Penerapan LSTM Dalam Deep Learning Untuk Prediksi Harga Kopi Jangka Pendek Dan Jangka Panjang

Rifqi Muhammad
Ida Nurhaida


DOI: https://doi.org/10.29100/jipi.v10i1.5904

Abstract


Harga kopi sering mengalami berfluktuasi dalam dua tahun terakhir, terlebih harga kopi Arabika dan Robusta terus mengalami fluktuasi yang signifikan, naik dan turun secara berkelanjutan. Data historis menunjukkan variasi yang cukup signifikan dari tahun 2010 hingga Mei 2024. Penelitian ini bertujuan untuk meramalkan harga kopi Arabika dan Robusta baik dalam jangka pendek maupun jangka panjang dengan menggunakan model Long Short-Term Memory (LSTM). Metode yang digunakan yaitu data preparation, pre-processing data, model training, model testing, model evaluation dan data visualization. Performa model yang terbaik dengan menggunakan learning rate 0.0001 dan epoch 150, hal ini ditunjukan oleh tingkat error yang rendah yaitu 1021.5773 menggunakan Root Mean Squared Error (RMSE) dan 660.4265 Mean Absolute Error (MAE). Nilai tersebut diperoleh dengan data training 80% dan data testing 20%, menggunakan 60 timesteps, 225 neuron hidden layer, dan memanfaatkan metode optimasi Adam. Dengan demikian algoritma LSTM dengan performa model tersebut dapat melakukan prediksi harga yang akurat.

Keywords


Harga Kopi; Prediksi; Kecerdasan Buatan; Deep Learning; Long Short Term Memory;

Full Text:

PDF

Article Metrics :

References


Z. Bastari, D. B. Hakim dan A. F. Falatehan, “Integrasi Pasar Kopi Robusta Lampung dengan Pasar Bursa London,” Jurnal Ekonomi Pertanian dan Agribisnis (JEPA), vol. 4, no. 2, pp. 893-907, 2020.

B. Rahardjo, B. M. B. Akbar, Y. Iskandar and A. Shalehah, "Analysis and strategy for improving Indonesian coffee competitiveness in the international market," BISMA (Bisnis Dan Manajemen), vol. 12, no. 2, pp. 154-167, 2020.

N. Muhamad, "Indonesia Jadi Produsen Kopi Terbesar Ketiga di Dunia pada 2022/2023," 06 July 2023. [Online]. Available: https://databoks.katadata.co.id/datapublish/2023/07/06/indonesia-jadi-produsen-kopi-terbesar-ketiga-di-dunia-pada-20222023. [Accessed 22 April 2024].

N. C. Simorangkir and N. Rosiana, "Analisis efisiensi pemasaran kopi robusta," Jurnal Agribisnis Indonesia (Journal of Indonesian Agribusiness), vol. 10, no. 1, pp. 113-125, 2022.

P. Nainggolan, S. S. B. Girsang, M. A. Girsang and T. Purba, "Kopi Arabika Sumatra Utara: Komoditas Ekspor untuk Kesejahteraan Petani," National Research and Innovation Agency, 2023.

Bappebti, "Harga Bursa (Forward-Futures-Spot)," BAPPEBTI - Kementerian Perdagangan. [Online]. [Accessed 25 April 2024].

T. Prasetyo, R. A. Putri, D. Ramadhani, Y. Angraini and K. A. Notodiputro, "Perbandingan Kinerja Metode Arima, Multi-Layer Perceptron, dan Random Forest dalam Peramalan Harga Logam Mulia Berjangka yang Mengandung Pencilan," Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 2, pp. 265-274, 2024.

R. Julian and M. R. Pribadi, "Peramalan harga saham pertambangan pada bursa efek indonesia (BEI) menggunakan long short term memory (LSTM)," JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 8, no. 3, pp. 1570-1580, 2021.

C. D. I. Suryaningrum, N. Yudistira and K. Rahman, "Perbandingan Metode Fuzzy Time Series Average-Based Interval dan Long Short- Term Memory untuk Peramalan Harga Komoditi Kopi Arabika Sumatera Utara," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 8, pp. 3708-3715, 2022.

C. C. Sumarga, D. E. Herwindiati and J. Hendryli, "Rancangan Sistem Prediksi Harga Saham dengan Menggunakan Metode LSTM dan ARMA klasik," Jurnal Ilmu Komputer dan Sistem Informasi, vol. 11, no. 1, 2023.

J. S. Prasetyo, "Stock Price Prediction Using Machine Learning With Long Short Therm Memory Method (LSTM)," KILAT, vol. 12, no. 1, pp. 64-78, 2023.

G. Budiprasetyo, M. Hani’ah and D. Z. Aflah, "Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM)," Jurnal Nasional Teknologi dan Sistem Informasi , vol. 8, no. 3, pp. 164-172, 2023.

Y. Setiawan and P. Kartikasari, "Prediksi Harga Jual Kakao Dengan Metode Long Short-term Memory Menggunakan Metode Optimasi Root Mean Square Propagation Dan Adaptive Moment Estimation Dilengkapi Gui Rshiny," Jurnal Gaussian, vol. 11, no. 1, p. 99–107, 2022.

P. N. Yulisa, M. Al-Haris and P. R. Arum, "Peramalan Nilai Ekspor Migas di Indonesia dengan Model Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU)," J Statistika: Jurnal Ilmiah Teori Dan Aplikasi Statistika, vol. 16, no. 1, pp. 328-341, 2023.

R. M. S. Adi and S. Sudianto, "Prediksi Harga Komoditas Pangan Menggunakan Algoritma Long Short-Term Memory (LSTM)," Building of Informatics, Technology and Science (BITS), vol. 4, no. 2, pp. 1137-1145, 2022.

P. Li, X. Rao, J. Blase, Y. Zhang, X. Chu and C. Zhang, "CleanML: A Study for Evaluating the Impact of Data Cleaning on ML Classification Tasks," IEEE 37th International Conference on Data Engineering (ICDE), pp. 13-24, 2021.

J. Brownlee, Data preparation for machine learning: data cleaning, feature selection, and data transforms in Python. Machine Learning Mastery, 2020.

L. Deng and D. Yu, "Deep Learning: Method and Applications," Foundations and trends in signal processing, vol. 7, no. 3-4, pp. 197-387, 2014.

M. M. Taye, "Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions," Computers, vol. 12, no. 5, p. 91, 2023.

S. Hochreiter and J. Schmidhuber, "Long shortterm memory," Neural Comput, vol. 9, no. 8, p. 1735–1780, 1997.

M. Hussein and Y. Azhar, "Prediksi Harga Minyak Dunia Dengan Metode Deep Learning," Fountain of Informatics Journal, vol. 6, no. 1, pp. 29-34, 2021.

S. R. Patra and H. J. Chu, "Regional groundwater sequential forecasting using global and local LSTM models," Journal of Hydrology: Regional Studies, vol. 47, 2023.

M. M. Bejani and M. Ghatee, "A systematic review on overfitting control in shallow and deep neural networks," Springer: Berlin/Heidelberg, vol. 54, no. 8, pp. 6391-6438, 2021.

N. Rochmawati, H. B. Hidayati, Y. Hidayati, H. P. A. Tjahyaningtijas, W. Yustanti and A. Prihanto, "Analisa Learning Rate dan Batch Size pada Klasifikasi Covid Menggunakan Deep Learning dengan Optimizer Adam," JIEET (Journal of Information Engineering and Educational Technology), vol. 5, no. 2, pp. 44-48, 2021.