Komparasi Metode Multilayer Perceptron (MLP) dan Long Short Term Memory (LSTM) dalam Peramalan Harga Beras
Steven Sen, Dedy Sugiarto, Abdul Rochman
Abstract
Beras adalah salah satu komoditas utama di masyarakat Indonesia. Masalah utama dengan beras secara nasional adalah inflasi harga beras. Oleh karena itu, penelitian ini memprediksi harga beras menggunakan arsitektur jaringan saraf tiruan Multilayer Perceptron (MLP) dan deep learning : Long Short Term Memory (LSTM) untuk mengantisipasi masalah ini. Data yang digunakan dalam penelitian ini adalah data riil harga beras selama 2016 - 2019 yang diperoleh dari PT. Food Station. Total dataset adalah 1307 dengan distribusi 1123 sebagai data train dan 184 sebagai data uji. Hasil akhir yang diperoleh dalam penelitian ini adalah LSTM lebih unggul dari MLP, dengan nilai Root Mean Square Error (RMSE) data train : 0,49, dan nilai loss RMSE dari data tes adalah 0,27. Model LSTM paling optimal dari 3 tes dilakukan, yaitu jumlah hidden layer = 16 dan epochs = 150 kali.