Prediksi Harga Beras di Sulawesi Utara Menggunakan Metode Long Short-Term Memory

Green Ferry Mandias; Marchel Thimoty Tombeng; Reynoldus Andrias Sahulata; Rolly Junius Lontaan

doi:10.47134/jacis.v6i2.206

Authors

Green Ferry Mandias Universitas Klabat
Marchel Thimoty Tombeng Universitas Klabat
Reynoldus Andrias Sahulata Universitas Klabat
Rolly Junius Lontaan Universitas Klabat

DOI:

https://doi.org/10.47134/jacis.v6i2.206

Keywords:

Prediksi Harga Beras, LSTM, Deep Learning, MAE

Abstract

Fluktuasi harga beras merupakan salah satu tantangan utama dalam menjaga stabilitas pangan dan mendukung pengambilan keputusan pada sektor pertanian. Penelitian ini bertujuan mengembangkan model Long Short-Term Memory (LSTM) untuk memprediksi harga beras harian di Provinsi Sulawesi Utara menggunakan data historis harga sebagai data deret waktu. Sebelum proses pelatihan, data melalui tahap preprocessing yang meliputi pembersihan data, normalisasi, dan pembentukan sliding window selama 30 hari sebagai masukan untuk memprediksi harga pada hari berikutnya. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model menghasilkan MAE sebesar Rp320,11 dan RMSE sebesar Rp435,25, serta mampu mengikuti tren pergerakan harga dengan baik. Meskipun demikian, model masih mengalami keterlambatan (lagging) ketika menghadapi perubahan harga yang berlangsung secara tiba-tiba. Temuan ini menunjukkan bahwa LSTM memiliki potensi sebagai baseline model untuk prediksi harga beras berbasis data deret waktu, sekaligus menjadi dasar pengembangan model yang mengintegrasikan variabel eksternal guna meningkatkan akurasi prediksi.

References

[1] Y. T. R. Tanduk, H. Hapid, and R. S. Hamid, “Analisis Faktor yang Mempengaruhi Harga Pembelian Beras di Pasar,” EKUILNOMI J. Ekon. Pembang., vol. 8, no. 1, pp. 301–309, 2026, doi: 10.36985/0jk5x698.

[2] E. D. Silvia, R. Susanti, F. Ariani, and M. Yunus, “Dampak Perubahan Harga Beras terhadap Kesejahteraan Petani (Studi Kasus Nagari Panyakalan Kabupaten Solok),” J. Alwatzikhoebillah, vol. 10, no. 2, pp. 475–480, 2024, doi: 10.37567/alwatzikhoebillah.v10i2.2874.

[3] A. Santoso, A. I. Purnamasari, and I. Ali, “Prediksi Harga Beras Menggunakan Metode Recurrent Neural Network dan Long Short-Term Memory,” J. PROSISKO, vol. 11, no. 1, pp. 128–136, 2024, doi: 10.30656/prosisko.v11i1.7921.

[4] K. Fadilah and P. Swastika, “Pengaruh Produksi Padi, Impor Beras dan Konsumsi Beras Terhadap Harga Beras di Indonesia Tahun 2004-2023,” Al-Masharif J. Ilmu Ekon. dan Keislam., vol. 13, no. 1, pp. 1–13, 2025, doi: 10.24952/masharif.v13i1.14930.

[5] A. Pala and W. Windasari, “Prediksi Harga Komoditas Pertanian Beras Dengan Metode Hybrid ARIMA dan Neural Network di Daerah Istimewa Yogyakarta,” JASTECH J. Appl. Sci. Inf. Technol., vol. 1, no. 1, pp. 126–145, 2025, doi: 10.32639/d3m0cb17.

[6] M. D. Safitri, E. Proborini, and F. H. Asy’ari, “Implementasi Algoritma Deep Learning Terintegrasi CNN dan LSTM untuk Memprediksi Harga Komoditas Pangan di Pasar Indonesia,” J. Inform. Kaputama, vol. 9, no. 2, pp. 78–86, 2025, doi: 10.59697/jik.v9i2.1006.

[7] E. Pramudya, D. Retnoningsih, and D. Ruswanti, “Implementasi Metode LSTM untuk Prediksi Harga Saham PT Indofood CBP Sukses Makmur TBK,” JNATIA J. Nas. Teknol. Inf. dan Apl., vol. 3, no. 4, pp. 933–940, 2025, doi: 10.24843/JNATIA.2025.v03.i04.p24.

[8] R. A. Pramunendar, D. P. Prabowo, and R. A. Megantara, “Metode Recurrent Neural Network (RNN) dengan Arsitektur LSTM untuk Analisis Sentimen Opini Publik Terkait Vaksin COVID-19,” J. Inform. UPGRIS, vol. 8, no. 1, pp. 44–48, 2022.

[9] R. Septiana et al., “Prediksi Harga Emas Indonesia Menggunakan Model CNN-LSTM,” INFOMATEK J. Inform. Manaj. dan Teknol., vol. 27, no. 1, pp. 131–138, 2025, doi: 10.23969/infomatek.v27i1.24417.

[10] Y. Ashari and A. Suhendar, “Implementasi Algoritma Long Short-Term Memory (LSTM) untuk Memprediksi Harga Beras di Jawa Tengah Berdasarkan Cuaca,” Djtechno J. Teknol. Inf., vol. 5, no. 3, pp. 624–636, 2024, doi: 10.46576/djtechno.

[11] P. C. Adhany, C. Wulandari, B. Intan, and B. Santoso, “Prediksi Padi Menggunakan Algoritma Long Short Term Memory,” J. Informatics Manag. Inf. Technol., vol. 5, no. 2, pp. 120–127, 2025, doi: 10.47065/jimat.v5i2.496.

[12] A. T. Widiyatmoko, S. Butsianto, and A. Nugroho, “Application of Machine Learning for Premium Rice Price Increase Prediction Using Linear Regression Algorithm,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 1125–1132, 2025, doi: 10.57152/malcom.v5i3.2123.

[13] A. Hanafiah, Y. Arta, H. O. Nasution, and Y. D. Lestari, “BULLETIN OF COMPUTER SCIENCE RESEARCH Penerapan Metode Recurrent Neural Network dengan Pendekatan Long Short-Term Memory (LSTM) Untuk Prediksi Harga Saham,” Bull. Comput. Sci. Res., vol. 4, no. 1, pp. 27–33, 2023, doi: 10.47065/bulletincsr.v4i1.321.

[14] F. I. Sanjaya, D. Heksaputra, U. T. Yogyakarta, F. Komputer, U. A. Ata, and H. Beras, “Prediksi Rerata Harga Beras Tingkat Grosir Indonesia dengan Long Short Term Memory 1,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 2, pp. 163–174, 2020, doi: 10.35957/jatisi.v7i2.388.

[15] F. Sun, X. Meng, Y. Zhang, Y. Wang, H. Jiang, and P. Liu, “Agricultural Product Price Forecasting Methods : A Review,” agriculture, vol. 13, no. 9, pp. 1–20, 2023, doi: 10.3390/agriculture13091671.

[16] B. Lim, S. Zohren, and B. Lim, “Time-series forecasting with deep learning : a survey,” Philos. Trans. A, vol. 379, no. 2194, 2026, doi: 10.1098/rsta.2020.0209/248905/rsta.2020.0209.pdf.