Keywords
peramalan
Daging Ayam
Long Short Term Memory (LSTM)
How to Cite
Abstract
Penjualan daging ayam yang mengalami kenaikan dan penurunan yang tidak menentu kerap menyusahkan pelaku usaha. Peramalan diharapkan dapat menjadi solusi bagi pelaku usaha dalam menentukan stok penjualan daging ayam. Penelitian ini bertujuan untuk mengetahui kinerja model yang terbaik dalam melakukan peramalan jumlah penjualan daging ayam menggunakan Long Short Term Memory (LSTM) dengan menggunakan data time series Jumlah penjualan daging ayam yang di kumpulkan dari salah satu pelaku usaha penjual daging ayam yang ada di Dusun Ngadipuro, Desa Sumber Rejo, Kecamatan Sanan Kulon, Kabupaten Blitar. Hasil dari penelitian yang sudah dilakukan kinerja model yang terbaik tedapat pada skenario percobaan ketiga dengan menggunakan variasi timesteps 14 dengan nilai evaluasi MAPE 17.17%.
References
[1] Badan Pusat Statistik Indonesia, “Rata- Rata Konsumsi per Kapita Seminggu Beberapa Macam Bahan Makanan Penting, 2007-2024,” Badan Pusat Statistik Indonesia. Diakses: 1 November 2024. [Daring]. Tersedia pada: https://www.bps.go.id/id/statistics-table/1/OTUwIzE%3D/rata-rata-konsumsi-per-kapita-seminggu-beberapa-macam-bahan-makanan-penting--2007-2023.html
[2] B. W. N. Tantyo dan D. Swanjaya, “Perbandingan antara Metode Holt-Winters dan Backpropagation pada Model Peramalan Penjualan,” Pros. SEMNAS INOTEK (Seminar Nas. Inov. Teknol., vol. 5, no. 3, hal. 174–181, 2021, doi: doi.org/10.29407/inotek.v5i3.1099.
[3] R. B. Radite Putra dan H. Hendry, “Multivariate Time Series Forecasting pada Penjualan Barang Retail dengan Recurrent Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 7, no. 1, hal. 71, 2022, doi: 10.35314/isi.v7i1.2398.
[4] A. El Filali, E. H. Ben Lahmer, S. El Filali, M. Kasbouya, M. A. Ajouary, dan S. Akantous, “Machine Learning Applications in Supply Chain Management: A Deep Learning Model Using an Optimized LSTM Network for Demand Forecasting,” Int. J. Intell. Eng. Syst., vol. 15, no. 2, hal. 464–478, 2022, doi: 10.22266/ijies2022.0430.42.
[5] L. Wiranda dan M. Sadikin, “Penerapan Long Short Term Memory pada Data Time Series untuk Memprediksi Penjualan Produk PT. Metiska Farma,” J. Nas. Pendidik. Tek. Inform., vol. 8, no. 3, hal. 184–196, 2019, doi: doi.org/10.23887/janapati.v8i3.19139.
[6] G. Budiprasetyo, M. Hani’ah, dan D. Z. Aflah, “Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM),” J. Nas. Teknol. dan Sist. Inf., vol. 8, no. 3, hal. 164–172, 2023, doi: 10.25077/teknosi.v8i3.2022.164-172.
[7] J. Cahyani, S. Mujahidin, dan T. P. Fiqar, “Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional,” J. Sist. dan Teknol. Inf., vol. 11, no. 2, hal. 346, 2023, doi: 10.26418/justin.v11i2.57395.
[8] R. Muhammad dan I. Nurhaida, “Penerapan lstm dalam deep learning untuk prediksi harga kopi jangka pendek dan jangka panjang,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 1, hal. 554–564, 2025, doi: doi.org/10.31937/si.v9i1.1223.
[9] S. Hochreiter dan J. Schmidhuber, “Long short-term memory,” Neural Comput., vol. 9, no. 8, hal. 1735–1780, 1997.
[10] A. S. Bayangkari Karno, “Analisis Data Time Series Menggunakan LSTM (Long Short Term Memory) Dan ARIMA (Autocorrelation Integrated Moving Average) Dalam Bahasa Python.,” Ultim. InfoSys J. Ilmu Sist. Inf., vol. 11, no. 1 SE-Articles, hal. 1–7, Jul 2020, doi: 10.31937/si.v9i1.1223.
[11] A. G. Asrori, U. Mahdiyah, dan A. Sanjaya, “Analisis Performa Metode Jaringan Syaraf Tiruan Backpropagation dengan Metode Simple Moving Average dalam Prediksi Harga Daging Ayam Broiler,” Pros. SEMNAS INOTEK (Seminar Nas. Inov. Teknol., vol. 7, no. 1 SE-Articles, hal. 293–302, 2023, doi: doi.org/10.29407/inotek.v7i1.3437.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 VYRRA FITRIANA, Umi Mahdiyah, Resty Wulanningrum