Peramalan Harga Crude Coconut Oil Menggunakan Metode Long Short Term Memory Dan Temporal Convolutional Network

Wijaya Rosga, Sandhi (2024) Peramalan Harga Crude Coconut Oil Menggunakan Metode Long Short Term Memory Dan Temporal Convolutional Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06111840000031-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 March 2026. Download (3MB) | Request a copy

Abstract

Indonesia merupakan negara agraris, yang artinya memiliki kekayaan yang melimpah pada sektor pertanian, perkebunan, dan perikanan. Crude Coconut Oil (CNO) merupakan salah satu olahan perkebunan kelapa berupa minyak kelapa yang menjadi salah satu komoditi ekspor di Indonesia. Melakukan peramalan (forecasting) menjadi langkah yang penting dilakukan bagi suatu perusahaan agar dapat mengambil keputusan dikarenakan harga CNO yang fluktuatif. Pada penelitian ini telah dilakukan peramalan harga CNO dengan menggunakan metode Long Short Term Memory (LSTM), Temporal Convolutional Network (TCN), dan LSTM – TCN. Metode LSTM – TCN merupakan metode gabungan (hybrid) yang bekerja dengan menggunakan layer LSTM sebagai input awal model. Selanjutnya, output dari layer LSTM akan dijadikan sebagai input dari layer TCN yang kemudian dilakukan konvolusi sehingga mendapatkan model yang sudah terlatih. Model kemudian diuji dengan melakukan peramalan pada data uji yang telah tersedia dan dihitung hasil evaluasinya. Penelitian ini menggunakan data CNO yang dimulai dari tahun 2007 hingga tahun 2023 sebagai dataset model yang digunakan. Hasil dari penelitian ini mendapatkan nilai evaluasi untuk metode LSTM yaitu MAE sebesar 57.617, RMSE sebesar 89.141, dan MAPE sebesar 3.582%. Untuk Metode TCN didapatkan MAE sebesar 36.894, RMSE sebesar 65.363, dan MAPE sebesar 2.399%. Untuk metode LSTM – TCN MAE sebesar 52.535, RMSE sebesar 83.925, dan MAPE sebesar 3.256%. Didapatkan metode TCN melakukan permalan dengan hasil terbaik.
====================================================================================================================================
Indonesia is an agricultural country, which means it has abundant wealth in the agriculture, plantation and fisheries sectors. Crude Coconut Oil (CNO) is one of the processed coconut plantations in the form of coconut oil which is one of the export commodities in Indonesia. Forecasting is an important step for a company to be able to make decisions due to fluctuating CNO prices. In this research, CNO price forecasting has been done using the Long Short Term Memory (LSTM), Temporal Convolutional Network (TCN), and LSTM – TCN methods. The LSTM – TCN method is a combined (hybrid) method that works by using the LSTM layer as the initial model input. Next, the output from the LSTM layer will be used as input for the TCN layer which will then be convolved to obtain a trained model. The model is then tested by forecasting the available test data and calculating the evaluation results. This research uses CNO data starting from 2007 to 2023 as the model dataset used. The results of this research obtained evaluation values for the LSTM method, MAE is 57.617, RMSE is 89.141, and MAPE is 3.582%. For the TCN method, the MAE is 36.894, RMSE is 65.363, and MAPE is 2.399%. For the LSTM – TCN method, MAE is 52.535, RMSE is 83.925, and MAPE is 3.256%. It was found that the TCN method performed forecasting with the best results.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Crude Coconut Oil, forecasting, Long Short Term Memory (LSTM), Peramalan, Temporal Convolutional Network (TCN)
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA280 Box-Jenkins forecasting Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Mathematics and Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Sandhi Wijaya Rosga
Date Deposited:	19 Feb 2024 07:41
Last Modified:	19 Feb 2024 07:41
URI:	http://repository.its.ac.id/id/eprint/107521

Actions (login required)

View Item