Peramalan Harga Ayam Berdasarkan Pola Musiman Menggunakan  Long Short-Term Memory

Tengku Syahvina Rival Dini; Armansyah

doi:10.56427/jcbd.v5i2.990

Authors

Tengku Syahvina Rival Dini Universitas Islam Negeri Sumatera Utara
Armansyah Universitas Islam Negeri Sumatera Utara

DOI:

https://doi.org/10.56427/jcbd.v5i2.990

Keywords:

LSTM, Peramalan, Harga Ayam Broiler, Time Series, Pola Musiman

Abstract

Harga ayam broiler merupakan komoditas pangan yang mengalami fluktuasi signifikan dan memiliki karakteristik pola musiman, sehingga diperlukan metode peramalan yang akurat. Penelitian ini bertujuan untuk memprediksi harga ayam broiler di Kabupaten Deli Serdang menggunakan metode Long Short-Term Memory (LSTM). Data yang digunakan berupa data harga harian periode Januari 2022 hingga Maret 2026 sebanyak 1.551 data. Tahapan penelitian meliputi preprocessing data, pembentukan sequence menggunakan sliding window, pembagian data latih dan data uji, serta pembangunan model LSTM. Analisis time series menggunakan Augmented Dickey-Fuller (ADF), Autocorrelation Function (ACF), dan Partial Autocorrelation Function (PACF) dilakukan untuk mengidentifikasi karakteristik data. Evaluasi model menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²), serta dibandingkan dengan metode baseline regresi linear. Hasil penelitian menunjukkan bahwa model LSTM menghasilkan nilai MAPE sebesar 1,6180% dan MAE sebesar Rp507,68, sedangkan metode baseline menghasilkan MAPE sebesar 1,4083% dan MAE sebesar Rp455,90. Namun, model LSTM memperoleh nilai RMSE sebesar Rp946,43 yang sedikit lebih rendah dibandingkan baseline sebesar Rp947,43 serta nilai R² sebesar 0,8842 yang lebih tinggi dibandingkan baseline sebesar 0,8839. Hasil tersebut menunjukkan bahwa kedua model memiliki performa yang kompetitif dengan keunggulan pada metrik evaluasi yang berbeda. Penelitian ini memberikan kontribusi dalam penerapan metode LSTM untuk peramalan harga ayam broiler harian di Kabupaten Deli Serdang.

Downloads

Download data is not yet available.

References

[1] A. F. Mubarok et al., “Volatilitas harga daging dan telur ayam ras di Indonesia,” vol. 22, no. 2, pp. 151–167, 2024, doi: 10.21082/akp.v22n1.2024.151-167.

[2] BPS, “Produksi Daging Ayam Ras Pedaging menurut Provinsi (Ton), 2024.” [Online]. Available: https://www.bps.go.id/id/statistics-table/2/NDg4IzI=/produksi-daging-ayam-ras-pedaging-menurut-provinsi.html

[3] M. J. Adkhan, “PENGARUH PERUBAHAN HARGA AYAM TERHADAP PERMINTAAN AYAM DI PASAR LOKTUAN BONTANG,” J. Manaj. dan Akunt., vol. Vol 3, No, 2021, doi: https://doi.org/10.31293/jma.v3i3.957.

[4] R. P. Nugraheni, E. Rimawati, and R. T. Vulandari, “Peramalan harga telur ayam dengan metode exponensial smoothing winters di kabupaten sukoharjo,” vol. 13, no. 1, 2025, doi: https://doi.org/10.30646/tikomsin.v13i1.951.

[5] R. K. Niswatin, A. B. Setiawan, and U. Mahdiyah, “Optimasi Prediksi Harga Ayam Boiler Berdasarkan Time Series Data dan Kondisi Eksisting Menggunakan Decision Tree,” vol. 8, no. 2, pp. 427–434, 2025, doi: https://doi.org/10.29407/noe.v8i02.24878.

[6] B. H. Fungki Wahyu, “Perbandingan Algoritma Time Series Dan Fuzzy Inference System Dalam Analisis Data Deret Waktu,” vol. 1, no. 3, 2023, doi: 10.54066/jptis.v1i3.711.

[7] A. Nabila, “DEEP LEARNING MENGIDENTIFIKASI UMUR MANUSIA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ),” vol. 12, no. 3, pp. 1836–1843, 2024, doi: http://dx.doi.org/10.23960/jitet.v12i3.4457.

[8] A. K. Hidayah and R. E. Putra, “Penerapan Metode Long Short Term Memory untuk Memprediksi Harga Beras di Indonesia,” vol. 06, pp. 720–729, 2024, doi: https://doi.org/10.26740/jinacs.v6n03.p720-729.

[9] N. Hadi, S. Alam, and I. Kurniawan, “PENERAPAN MODEL LSTM ( LONG SHORT-TERM MEMORY ) DALAM PERAMALAN INFLASI MONTH ON MONTH DI INDONESIA,” vol. 9, no. 5, pp. 9009–9014, 2025, doi: 10.36040/jati.v9i5.15119.

[10] R. Mugi and S. Adi, “Prediksi Harga Komoditas Pangan Menggunakan Algoritma Long Short-Term Memory ( LSTM ),” vol. 4, no. 2, pp. 1137–1145, 2022, doi: 10.47065/bits.v4i2.2229.

[11] M. F. Rizkilloh and S. Widiyanesti, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” vol. 5, pp. 1–2, 2026, doi: 10.29207/resti.v6i1.3630.

[12] Y. Ashari, A. Suhendar, F. Sains, U. T. Yogyakarta, and A. Info, “IMPLEMENTASI ALGORITMA LONG SHORT-TERM MEMORY ( LSTM ) UNTUK MEMPREDIKSI HARGA BERAS DI JAWA,” vol. 5, no. 3, pp. 624–636, 2024, doi: 10.46576/djtechno.

[13] D. I, D. Septiajayanti, F. Enggrayni, Y. I. D. K, and E. Hardiyanto, “FORECASTING HARGA DAGING AYAM RAS MENGGUNAKAN ALGORITMA LONG SHORT-TERM,” vol. 6, no. 3, pp. 1000–1012, 2025, doi: 10.46576/djtechno.

[14] K. D. Racine Ly, Fousseini Traore, “FORECASTING COMMODITY PRICES USING LONG SHORT-TERM MEMORY NEURAL NETWORKS,” pp. 1–13, 2021, doi: 10.48550/arXiv.2101.03087.

[15] M. S. Dr. Drs. Waris Marsisno, M. M. Dr. Asep Sofwan Munandar, S.E., M. M. Casriyanti, S.Pd., and M. P. I Nyoman Tri Sutaguna, S.ST.Par., Penelitian Kualitatif dan Kuantitatif Konsep Teknik dan Implementasi. PT Media Penerbit Indonesia, 2025.

[16] Sudaryono, “PENGUMPULAN DATA PENELITIAN.” [Online]. Available: https://raharja.ac.id/pengumpulan-data-penelitian/

[17] A. Agung, A. Daniswara, and I. K. D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” vol. 05, pp. 97–100, 2023, doi: https://doi.org/10.26740/jinacs.v5n01.p97-100.

[18] M. Abror, A. Hilmi, and A. Susanto, “Implementasi dan Evaluasi Model Machine Learning untuk Optimalisasi Prediksi Penjualan Produk Kue Kering,” vol. 7, no. 3, pp. 1649–1661, 2025, doi: 10.47065/bits.v7i3.8657.

[19] A. Pranata1, Rudiman, and N. A. Verdikha, “Jurnal Informatika Terpadu TWITTER MENGGUNAKAN METODE TF-IDF DAN NAIVE BAYES,” vol. 10, no. 2, pp. 93–100, 2024, doi: 10.54914/jit.v10i2.1279.

[20] R. J. H. and G. Athanasopoulos, “Forecasting: Principles and Practice.” [Online]. Available: https://otexts.com/fpp3/

[21] A. Sherstinsky, “Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network,” vol. Vol. 404, 2020, doi: https://doi.org/10.1016/j.physd.2019.132306.

[22] G. Mienye, I.D., Swart, T.G., & Obaido, “Recurrent Neural Networks: A Comprehensive Review of Architectures, Variants, and Applications,” 2024, doi: https://doi.org/10.3390/info15090517.