengangguran Terhadap Jumlah Penduduk Miskin Di Provinsi Jawa Timur,” GEMAH RIPAH: Jurnal Bisnis, vol. 1, no. 01, pp. 1–7, Dec. 2021, Accessed: Nov. 29, 2024. [Online]. Available: https://aksiologi.org/index.php/gemahripah/article/view/134

B. Sayaka, N. Wahida, T. Sudaryanto, and S. Wahyuni, “Upaya Petani Dan Pemerintah Menghadapi Bencana Kekeringan,” Forum penelitian Agro Ekonomi, vol. 40, no. 1, p. 25, Dec. 2022, doi: 10.21082/fae.v40n1.2022.25-38.

A. Hidayat, “Dampak Perubahan Iklim Terhadap Pertanian Dan Strategi Adaptasi Yang Diterapkan Oleh Petani,” May 2023, doi: 10.31219/OSF.IO/MW5GE.

S. A. Wulandari, “Fluktuasi Harga Cabai Merah Di Masa Pandemi Covid 19 Di Kota Jambi,” Jurnal MeA (Media Agribisnis), vol. 5, no. 2, pp. 112–120, Oct. 2020, Accessed: Nov. 29, 2024. [Online]. Available: https://mea.unbari.ac.id/index.php/MEA/article/view/82

B. G. Hendratri, J. Iswanto, A. Tohawi, Subekan, and A. Y. Dianto, “Pengaruh Fluktuasi Harga Cabai Rawit dan Dampaknya pada Daya Beli Konsumen di Pasar Wage Nganjuk:,” Jurnal Kolaboratif Sains, vol. 6, no. 11, pp. 1595–1600, Nov. 2023, doi: 10.56338/JKS.V6I11.4651.

M. R. Susila, “Pengaruh Hari Raya Idul Fitri Terhadap Inflasi Di Indonesia Dengan Pendekatan Arimax (Variasi Kalender),” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 14, no. 3, pp. 369–378, Oct. 2020, doi: 10.30598/BAREKENGVOL14ISS3PP369-378.

A. M. Windhy and A. S. Jamil, “Peramalan Harga Cabai Merah Indonesia: Pendekatan ARIMA,” AGRIEKSTENSIA : Jurnal Penelitian Terapan Bidang Pertanian, vol. 20, no. 1, pp. 90–106, Jul. 2021, doi: 10.34145/AGRIEKSTENSIA.V20I1.1502.

A. N. Putri and A. K. Wardhani, “Penerapan Metode Single Moving Average Untuk Peramalan Harga Cabai Rawit Hijau,” Indonesian Journal of Technology, Informatics and Science (IJTIS), vol. 2, no. 1, pp. 37–40, Dec. 2020, Accessed: Nov. 29, 2024. [Online]. Available: https://jurnal.umk.ac.id/index.php/ijtis/article/view/5653

A. Winata, M. D. Lauro, and T. Handhayani, “Analysis and Prediction of Foodstuffs Prices in Tasikmalaya Using ELM and LSTM,” Sistemasi: Jurnal Sistem Informasi, vol. 12, no. 3, pp. 874–887, Sep. 2023, doi: 10.32520/STMSI.V12I3.3145.

H. Yurdoğlu and Ö. Güleç, “A Case Study For Preventing Electricity Over-Consumption Using Deep Learning In Textile Industry,” Journal of Engineering Sciences and Design, vol. 11, no. 4, pp. 1383–1397, Dec. 2023, doi: 10.21923/JESD.1308899.

H. N. Bhandari, B. Rimal, N. R. Pokhrel, R. Rimal, K. R. Dahal, and R. K. C. Khatri, “Predicting stock market index using LSTM,” Machine Learning with Applications, vol. 9, p. 100320, Sep. 2022, doi: 10.1016/J.MLWA.2022.100320.

T. Handhayani, C. Tanudy, and J. Hendryli, “Prediksi Harga Emas di Indonesia Menggunakan Gated Recurrent Unit,” JURNAL FASILKOM, vol. 13, no. 3, pp. 480–488, Dec. 2023, doi: 10.37859/JF.V13I3.6185.

M. Oni, M. D. Lauro, A. Winata, and T. Handhayani, “Analysis And Forecasting of Foodstuffs Prices in Bandung Using Gated Recurrent Unit,” Jurnal Esensi Infokom : Jurnal Esensi Sistem Informasi dan Sistem Komputer, vol. 7, no. 2, pp. 15–21, Oct. 2023, doi: 10.55886/INFOKOM.V7I2.651.

A. Lawi, H. Mesra, and S. Amir, “Implementation of Long Short-Term Memory and Gated Recurrent Units on grouped time-series data to predict stock prices accurately,” J Big Data, vol. 9, no. 1, pp. 1–19, Dec. 2022, doi: 10.1186/S40537-022-00597-0/FIGURES/16.

A. Tholib, N. K. Agusmawati, and F. Khoiriyah, “Prediksi Harga Emas Menggunakan Metode LSTM Dan GRU,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 11, no. 3, Aug. 2023, doi: 10.23960/JITET.V11I3.3250.

W. Hastomo, A. S. B. Karno, N. Kalbuana, E. Nisfiani, and L. ETP, “Optimasi Deep Learning untuk Prediksi Saham di Masa Pandemi Covid-19,” Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 7, no. 2, p. 133, Aug. 2021, doi: 10.26418/JP.V7I2.47411.

S. Nosouhian, F. Nosouhian, and A. Kazemi Khoshouei, “A Review of Recurrent Neural Network Architecture for Sequence Learning: Comparison between LSTM and GRU,” Jul. 2021, doi: 10.20944/PREPRINTS202107.0252.V1.

T. O. Hodson, “Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not,” Geosci Model Dev, vol. 15, no. 14, pp. 5481–5487, Jul. 2022, doi: 10.5194/GMD-15-5481-2022.

A. A. Suryanto and A. Muqtadir, “Penerapan Metode Mean Absolute Error (MEA) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi,” SAINTEKBU, vol. 11, no. 1, pp. 78–83, Feb. 2019, doi: 10.32764/SAINTEKBU.V11I1.298.

D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” PeerJ Comput Sci, vol. 7, pp. 1–24, Jul. 2021, doi: 10.7717/PEERJ-CS.623/SUPP-1.

R. Ahmed, V. Sreeram, Y. Mishra, and M. D. Arif, “A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization,” Renewable and Sustainable Energy Reviews, vol. 124, p. 109792, May 2020, doi: 10.1016/J.RSER.2020.109792.

M. Ćalasan, S. H. E. Abdel Aleem, and A. F. Zobaa, “On the root mean square error (RMSE) calculation for parameter estimation of photovoltaic models: A novel exact analytical solution based on Lambert W function,” Energy Convers Manag, vol. 210, p. 112716, Apr. 2020, doi: 10.1016/J.ENCONMAN.2020.112716.

F. Rustam et al., “COVID-19 Future Forecasting Using Supervised Machine Learning Models,” IEEE Access, vol. 8, pp. 101489–101499, 2020, doi: 10.1109/ACCESS.2020.2997311.

J. Kaliappan, K. Srinivasan, S. Mian Qaisar, K. Sundararajan, C. Y. Chang, and C. Suganthan, “Performance Evaluation of Regression Models for the Prediction of the COVID-19 Reproduction Rate,” Front Public Health, vol. 9, p. 729795, Sep. 2021, doi: 10.3389/FPUBH.2021.729795/BIBTEX.

G. Huang, “Missing data filling method based on linear interpolation and lightgbm,” J Phys Conf Ser, vol. 1754, no. 1, p. 012187, Feb. 2021, doi: 10.1088/1742-6596/1754/1/012187.