Estimasi Harga Bawang Bawang Di Jawa Timur Menggunakan Model Multilayer Perceptron
DOI:
https://doi.org/10.23917/jkk.v2i4.174Keywords:
fluktuasi, jaringan syaraf tiruan, multilayer perceptron, produk holtikulturaAbstract
Indonesia adalah negara yang dikenal dengan beragam produk pertanian. Produk pertanian yang dihasilkan meliputi pangan dan hortikultura. Produk hortikultura yang sering ditanam oleh masyarakat adalah bawang merah. Bawang merah merupakan salah satu komoditas yang memiliki tingkat risiko yang tinggi yaitu harga yang fluktuatif. Harga bawang merah dapat naik dan turun hanya dalam waktu beberapa minggu. Fluktuasi harga bawang merah dapat terjadi karena tidak ada aturan yang melindungi harga bawang merah. Kondisi mekanisme pasar menentukan harga bawang merah, sehingga hukum penawaran dan permintaan menentukan naik turunnya harga. Langkah-langkah yang tepat diperlukan untuk memprediksi harga bawang merah dalam beberapa periode berikutnya dan meminimalkan risiko kerugian petani. Harga bawang merah berubah setiap minggu, sehingga diperlukan prediksi harga bawang merah menggunakan metode Multilayer Perceptron (MLP). Multilayer Perceptron (MLP) adalah salah satu Jaringan Saraf Tiruan (ANN) yang populer. Model MLP yang dibangun terbukti dapat memprediksi harga bawang merah di Jawa Timur. Perbandingan data uji dan pelatihan terbaik adalah 2:1, yang memiliki kesalahan terkecil dari model lainnya. Ini bisa disebabkan oleh faktor parameter yang tidak sesuai. Perbedaan jumlah epoch dalam penelitian ini berdampak signifikan dalam meminimalisasi kesalahan.
Downloads
References
Aryanta, IWR., Bawang merah dan manfaatnya bagi kesehatan, E-Journal Widya Kesehatan, vol 1, no 1, pp. 1-7, Mei 2019.
Badan Pusat Statistika. Produksi Tanaman Sayuran 2021, Badan Pusat Statistika, 2022, [online]. Tersedia: https://www.bps.go.id/indicator/55/61/1/produksi-tanaman-sayuran.html [diakses: 16 September 2022].
Bishop CM (1995) Neural networks for pattern recognition. Oxford University Press, Oxford 482
Camacho Olmedo, María Teresa & Paegelow, Martin & Mas, J. & Escobar, Francisco. (2018). Geomatic Approaches for Modeling Land Change Scenarios. An Introduction. 10.1007/978-3-319-60801-3_1.
Devadoss, A., & Ligori, T.A. (2013). Forecasting of Stock Prices Using Multilayer Perceptron.
Du K-L, Swamy MNS (2014) Neuronal networks and statistical learning. Springer, Berlin
Fadilatin, N. S., Roziaty, E. ., & Pradana, Y. A. . (2022). Keragaman Zooplankton di Perairan Sungai Pepe Anak Sungai Bengawan Solo di Jawa Tengah. Jurnal Keilmuan Dan Keislaman, 1(2), 72–80. https://doi.org/10.23917/jkk.v1i2.15
Feng, X., Ma, G., Su, S.-F., Huang, C., Boswell, M. K., & Xue, P. (2020). A multilayer perceptron approach for accelerated wave forecasting in Lake Michigan. Ocean Engineering, 211, 107526. https://doi.org/10.1016/j.oceaneng.2020.107526
I. Parvez, A. Sarwat, A. Debnath, T. Olowu, M. G. Dastgir and H. Riggs, (2020). Multilayer Perceptron-based Photovoltaic Forecasting for Rooftop PV Applications in Smart Grid. SoutheastCon, 2020, pp. 1-6, DOI: 10.1109/SoutheastCon44009.2020.9249681
Irawan, B. (2007). Fluktuasi harga, transmisi harga, dan marjin pemasaran sayuran dan buah. Analisis Kebijakan Pertanian, vol 5, no. 4, pp. 358-373
Kuswardhani, DS., Sehat tanpa Obat dengan Bawang Merah-Bawang Putih, Yogyakarta: Penerbit Rapha Publishing, 2016
Mas JF, Kolb M, Paegelow M, Camacho Olmedo MT, Houet T (2014) Inductive pattern-based land use/cover change models: a comparison of four software packages. Environ Model Softw.51:94–111
Mas JF, Puig H, Palacio JL, Sosa AA (2004) Modelling deforestation using GIS and artificial neural networks. Environ Model Softw. 19(5):461–471
Pijanowski BC, Brown DG, Shellito BA, Manik GA (2002) Using neural nets and gis to forecast land use changes: a land transformation model. Comput Environ Urban Syst 26(6):553–575
Pradana, Y., Azka, D., Aji, A., & Fauzi, I. (2022). Analysis Of Weather Changes For Estimation Of Shallot Crops Fluctuation Using Hidden Markov. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 16(1), 333-342. https://doi.org/10.30598/barekengvol16iss1pp331-340
Pusat Informasi Harga Pangan Strategis Nasional. Informasi Harga Pangan Antar Daerah, Pusat Informasi Harga Pangan Strategis Nasional, (2022), [online], Tersedia: https://hargapangan.id/ [diakses: 16 September 2022].
Q. Chen, W. Zhang, and Y. Lou, "Forecasting Stock Prices Using a Hybrid Deep Learning Model Integrating Attention Mechanism, Multilayer Perceptron, and Bidirectional Long-Short Term Memory Neural Network," in IEEE Access, vol. 8, pp. 117365-117376, 2020, DOI: 10.1109/ACCESS.2020.3004284
R. F. Rahmat, A. Rizki, A. F. Alharthi and R. Budiarto, "Big data forecasting using evolving multilayer perceptron," 2016 4th Saudi International Conference on Information Technology (Big Data Analysis) (KACSTIT), 2016, pp. 1-5, DOI:10.1109/KACSTIT.2016.7756069.
Shobri, M. Q., Yanuar, F., & Devianto, D. (2021). Covid-19 Patient Mortality Risk Classification Using Bayesian Binary Logistic Regression. Jurnal Matematika, Statistika Dan Komputasi, 18(1), 150-160.
Y. A. Pradana, I. Mukhlash, M. I. Irawan and E. R. M. Putri, "Carbon Price Prediction in the European Market using Deep Learning," 2023 10th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), Palembang, Indonesia, 2023, pp. 307-314, doi: 10.1109/EECSI59885.2023.10295618.
Yanuari AR., dan Afsari, MD. Profil Komoditas Barang Kebutuhan Pokok dan Barang Penting: Komoditas Bawang Merah, Jakarta: Kemendag RI, 2016.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Yan Aditya Pradana, Lenny Puspita Dewi, Wysnu Pramudito, Irfan Miftahul Fauzi, Santosa Pradana Putra Setia Negara, Dian Ardhifa Iswari, Moh. Mudzakkir, Trisakti Handayani
This work is licensed under a Creative Commons Attribution 4.0 International License.