Implementasi Long Short-Term Memory (LSTM) Pada Forecasting Waktu Tanam Optimal Tanaman Cabai

Abstract

Cabai merupakan salah satu komoditas pertanian yang memiliki nilai ekonomis tinggi. Penelitian ini merancang sistem machine learning yang diterapkan pada forecasting waktu tanam optimal tanaman cabai. Dengan tiga parameter data, yaitu data curah hujan, data hasil panen cabai rawit, dan data harga cabai rawit, dirancang sistem machine learning  dengan algoritma Recurrent Neural Network Long Short Term Memory (LONG SHORT-TERM MEMORY). Data yang ada diurutkan berdasarkan rentang waktu. LSTM merupakan modifikasi dari RNN yang mampu memprediksi data berdasarkan informasi lampau yang disimpan dalam waktu lama sekaligus menghapus informasi yang sudah tidak relevan. Data yang digunakan paling penelitian ini masing-masing 865 data dari rentang waktu 1 Maret 2019-9 September 2022. Didapat nilai MSE model curah hujan 0.0187 dan MSE predicted 0.0252. Pada data harga cabai rawit didapat nilai MSE model 0.0083 dan MSE predicted 0.1535. Sedangkan pada data hasil panen cabai rawit MSE model bernilai 0.0311 dan MSE predicted 0.1138. Hasil ramalan diperoleh bahwa pada bulan September 2022, Oktober 2022, dan Februari 2023 adalah bulan paling optimal bagi petani untuk menanam cabai rawit.