IMPLEMENTASI ALGORITMA LONG SHORT-TERM MEMORY PADA SISTEM PREDIKSI HASIL PANEN SAWIT

Fajar Ramadhan; Muhammad Fachrie

doi:10.51401/jinteks.v6i4.4876

Authors

Fajar Ramadhan Universitas Teknologi Yogyakarta
Muhammad Fachrie Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.51401/jinteks.v6i4.4876

Keywords:

Palm Oil, LSTM, Deep Learning, Prediction, Streamlit

Abstract

Perkebunan kelapa sawit merupakan salah satu jenis perkebunan yang menempati posisi penting dalam sektor pertanian atau perkebunan. Penelitian sistem prediksi hasil panen kelapa sawit menggunakan metode Long Short-Term Memory (LSTM) untuk membantu petani dalam merencanakan dan mengelola perkebunannya secara lebih efektif. Sebelum adanya sistem tersebut, petani sering kali menghadapi tantangan besar dalam memperkirakan hasil panen secara akurat, sehingga mengakibatkan penggunaan sumber daya yang tidak efisien dan kerugian ekonomi. Data yang digunakan dalam penelitian ini dikumpulkan dari hasil wawancara dan catatan petani kelapa sawit selama kurun waktu Januari 2023 sampai dengan Januari 2024. Sistem yang diusulkan melibatkan beberapa tahapan, meliputi pengumpulan dan pra-pemrosesan data, pembangunan dan pelatihan model LSTM, serta evaluasi kinerja model. Hasil penelitian menunjukkan bahwa model LSTM mampu memberikan prediksi yang lebih akurat dibandingkan metode sebelumnya, dengan nilai Mean Absolute Error (MAE) yang rendah. Sementara itu, pada proses pembuatan model, presentase data latih dan data uji sebesar 80%:20% dengan nilai sequence data sebesar 640. Parameter yang digunakan sebanyak 128 hidden unit, dan jumlah epoch sebanyak 150, sehingga menghasilkan nilai MSE sebesar 5,3968. Diharapkan dengan diterapkannya sistem ini dapat membantu petani dalam meningkatkan efisiensi dan efektivitas pengelolaan perkebunan serta memanfaatkan peluang pasar secara optimal.

References

M. Syarovy, A. P. Nugroho, and L. Sutiarso, “PEMANFAATAN MODEL NEURAL NETWORK DALAM GENERASI BARU PERTANIAN PRESISI DI PERKEBUNAN KELAPA SAWIT,” WARTA Pusat Penelitian Kelapa Sawit, vol. 28, no. 1, pp. 39–54, Feb. 2023, doi: 10.22302/iopri.war.warta.v28i1.97.

A. Helsaputra, A. L. Prasasti, and R. R. Septiawan, “Implementasi deep learning untuk prediksi tingkat kematangan dan bobot buah pepaya,” Dec. 01, 2021. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/16971.

T. A. F. Muhammad and M. I. Irawan, “Implementasi Long Short-Term Memory (LSTM) untuk Prediksi Intensitas Curah Hujan (Studi Kasus: Kabupaten Malang),” Jurnal Sains Dan Seni ITS, vol. 12, no. 1, May 2023, doi: 10.12962/j23373520.v12i1.106892.

F. Fadilah, M. Melina, and A. Komarudin, “PREDIKSI PENJUALAN OBAT MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK,” Jurnal Informatika Teknologi Dan Sains (Jinteks), vol. 6, no. 3, pp. 521–531, Aug. 2024, doi: 10.51401/jinteks.v6i3.4346.

R. Andrianto and F. Irawan, “Implementasi Metode Regresi Linear Berganda Pada Sistem Prediksi Jumlah Tonase Kelapa Sawit di PT. Paluta Inti Sawit,” jptam.org, Mar. 2023, doi: 10.31004/jptam.v7i1.5658.

E. Komariah, B. C. Octariadi, and A. C. Siregar, “Penerapan Jaringan Syaraf Tiruan untuk Memprediksi Hasil Produksi Kelapa Sawit Menggunakan Backpropagation,” Komariah | Jutisi?: Jurnal Ilmiah Teknik Informatika Dan Sistem Informasi, Aug. 2023, doi: 10.35889/jutisi.v12i2.1342.

R. M. S. Adi and S. Sudianto, “Prediksi harga komoditas pangan menggunakan algoritma Long Short-Term Memory (LSTM),” Building of Informatics Technology and Science (BITS), vol. 4, no. 2, Sep. 2022, doi: 10.47065/bits.v4i2.2229.

W. Ananda, M. Safii, and M. Fauzan, “Prediksi jumlah hasil panen sawit menggunakan algoritma Naive Bayes,” Mar. 30, 2021. https://ejurnal.seminar-id.com/index.php/tin/article/view/698

A. Santoso, A. I. Purnamasari, and N. I. Ali, “PREDIKSI HARGA BERAS MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DAN LONG SHORT-TERM MEMORY,” PROSISKO Jurnal Pengembangan Riset Dan Observasi Sistem Komputer, vol. 11, no. 1, pp. 128–136, Mar. 2024, doi: 10.30656/prosisko.v11i1.7921.

I. M. Shofi and S. U. Masruroh, “Analisis perbandingan cosine normalization dan min-max normalization pada pengelompokan terjemahan ayat Al Quran menggunakan algoritma k-means clustering,” Nov. 19, 2019. https://repository.uinjkt.ac.id/dspace/handle/123456789/48588

M. David, I. Cholissodin, and N. Yudistira, “Prediksi Harga Cabai menggunakan Metode Long-Short Term Memory (Case Study?: Kota Malang),” Mar. 10, 2023. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/12406

A. M. Hadi, W. Witanti, and M. Melina, “PREDIKSI PERGERAKAN HARGA EMAS MENGGUNAKAN METODE GENETIC SUPPORT VECTOR REGRESSION,” Jurnal Informatika Teknologi Dan Sains (Jinteks), vol. 6, no. 3, pp. 486–496, Aug. 2024, doi: 10.51401/jinteks.v6i3.4247.

S. Rahmadani, N. C. S. Rahayu, N. A. Salim, and N. K. N. Cahyo, “DETEKSI EMOSI BERDASARKAN WICARA MENGGUNAKAN DEEP LEARNING MODEL,” Jurnal Informatika Teknologi Dan Sains (Jinteks), vol. 4, no. 3, pp. 220–224, Aug. 2022, doi: 10.51401/jinteks.v4i3.1952.

D. E. B. Jabat, L. Y. Sipayung, and K. R. S. Dakhi, “PENERAPAN ALGORITMA RECURRENT NEURAL NETWORKS (RNN) UNTUK KLASIFIKASI ULOS BATAK TOBA,” Jun. 19, 2024. https://ejournal.ust.ac.id/index.php/SNISTIK/article/view/3697

W. A. Naseer, S. Sarwido, and B. B. Wahono, “GRADIENT BOOSTING OPTIMIZATION WITH PRUNING TECHNIQUE FOR PREDICTION OF BMT AL-HIKMAH PERMATA CUSTOMER DATA,” jurnal.uts.ac.id, Aug. 2024, doi: 10.51401/jinteks.v6i3.4702.

R. A. Kiramy, I. Permana, A. Marsal, M. R. Munzir, and M. Megawati, “Perbandingan Performa Algoritma RNN dan LSTM dalam Prediksi Jumlah Jamaah Umrah pada PT. Hajar Aswad,” MALCOM Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 4, pp. 1224–1234, Jul. 2024, doi: 10.57152/malcom.v4i4.1373.