Prediksi Harga Beras Menggunakan Long Short-Term Memory (LSTM)

Yuda, Muhamad and Herfina, Herfina and Delli W, Fajar (2024) Prediksi Harga Beras Menggunakan Long Short-Term Memory (LSTM). Skripsi thesis, Universitas Pakuan.

Text 065119014_Muhamad Yudha_ Skripsi_ Fix Pdf.pdf Download (2MB)

Abstract

Muhamad Yuda, 2024. Prediksi Harga Beras Menggunakan Long Short-Term Memory (LSTM). Dibawah bimbingan Ibu Dr. Herfina., M.Pd,. M.Kom. dan Dr. Fajar Delli, M.Kom. Penelitian ini dilatar belakangi oleh beras yang merupakan makanan pokok bagi sebagian besar populasi dunia, terutama di Asia. Stabilitas harga beras diperlukan untuk memastikan ketahanan pangan dan kesejahteraan masyarakat. Harga beras dipengaruhi oleh berbagai faktor ekonomi seperti inflasi, tingkat pengangguran, dan daya beli masyarakat, serta faktor produksi seperti cuaca, teknologi pertanian, dan distribusi. Kebijakan pemerintah, seperti subsidi, tarif impor, dan program bantuan pangan, juga berperan dalam menentukan harga beras. Dengan prediksi yang akurat, pemerintah dan pelaku pasar dapat mengambil langkah yang tepat untuk mengelola stok, mengatur distribusi, dan menetapkan kebijakan yang mendukung stabilitas harga beras. Prediksi harga beras memiliki berbagai manfaat penting, termasuk menjaga stabilitas ekonomi dengan meminimalkan fluktuasi harga yang dapat mempengaruhi inflasi dan daya beli masyarakat. Selain itu, prediksi harga membantu dalam perencanaan produksi dan distribusi, memastikan ketahanan pangan dengan menghindari kekurangan atau kelebihan stok. Prediksi yang akurat juga memungkinkan pemerintah untuk merumuskan kebijakan yang tepat, seperti subsidi atau tarif impor, guna mengatur pasar dan melindungi petani serta konsumen. Dengan informasi prediktif, pelaku pasar dapat membuat keputusan bisnis yang lebih baik, mengurangi risiko, dan meningkatkan efisiensi operasional. Pengujian dimulai dari tahap pengumpulan data berupa data harga beras yang di ambil dari website PIHPS (Pusat Informasi Harga Pangan Strategis) pada ada sembilan kota dan kabupaten yang tersebar di Jawa Barat, data berjumlah 1414 dari bulan Januari 2019 hingga bulan Februari 2024, Dan setelah dilakukan perbandingan metrik evaluasi dari kedua metode menggunakan RMSE dan MAPE, dapat disimpulkan bahwa model menggunakan metode LSTM dengan MAPE dan RMSE sebesar 0.02% dan 0.153073, Model dengan pembagian data latih sebesar 90% dan data uji sebesar 10% menggunakan parameter yang meliputi batch size sebanyak 64 dan epoch sebanyak 250

Item Type:	Thesis (Skripsi)
Subjects:	Fakultas Ilmu Pengetahuan Alam dan Matematika > Ilmu Komputer
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer
Depositing User:	PERPUSTAKAAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNPAK
Date Deposited:	22 Aug 2024 03:53
Last Modified:	22 Aug 2024 03:53
URI:	http://eprints.unpak.ac.id/id/eprint/8016

Actions (login required)

View Item