Peramalan Nilai Tukar Petani Kalimantan Timur Menggunakan Metode Neural Network

Putri Aulia Rahmah; Memi Nor Hayati; Ariyanti Cahyaningsih

doi:10.29303/ijasds.v2i1.5855

Penulis

Putri Aulia Rahmah Program Studi Statistika, Universitas Mulawarman, Indonesia
Memi Nor Hayati Program Studi Statistika, Universitas Mulawarman, Indonesia
Ariyanti Cahyaningsih Badan Pusat Statistik Provinsi Kalimantan Timur, Indonesia

DOI:

https://doi.org/10.29303/ijasds.v2i1.5855

Kata Kunci:

Neural Network, Nilai Tukar Petani, Peramalan

Abstrak

Nilai tukar petani (NTP) merupakan indikator yang sangat penting untuk mengukur daya beli para petani Indonesia, yang dimana mereka merupakan pelaku utama dalam sektor pertanian. Hal tersebut dikarenakan sektor pertanian adalah salah satu sektor utama di Indonesia, salah satunya di Provinsi Kalimantan Timur. Penelitian ini bertujuan untuk memprediksi dan meramalkan NTP Provinsi Kalimantan Timur menggunakan metode Neural Network (NN) dengan algoritma backpropagation. Data yang digunakan adalah data NTP Provinsi Kalimantan Timur periode Januari 2020 sampai dengan September 2024 yang diperoleh dari BPS Provinsi Kalimantan Timur. Penelitian ini menguji 5 model arsitektur NN yang berbeda jumlah lapisan pada hidden layer, yaitu 1, 2, 3, 4, dan 5 lapisan pada hidden layer. Penelitian dilakukan dengan menggunakan 1 variabel input, learning rate sebesar 0,01, maksimal 10.000 iterasi, dan threshold sebesar 0,5, Berdasarkan proses pelatihan yang telah dilakukan, diperoleh kesimpulan bahwa arsitektur NN terbaik yang dapat digunakan untuk meramalkan NTP Provinsi Kalimantan Timur adalah NN dengan 5 lapisan pada hidden layer dengan MAPE sebesar 2,087%.

Referensi

Andika, F., Sari, R. P., & Nurviana. (2024). Perbandingan Model Chen dan Lee pada Metode Fuzzy Time Series untuk Peramalan Nilai Tukar Petani (NTP) di Provinsi Aceh. JSMS: Jurnal Sains Matematika dan Statistika, 10(1), 71–84.

Aswi, & Sukarna. (2006). Analisis Runtun Waktu Aplikasi dan Teori. Andira Publisher.

Ayun, Q., Kurniawan, S., & Saputro, W. A. (2020). Perkembangan Konversi Lahan Pertanian di Bagian Negara Agraris. VIGOR: Jurnal Ilmu Pertanian Tropika dan Subtropika, 5(2), 38–44.

BPS Provinsi Kalimantan Timur. (2022). Statistik Nilai Tukar Petani Provinsi Kalimantan Timur 2022.

BPS Provinsi Kalimantan Timur. (2024). Berita Resmi Statistik No. 57/10/64/Th.XXVII, 1 Oktober 2024.

Chatfield, C., & Xing, H. (2019). The Analysis of Time Series : an Introduction with R Sevent Edition (7 ed.). CRC Press.

Dian, F., Supriyadi, D., & Fitriana, G. F. (2022). Penerapan Metode Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Tingkat Kemiskinan di Provinsi Jawa Tengah. Jurnal Teknologi dan Ilmu Komputer (JTIIK), 9(August), 464–655. https://doi.org/10.25126/jtiik.202294806

Fausett, L. V. (1994). Fundamentals of Neural Networks : Architectures, Algorithms, and Applications. In Agricultural Systems modeting and Simulation. Prentice Hall. https://doi.org/10.1201/9781482269765-16

Julpan, Nababan, E. B., & Zarlis, M. (2015). Analisis Fungsi Aktivasi Sigmoid Biner dan Sigmoid Bipolar dalam Algoritma Bacpropagation pada Prediksi Kemampuan Siswa. Jurnal Teknovasi, 2(1), 103–116.

Kartalopouslos, S. V. (1996). Understanding Neural Network and Fuzzy Logic : Basic Concepts and Applications. Wiley-IEEE Press.

Khoiri, H. A. (2023). Analisis Deret Waktu Univariat. UNIPMA PRESS.

Maiyuriska, R. (2022). Penerapan Jaringan Syaraf Tiruan dengan Algoritma Backpropagation dalam Memprediksi Hasil Panen Gabah Padi. Jurnal Informatika Ekonomi Bisnis, 4, 28–33. https://doi.org/10.37034/infeb.v4i1.115

Setyaningrum, O. A., Zukhronah, E., & Handajani, S. S. (2023). Peramalan Nilai Tukar Petani (NTP) di Indonesia Menggunakan Metode Hibrida Singular Spectrum Analysis (SSA)-Seasonal Autotegressive Integrated Moving Average (SARIMA). Prosiding SENPIKA VI, 1, 254–266.

Suahati, A. F., Nurrahman, A. A., & Rukmana, O. (2022). Penggunaan Jaringan Syaraf Tiruan – Backpropagation dalam Memprediksi Jumlah Mahasiswa Baru. Jurnal Media Teknik dan Sistem Industri, 6(1), 21. https://doi.org/10.35194/jmtsi.v6i1.1589

Sukhbaatar, O., Usagawa, T., & Choimaa, L. (2019). An Articial Neural Network Based Early Prediction of Failure-Prone Students in Blended Learning Course. International Journal of Emerging Technologies in Learning (iJET), 14(19), 77–92.

Veri, J., Surmayanti, S., & Guslendra, G. (2022). Prediksi Harga Minyak Mentah Menggunakan Jaringan Syaraf Tiruan. MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 21(3), 503–512. https://doi.org/10.30812/matrik.v21i3.1382