PENERAPAN METODE LONG SHORT-TERM MEMORI (LSTM) UNTUK MEMPREDIKSI HARGA KEBUTUHAN POKOK DI KABUPATEN GOWA

Authors

  • Agustiana Agustiana Universitas Muhammadiyah Makassar
  • Fahrim Irhamna Rachman Universitas Muhammadiyah Makassar
  • Daniarti Daniarti Universitas Muhammadiyah Makassar

DOI:

https://doi.org/10.70248/jismdb.v4i1.4346

Keywords:

Long Short-Term Memory (LSTM), Deep Learning, Time Series Forecasting, Food Price Prediction, Harga Kebutuhan Pokok.

Abstract

Harga kebutuhan pokok merupakan salah satu indikator ekonomi yang memengaruhi kesejahteraan masyarakat dan stabilitas perekonomian daerah. Prediksi harga yang akurat diperlukan sebagai dasar pengambilan keputusan, namun penelitian mengenai prediksi harga rata-rata bulanan kebutuhan pokok di Kabupaten Gowa masih terbatas, sementara sebagian besar penelitian sebelumnya berfokus pada data harian atau wilayah yang berbeda. Penelitian ini bertujuan menerapkan metode Long Short-Term Memory (LSTM) untuk memprediksi harga rata-rata bulanan komoditas kebutuhan pokok di Kabupaten Gowa. Metode LSTM dipilih karena mampu mempelajari pola dan ketergantungan jangka panjang pada data deret waktu sehingga sesuai untuk memodelkan fluktuasi harga. Dataset yang digunakan berupa data harga harian kebutuhan pokok periode Januari 2022 hingga Desember 2025 yang diolah menjadi data harga rata-rata bulanan melalui tahap preprocessing. Data kemudian dinormalisasi menggunakan metode Min-Max Scaling dan dibentuk menjadi deret waktu menggunakan teknik sliding window sepanjang tujuh bulan. Model dibangun menggunakan TensorFlow dan dievaluasi menggunakan Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model memperoleh rata-rata MAPE sebesar 7,12%, yang menunjukkan kemampuan LSTM dalam menghasilkan prediksi harga rata-rata bulanan dengan tingkat akurasi yang baik. Kontribusi penelitian ini terletak pada penerapan model LSTM untuk prediksi harga rata-rata bulanan berbagai komoditas kebutuhan pokok di Kabupaten Gowa sebagai informasi pendukung bagi pemerintah daerah dalam pemantauan harga dan penyusunan kebijakan stabilisasi harga.

References

Adi, R. M. S., & Sudianto, S. (2022). Prediksi Harga Komoditas Pangan Menggunakan Algoritma Long Short-Term Memory (LSTM). Building of Informatics, Technology and Science (BITS), 4(2), 1137–1145. https://doi.org/10.47065/bits.v4i2.2229

Al-Selwi, S. M., Hassan, M. F., Abdulkadir, S. J., Muneer, A., Sumiea, E. H., Alqushaibi, A., & Ragab, M. G. (2024). RNN-LSTM: From applications to modeling techniques and beyond—Systematic review. Journal of King Saud University - Computer and Information Sciences, 36(5), 102068. https://doi.org/10.1016/j.jksuci.2024.102068

Albeladi, K., Zafar, B., & Mueen, A. (2023). Time Series Forecasting using LSTM and ARIMA. International Journal of Advanced Computer Science and Applications, 14(1), 313–320. https://doi.org/10.14569/IJACSA.2023.0140133

Amiri, Y. I. A., & Wardati, N. K. (2025). Peramalan Permintaan Produk Menggunakan ARIMA Berbasis Data Mining. Jurnal Informatika: Jurnal Pengembangan IT, 10(3), 821–831. https://doi.org/10.30591/jpit.v10i3.8665

Ardhi Baskara, A., Maharani Piranti, N., & Fahrury Romdendine, M. (2025). Framework Data Mining: Sebuah Survei. JATI (Jurnal Mahasiswa Teknik Informatika), 9(3), 4886–4895. https://doi.org/10.36040/jati.v9i3.13803

Cahyani, J., Mujahidin, S., & Fiqar, T. P. (2023). Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional. Jurnal Sistem Dan Teknologi Informasi (JustIN), 11(2), 346. https://doi.org/10.26418/justin.v11i2.57395

Ericko, T., Lauro, M. D., Winata, A., & Handhayani, T. (2024). An Analysis And Forecasting The Foodstuffs Prices In Surabaya Traditional Market Using LSTM. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 10(2), 99. https://doi.org/10.24014/coreit.v10i2.27855

García, F., Guijarro, F., Oliver, J., & Tamošiūnienė, R. (2023). Foreign Exchange Forecasting Models: ARIMA and LSTM Comparison †. Engineering Proceedings, 39(1), 1–7. https://doi.org/10.3390/engproc2023039081

Ghojogh, B., & Ghodsi, A. (2023). Recurrent Neural Networks and Long Short-Term Memory Networks: Tutorial and Survey. http://arxiv.org/abs/2304.11461

Houssein, E. H., Mohamed, M., Younis, E. M. G., & Mohamed, W. M. (2025). Artificial intelligence and classical statistical models for time series forecasting: a comprehensive review. Journal of Big Data, 12(1). https://doi.org/10.1186/s40537-025-01318-z

Indrawan, Y. F., Larasati, A., Purnama, A. R., & Sholikha, N. (2025). Comparative Analysis of Large Red Chili Price Forecasting Models in Malang Regency Using Long Short-Term Memory (LSTM) and Autoregressive Integrated Moving Average (ARIMA). Journal of Intelligent System and Computation, 7(1), 33–40. https://doi.org/10.52985/insyst.v7i1.419

Julian, R., & Pribadi, M. R. (2021). Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM). JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 8(3), 1570–1580. https://doi.org/10.35957/jatisi.v8i3.1159

Kharel, A., Zarean, Z., & Kaur, D. (2024). Long Short-Term Memory (LSTM) Based Deep Learning Models for Predicting Univariate Time Series Data. International Journal of Machine Learning, 14(1). https://doi.org/10.18178/ijml.2024.14.1.1154

Krichen, M., & Mihoub, A. (2025). Long Short-Term Memory Networks: A Comprehensive Survey. AI (Switzerland), 6(9), 1–21. https://doi.org/10.3390/ai6090215

Luo, J., Zhang, Z., Fu, Y., & Rao, F. (2021). Time series prediction of COVID-19 transmission in America using LSTM and XGBoost algorithms. Results in Physics, 27, 104462. https://doi.org/10.1016/j.rinp.2021.104462

Mujiyanto, M., Nurindahsari, S., & Izza, R. N. (2024). Comparison of Linear Regression, ARIMA, Simple Exponential Smoothing, Hybrid ARIMA-LSTM, and EWMA in Forecasting Commodity Prices. Telematika, 17(2), 112–127. https://doi.org/10.35671/telematika.v17i2.2932

Prater, R., Hanne, T., & Dornberger, R. (2024). Generalized Performance of LSTM in Time-Series Forecasting. Applied Artificial Intelligence, 38(1). https://doi.org/10.1080/08839514.2024.2377510

Sun, F., Meng, X., Zhang, Y., Wang, Y., Jiang, H., & Liu, P. (2023). Agricultural Product Price Forecasting Methods: A Review. Agriculture (Switzerland), 13(9), 1–20. https://doi.org/10.3390/agriculture13091671

Tami, M., & Owda, A. Y. (2024). Efficient commodity price forecasting using long short-term memory model. IAES International Journal of Artificial Intelligence, 13(1), 994–1004. https://doi.org/10.11591/ijai.v13.i1.pp994-1004

Winata, A., Lauro, M. D., & Handhayani, T. (2023). Analysis and Prediction of Foodstuffs Prices in Tasikmalaya Using ELM and LSTM. Sistemasi, 12(3), 874. https://doi.org/10.32520/stmsi.v12i3.3145

Downloads

Published

2026-10-31

Issue

Section

Articles