Prediksi harga komoditas pangan di Jawa Tengah menggunakan metode Long Short-Term Memory

ABSTRAK:
Fluktuasi harga pangan di Provinsi Jawa Tengah menuntut ketersediaan sistem prediksi yang akurat sebagai dasar pengambilan keputusan berbasis data. Penelitian ini bertujuan untuk memprediksi harga harian sembilan komoditas pangan menggunakan metode Long Short-Term Memory (LSTM) serta mengevaluasi tingkat akurasinya menggunakan Mean Absolute Percentage Error (MAPE). Data harga harian periode 2020– 2025 diproses melalui tahapan imputasi Last Observation Carried Forward (LOCF), normalisasi Min–Max, dan pembentukan sliding window dengan ukuran 7, 14, dan 30 hari. Pengujian dilakukan menggunakan dua skenario input, yaitu univariate dan multivariate, dengan variasi jumlah unit LSTM sebesar 32 dan 64 unit. Hasil penelitian menunjukkan bahwa seluruh nilai MAPE berada di bawah 10%, yang menandakan tingkat akurasi prediksi yang sangat baik. Skenario univariate memberikan performa terbaik pada 8 dari 9 komoditas, dengan nilai MAPE terendah diperoleh pada Daging Sapi sebesar 0,10%, Minyak Goreng sebesar 0,14%, dan Beras sebesar 0,14%. Pada skenario multivariate, hasil terbaik dicapai pada konfigurasi window size 7–14 hari dengan 64 unit LSTM, dengan nilai MAPE terendah pada Gula Pasir sebesar 0,25% dan Minyak Goreng sebesar 0,32%. Secara keseluruhan, hasil penelitian menunjukkan bahwa input layer dengan jendela historis panjang lebih efektif untuk komoditas dengan fluktuasi harga tinggi, sedangkan input layer yang lebih pendek lebih sesuai untuk komoditas dengan pola harga stabil atau pada skenario multivariate. Temuan ini menegaskan bahwa metode LSTM, khususnya pada skenario univariate, merupakan pendekatan yang efektif untuk prediksi harga pangan harian dan dapat digunakan sebagai dasar pengembangan sistem prediksi harga pangan yang lebih akurat dan adaptif

ABSTRACT:

Fluctuations in food prices in Central Java Province require an accurate prediction system as a basis for data-driven decision making. This study aims to predict the daily prices of nine food commodities using the Long Short-Term Memory (LSTM) method and evaluate its accuracy using Mean Absolute Percentage Error (MAPE). Daily price data for the 2020–2025 period was processed through the Last Observation Carried Forward (LOCF) imputation stage, Min–Max normalization, and the formation of a sliding window with sizes of 7, 14, and 30 days. Testing was carried out using two input scenarios, namely univariate and multivariate, with variations in the number of LSTM units of 32 and 64 units. The results show that all MAPE values are below 10%, indicating a very good level of prediction accuracy. The univariate scenario provides the best performance for 8 out of 9 commodities, with the lowest MAPE values obtained for Beef at 0.10%, Cooking Oil at 0.14%, and Rice at 0.14%. In the multivariate scenario, the best results were achieved in the window size configuration of 7–14 days with 64 LSTM units, with the lowest MAPE values for Granulated Sugar at 0.25% and Cooking Oil at 0.32%. Overall, the results of the study show that input layers with long historical windows are more effective for commodities with high price fluctuations, while shorter input layers are more suitable for commodities with stable price patterns or in multivariate scenarios. These findings confirm that the LSTM method, particularly in univariate scenarios, is an effective approach for daily food price prediction and can be used as a basis for developing more accurate and adaptive food price prediction systems.

مستخلص البحث:

تطلب تقلبات أسعار املواد الغذائية يف مقاطعة جاوة الوسطى نظامًا دقيقًا للتنبؤ كأساس الختاذ القرارات املستندة إىل البياانت. هتدف هذه الدراسة إىل التنبؤ ابألسعار اليومية لتسع سلع غذائية ابستخدام طريقة الذاكرة الطويلة القصرية املدى(LSTM) وتقييم دقتها ابستخدام متوسط اخلطأ املطلق املئوي(MAPE). متت معاجلة بياانت األسعار اليومية للفرتة٢٠٢٠–٢٠٢٥من خالل مرحلة االستكمال ابلقيمة األخرية املالحظة(LOCF)، والتطبيعMin–Max، وتشكيل انفذة منزلقة أبحجام٧و١٤ و٣٠يومًا. مت إجراء االختبار ابستخدام سيناريوهني لإلدخال، ومها سيناريو أحادي املتغري وسيناريو متعدد املتغريات، مع اختالفات يف عدد وحداتLSTMمن٣٢إىل٦٤وحدة. أظهرت النتائج أن مجيع قيمMAPEكانت أقل من١٠٪، مما يشري إىل مستوى جيد جدًا من دقة التنبؤ. كان السيناريو أحادي املتغري هو األفضل ابلنسبة لـ٨من أصل٩سلع، حيث مت احلصول على أقل قيم MAPEللحوم البقر بنسبة٠٫١٠٪، وزيت الطهي بنسبة٠٫١٤٪، واألرز بنسبة٠٫١٤٪. يف السيناريو متعدد املتغريات، مت حتقيق أفضل النتائج مع تكوين حجم انفذة من٧إىل١٤يومًا و٦٤وحدةLSTM، مع أقل قيمMAPEللسكر احملبب عند٠٫٢٥٪ وزيت الطهي عند٠٫٣٢٪. بشكل عام، تشري نتائج الدراسة إىل أن طبقات اإلدخال ذات النوافذ التارخيية األطول تكون أكثر فعالية ابلنسبة للسلع اليت تتعرض لتقلبات سعرية عالية، يف حني أن طبقات اإلدخال األقصر تكون أكثر مالءمة للسلع ذات األمناط السعرية كد هذه النتائج أن طريقةاملستقرة أو يف السيناريوهات متعددة املتغريات. وتؤLSTM، ال سيما يف السيناريوهات أحادية املتغريات، كأساس لتطوير أنظمة تنبؤ أبسعار املواد الغذائية أكثر دقة وتكي هي هنج فعال للتنبؤ اليومي أبسعار املواد الغذائية وميكن استخدامه