PERBANDINGAN ARTIFICIAL NEURAL NETWORK METODE BACKPROPAGATION DENGAN LONG SHORT-TERM MEMORY DALAM PERAMALAN HARGA DAGING SAPI DI INDONESIA

Daging sapi merupakan salah satu komoditas penting dalam perekonomia Indonesia. Fluktasi harga daging sapi yang terjadi di Indonesia menjadi perhatian utama karena memberikan dampak terhadap stabilitasi ekonomi dan tantangan bagi pelaku pasar dan konsumen. Sehingga proses peramalan daging sapi memiliki peran yang sangat penting dalam perencanaan perekonomian nasional serta pengambilan keputasan di sektor pertanian dan industri pangan. Dalam penelitian ini, perbandingan dua metode algoritma yang popular digunakan dalam meramalamkan yaitu Artificial neural network (ANN) dengan data asli dan data yang diacak. Selain itu penelitian ini juga membandingkan metode Long Short-Term Memory (LSTM), untuk meramalkan harga daging sapi di Indonesia. Data harga daging sapi yang digunakan adalah data non temporal, terdiri dari periode 2017 sampai 2021. Kemudian data tersebut dibagi menjadi dua kelompok: data training yang digunakan untuk mengembangkan struktur model peramalan dan data testing sebagai evaluasi dari kinerja struktur model. Variabel input yang digunakan dalam penelitian ini ada produksi, impor, konsumsi, natal dan tahun baru, Ramadhan, dan idul adha, sedangkan untuk variabel output adalah harga daging sapi. Pada metode ANN dan LSTM sama-sama membangun empat arsitektur jaringan dengan berbagai neuron dan lampisan tersembunyi. Keunggulan metode LSTM memiliki keunggulan dalam memberikan prediksi selama 60 bulan kedepan. Keunggulan metode ANN adalah dengan proses konvergen yang jauh lebih cepat dibandingkan dengan LSTM. Pengujian akurasi terhadap hasil prediksi dilakukan menggunakan MAPE. Hasil penelitian menunjukkan bahwa kedua pendekatan memberikan hasil peramalan yang memuaskan. Namun, secara keseluruhan, LSTM memberikan peramalan yang lebih akurat dan mampu menangkap pola dari data input dan juga target yang kompleks serta mampu mengatasi data non-temporal. Menggunakan jumlah neuron pada hidden layer 25-15-5, Learning rate 0,001 dengan fungsi aktivasi sigmoid dan tanh, MAPE yang dihasilkan yaitu 2,34 %. Sedangkan pada ANN dengan data yang diacak menghasilkan MAPE sebesar 3%, menggunakan jumlah neuron pada hidden layer 6-4-2, Learning rate 0,001 dengan fungsi aktivasi sigmoid.