<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "Prediksi Harga Beras Menggunakan Long Short-Term Memory \r\n(LSTM)"^^ . "Muhamad Yuda, 2024. Prediksi Harga Beras Menggunakan Long Short-Term Memory \r\n(LSTM). Dibawah bimbingan Ibu Dr. Herfina., M.Pd,. M.Kom. dan Dr. Fajar Delli, \r\nM.Kom.\r\nPenelitian ini dilatar belakangi oleh beras yang merupakan makanan pokok bagi \r\nsebagian besar populasi dunia, terutama di Asia. Stabilitas harga beras diperlukan untuk \r\nmemastikan ketahanan pangan dan kesejahteraan masyarakat. Harga beras dipengaruhi oleh \r\nberbagai faktor ekonomi seperti inflasi, tingkat pengangguran, dan daya beli masyarakat, serta \r\nfaktor produksi seperti cuaca, teknologi pertanian, dan distribusi. Kebijakan pemerintah, \r\nseperti subsidi, tarif impor, dan program bantuan pangan, juga berperan dalam menentukan \r\nharga beras. Dengan prediksi yang akurat, pemerintah dan pelaku pasar dapat mengambil \r\nlangkah yang tepat untuk mengelola stok, mengatur distribusi, dan menetapkan kebijakan yang \r\nmendukung stabilitas harga beras.\r\nPrediksi harga beras memiliki berbagai manfaat penting, termasuk menjaga stabilitas \r\nekonomi dengan meminimalkan fluktuasi harga yang dapat mempengaruhi inflasi dan daya \r\nbeli masyarakat. Selain itu, prediksi harga membantu dalam perencanaan produksi dan \r\ndistribusi, memastikan ketahanan pangan dengan menghindari kekurangan atau kelebihan stok. \r\nPrediksi yang akurat juga memungkinkan pemerintah untuk merumuskan kebijakan yang tepat, \r\nseperti subsidi atau tarif impor, guna mengatur pasar dan melindungi petani serta konsumen. \r\nDengan informasi prediktif, pelaku pasar dapat membuat keputusan bisnis yang lebih baik, \r\nmengurangi risiko, dan meningkatkan efisiensi operasional.\r\nPengujian dimulai dari tahap pengumpulan data berupa data harga beras yang di ambil \r\ndari website PIHPS (Pusat Informasi Harga Pangan Strategis) pada ada sembilan kota dan \r\nkabupaten yang tersebar di Jawa Barat, data berjumlah 1414 dari bulan Januari 2019 hingga \r\nbulan Februari 2024, Dan setelah dilakukan perbandingan metrik evaluasi dari kedua metode \r\nmenggunakan RMSE dan MAPE, dapat disimpulkan bahwa model menggunakan metode \r\nLSTM dengan MAPE dan RMSE sebesar 0.02% dan 0.153073, Model dengan pembagian data \r\nlatih sebesar 90% dan data uji sebesar 10% menggunakan parameter yang meliputi batch size\r\nsebanyak 64 dan epoch sebanyak 250"^^ . "2024-07-31" . . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan"^^ . . . . . . . . . . . . . . . . . . "Muhamad"^^ . "Yuda"^^ . "Muhamad Yuda"^^ . . "Herfina"^^ . "Herfina"^^ . "Herfina Herfina"^^ . . "Fajar"^^ . "Delli W"^^ . "Fajar Delli W"^^ . . . . . . "Prediksi Harga Beras Menggunakan Long Short-Term Memory \r\n(LSTM) (Text)"^^ . . . "065119014_Muhamad Yudha_ Skripsi_ Fix Pdf.pdf"^^ . . "HTML Summary of #8016 \n\nPrediksi Harga Beras Menggunakan Long Short-Term Memory \n(LSTM)\n\n" . "text/html" . . . "Ilmu Komputer"@en . .