PERAMALAN HARGA KOMODITAS VARIAN CABAI MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) DI PROVINSI DKI JAKARTA

Ade Umar Ramadhan, NIM.: 18106050027 (2022) PERAMALAN HARGA KOMODITAS VARIAN CABAI MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) DI PROVINSI DKI JAKARTA. Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (PERAMALAN HARGA KOMODITAS VARIAN CABAI MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) DI PROVINSI DKI JAKARTA) 18106050027_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (2MB) | Preview
	Text (PERAMALAN HARGA KOMODITAS VARIAN CABAI MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) DI PROVINSI DKI JAKARTA) 18106050027_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Untuk mengendalikan permintaan pasar akan bahan pokok dan kestabilan harganya, ketersediannya perlu ditahan. Cabai merupakan komoditas pertanian yang harganya tidak stabil akibat tidak dapat disimpan terlalu lama karena akan mengalami penurunan kualitas sehingga harga cabai sering mengalami fluktuasi harga yang cukup tinggi. Oleh karena itu, perlu dilakukan upaya untuk mengatasi masalah tersebut salah satunya adalah melakukan peramalan terhadap harga cabai di pasaran agar tetap stabil. Penelitian ini bertujuan untuk merancang model pembelajaran mesin yang digunakan untuk melakukan peramalan harga berbagai varian cabai yang ada di pasar pada Provinsi DKI Jakarta. Peramalan harga menjadi salah satu faktor pendukung yang dapat dilakukan pemerintah agar dapat menyeimbangkan antara persediaan dan permintaan sehingga harga cabai di pasaran bisa stabil. Perancangan serta implementasi pada model pembelajaran mesin yang digunakan pada penelitian ini adalah metode RBFNN. Peramalan harga yang dilakukan dengan RBFNN ini melakukan prediksi terhadap harga dengan mempertimbangkan berbagai variabel pengujian pada varian cabai merah besar, cabai merah keriting, cabai rawit merah, dan cabai rawit hijau. Model pembelajaran mesin dari RBFNN yang optimal dilihat dari nilai evaluasi dari MAPE dan juga RMSE yang minimum sehingga berpengaruh pada tingkat kesalahan yang akan menentukan akurasi. Berdasarkan penilitian tingkat akurasi model RBFNN pada peramalan harga cabai yang sudah dilakukan dapat dikatakan baik karena nilai evaluasi dari MAPE yang dihasilkan kurang dari 20% dan nilai RMSE yang cukup rendah. Berdasarkan akurasi tersebut maka dapat dilakukan pembuatan model untuk peramalan dalam 7 hari ke depan.

Share this knowledge with your friends :

Actions (login required)

View Item