IMPLEMENTASI METODE LONG SHORT TERM MEMORY (LSTM) UNTUK PREDIKSI HARGA BERAS DI KABUPATEN SIDOARJO BERDASARKAN CUACA

Beras memegang peran krusial sebagai komoditas pangan utama di Indonesia, khususnya di Kabupaten Sidoarjo. Namun, volatilitas harga beras yang dipengaruhi oleh berbagai faktor, termasuk anomali cuaca, sering kali menyulitkan petani dan pemerintah dalam menjaga stabilitas ketahanan pangan. Penelitian ini bertujuan untuk membangun model prediksi harga beras yang akurat dengan mengimplementasikan metode Long Short-Term Memory (LSTM), sebuah arsitektur Deep Learning yang handal dalam menangani data deret waktu (time series). Studi ini mengintegrasikan data historis harga beras dari PIHPS Nasional dan data parameter cuaca (suhu, kelembapan, penyinaran matahari, angin, dan curah hujan) dari BMKG periode 2019–2024. Tahapan penelitian meliputi pra-pemrosesan data yang ketat, termasuk imputasi nilai hilang menggunakan K-Nearest Neighbor (KNN), deteksi outlier dengan Z-Score, serta penanganan data ekstrem menggunakan teknik Winsorizing (Capping) untuk menjaga stabilitas data tanpa mengurangi jumlah sampel. Optimasi model dilakukan melalui Hyperparameter Tuning menggunakan metode Grid Search untuk mencari kombinasi terbaik antara Batch Size dan Learning Rate. Hasil eksperimen menunjukkan bahwa konfigurasi model paling optimal dicapai pada Batch Size 8 dan Learning Rate 0.001 dengan optimizer RMSProp. Evaluasi kinerja model menunjukkan hasil yang sangat memuaskan dengan nilai Root Mean Square Error (RMSE) sebesar 0.01462, Mean Absolute Percentage Error (MAPE) sebesar 0.01179, dan Coefficient of Determination (R²) mencapai 0.98687, yang mengindikasikan korelasi sangat kuat antara hasil prediksi dan data aktual. Penelitian ini membuktikan bahwa integrasi data cuaca ke dalam model LSTM mampu meningkatkan akurasi prediksi, hal ini membuktikan bahwa metode LSTM sangat cocok dan efektif diterapkan untuk prediksi harga beras.