PENERAPAN DATA MINING UNTUK MEMPREDIKSI HARGA PANGAN DI KOTA PALEMBANG MENGGUNAKAN DEEP LEARNING DENGAN METODE LONG SHORT TERM MEMORY (LSTM) (STUDI KASUS: DINAS PERDAGANGAN PROVINSI SUMATERA SELATAN)

Penelitian ini bertujuan untuk memprediksi harga pangan di Kota Palembang dengan menggunakan metode Long Short Term Memory (LSTM) dalam deep learning. Penelitian ini dilatarbelakangi oleh pentingnya ketahanan pangan di Indonesia dan kebutuhan akan informasi harga pangan yang akurat dan real-time. Data yang digunakan mencakup harga rata-rata bulanan beras, minyak goreng, dan cabai merah dari Dinas Perdagangan Provinsi Sumatera Selatan selama periode 2021-2023. Data ini diolah menggunakan metode data mining dengan teknik Knowledge Discovery in Database (KDD) dan dinormalisasi menggunakan min-max scaler. Setelah praproses data, data dibagi menjadi 90% data pelatihan dan 10% untuk pengujian. Model LSTM dilatih menggunakan algoritma optimasi Adam dengan parameter terbaik, yaitu 10 neuron dan 50 epoch. Hasil pengujian menunjukkan bahwa model ini mampu memberikan prediksi yang akurat dengan nilai Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) yang rendah. Prediksi menunjukkan tren kenaikan harga yang stabil untuk beras, cabai merah, dan minyak goreng sepanjang tahun 2024. Implementasi Graphical User Interface (GUI) dengan Google Colaboratory memudahkan pengguna dalam memasukkan data dan melihat hasil prediksi dalam bentuk grafik dan tabel. Penelitian ini menyimpulkan bahwa penerapan LSTM dalam prediksi harga pangan dapat memberikan wawasan yang komprehensif mengenai dinamika pasar, memungkinkan penerapan kebijakan yang lebih efektif, dan memberikan manfaat langsung bagi masyarakat serta para pemangku kepentingan. Meskipun hasil prediksi menunjukkan kestabilan harga, masih ada ruang untuk peningkatan akurasi model di masa depan.