Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal MATHunesa: Jurnal Ilmiah Matematika
Danil
Universitas Bangka Belitung
Mathematics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
IMPLEMENTASI METODE HYBRID ARIMA-LSTM DALAM MEMPREDIKSI HARGA PRODUSEN SUBSEKTOR PERKEBUNAN RAKYAT DI PROVINSI KEPULAUAN BANGKA BELITUNG Danil
MATHunesa: Jurnal Ilmiah Matematika Vol. 14 No. 02 (2026)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v14n02.p370-382

Abstract

Provinsi Kepulauan Bangka Belitung merupakan salah satu daerah yang perekonomiannya didukung oleh subsektor perkebunan rakyat, terutama komoditas karet, lada, dan kelapa sawit. Fluktuasi harga produsen pada ketiga komoditas tersebut memengaruhi pendapatan petani dan keberlanjutan usaha perkebunan rakyat, sehingga diperlukan suatu metode peramalan yang mampu menghasilkan prediksi harga secara akurat. Penelitian ini bertujuan untuk memprediksi harga produsen karet, lada, dan kelapa sawit menggunakan metode hybrid ARIMA-LSTM. Hasil dari penelitian ini menunjukkan bahwa model terbaik dalam memprediksi harga produsen karet yaitu model ARIMA(0,1,1) dan model LSTM dengan parameter terbaik timestep 3, hidden unit 20, jumlah layer 3, batch size 55, epoch 25, dropout 0.1, dan learning rate 0.001 dengan tingkat akurasi 94,80%. Model hybrid ARIMA-LSTM terbaik yang digunakan dalam memprediksi harga produsen lada adalah model ARIMA(1,1,1) dan model LSTM dengan parameter terbaik timestep 3, hidden unit 30, jumlah layer 1, batch size 40, epoch 100, dropout 0,1, dan learning rate 0,005 dengan tingkat akurasi 96,85%. Sedangkan model hybrid ARIMA-LSTM terbaik yang digunakan dalam memprediksi harga produsen kelapa sawit yaitu model ARIMA(2,1,2) dan model LSTM dengan parameter terbaik timestep 3, hidden unit 90, jumlah layer 3, batch size 48, epoch 55, dropout 0,1, dan learning rate 0,001 dengan tingkat akurasi 98,63%.
Co-Authors