Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan
Lim, Maggie
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENERAPAN LSTM DAN GRU UNTUK PREDIKSI HARGA CABAI MERAH DI KOTA JAWA TIMUR Lim, Maggie; Handhayani, Teny
Jurnal Informatika dan Teknik Elektro Terapan Vol 13, No 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6467

Abstract

Fluktuasi harga cabai merah di Jawa Timur, yang dipengaruhi oleh berbagai faktor seperti musim tanam, cuaca, dan permintaan pasar, menjadi perhatian penting dalam menjaga stabilitas ekonomi. Dalam penelitian ini, digunakan dua algoritma Recurrent Neural Networks (RNN), yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), untuk memprediksi harga cabai merah di Jawa Timur. Pengujian dilakukan dengan menggunakan dua skenario data latih, yaitu 70% dan 80%, dengan jumlah epoch tetap sebanyak 50. Hasil pengujian menunjukkan bahwa LSTM memberikan hasil yang lebih baik pada skenario 80% data latih, dengan nilai Mean Absolute Error (MAE) sebesar 1458,764, Root Mean Squared Error (RMSE) 2596,010, dan koefisien determinasi (R²) 0,978. Sementara itu, GRU menunjukkan sedikit keunggulan pada 70% data latih, dengan MAE 1742,027, RMSE 2820,462, dan R² 0,969. Secara keseluruhan, LSTM lebih optimal pada jumlah data latih yang lebih besar, sedangkan GRU lebih stabil pada data latih yang lebih kecil. Penelitian ini menyarankan pemilihan algoritma berdasarkan jumlah data latih yang tersedia untuk prediksi harga cabai merah yang lebih akurat.
PENERAPAN LSTM DAN GRU UNTUK PREDIKSI HARGA CABAI MERAH DI KOTA JAWA TIMUR Lim, Maggie; Handhayani, Teny
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6467

Abstract

Fluktuasi harga cabai merah di Jawa Timur, yang dipengaruhi oleh berbagai faktor seperti musim tanam, cuaca, dan permintaan pasar, menjadi perhatian penting dalam menjaga stabilitas ekonomi. Dalam penelitian ini, digunakan dua algoritma Recurrent Neural Networks (RNN), yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), untuk memprediksi harga cabai merah di Jawa Timur. Pengujian dilakukan dengan menggunakan dua skenario data latih, yaitu 70% dan 80%, dengan jumlah epoch tetap sebanyak 50. Hasil pengujian menunjukkan bahwa LSTM memberikan hasil yang lebih baik pada skenario 80% data latih, dengan nilai Mean Absolute Error (MAE) sebesar 1458,764, Root Mean Squared Error (RMSE) 2596,010, dan koefisien determinasi (R²) 0,978. Sementara itu, GRU menunjukkan sedikit keunggulan pada 70% data latih, dengan MAE 1742,027, RMSE 2820,462, dan R² 0,969. Secara keseluruhan, LSTM lebih optimal pada jumlah data latih yang lebih besar, sedangkan GRU lebih stabil pada data latih yang lebih kecil. Penelitian ini menyarankan pemilihan algoritma berdasarkan jumlah data latih yang tersedia untuk prediksi harga cabai merah yang lebih akurat.
Co-Authors Teny Handhayani