IMPLEMENTASI METODE LONG SHORT TERM MEMORY UNTUK PERAMALAN PERTUMBUHAN JUMLAH UMKM

Sri Herawati, Novi Prastiti

Abstract


Usaha Kecil Mikro dan Menengah (UMKM) berperan penting dalam pertumbuhan perekonomian suatu daerah.  Perkembangan UMKM khususnya di Madura cukup baik yang didukung dengan adanya jembatan Suramadu. UMKM menjadi salah satu solusi dan pendorong kondisi perekonomian yang lebih stabil. UMKM memiliki potensi besar untuk meningkatkan kesejahteraan masyarakat. UMKM ini memiliki hubungan yang erat dengan ekonomi kreatif. Saat ini, pelaku usaha dituntut untuk lebih kreatif dan inovatif dalam pengembangan usahanya, baik dari segi produk, pemasaran, distribusi, maupun sistem lainnya Sehingga, penelitian ini mencoba  melakukan peramalan tingkat pertumbuhan ekonomi kreatif di Madura. Peramalan  dapat memantau fluktuasi pertumbuhan ekonomi kreatif suatu daerah yang berdampak pada pertumbuhan ekonomi daerah. Penelitian ini menggunakan metode Long Short-Term Memory (LSTM) untuk prediksi jumlah UMKM. Hasil dari peramalan ini adalah nilai MAPE terbaik yaitu 0,0184 % didapatkan dari kombinasi parameter epochs 500, batch size 4, dan neuron hidden 30, serta dengan learning rate 0,1 dan pembagian data training : data testing yaitu 70 % : 30 %. Kesimpulan yang didapatkan adalah peramalan Jumlah UMKM dengan metode Long Short-Term Memory mempunyai kinerja bagus karena nilai MAPE berada di bawah 10%.

Kata kunci: Peramalan, Long Short Term Memory (LSTM), Usaha Kecil Mikro dan Menengah (UMKM).


References


S. Oktapia and Mulyani, “Strategi kebangkitan UMKM dengan penerapan peramalan penjualan metode time series moment”. Senashtek , pp. 740-748, 2022.

A.O. Siagian and Y. Cahyono, “Strategi pemulihan pemasaran UMKM di masa pandemi COVID-19 pada sektor ekonomi kreatif”. Jurnal Teknologi dan Sistem Informasi Bisnis, vol. 3,no. 1, pp. 206–217,2021.

M. Mukhlis, A. Kustiyo, and A. Suharso, “Peramalan produksi pertanian menggunakan model long Short-Term memory”, Bina Insani ICT J., vol. 8, no.1, p.22, 2021.

M. Davi and E. Winarko, “Rancang bangun aplikasi peramalan jumlah penumpang menggunakan Long Short-Term Memory (LSTM)”, Infotekmesin, vol. 14, no.02, pp 303-310, 2023.

R. Julian and M. R. Pribadi, “ Peramalan harga saham pertambangan pada bursa efek Indonesia (BEI) menggunakan Long Short Term Memory (LSTM)”, Jurnal Teknik Informatika dan Sistem Informasi,” vol. 8, no. 3, pp. 1596-1606, 2021.

S. R. Siregar and R. Widyasari, “Peramalan harga crude oil menggunakan metode long short-term memory (LSTM) dalam Recurrent neural network (RNN)”, Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika”, vol. 4, no. 3, 2023.

Y. Baek and H.Y. Kim, “ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module”, Expert Systems with Applications, vol.113, pp. 457-480. 2018.

J. Cahyani, S. Mujahidin, T. P. Fiqar, “ Implementasi metode Long Short Term Memory (LSTM) untuk memprediksi harga bahan pokok nasional”, Jurnal Ssitem dan Teknologi Informasi, vol. 11, no. 2, pp.346 - 357, 2023.

Y.E. Nugraha, I. Ariawan and W. A. Arifin, “Weather forecast from time series data using LSTM algorithm “, Jurnal Ilmiah Teknologi dan Komunikasi, vol. 14, no. 1, pp. 144-152, 2023.

J. Zheng, C. Xu, Z. Zhang, and X. Li, “Electric load forecasting in smart grids using Long-Short-Term-Memory based Recurrent Neural Network,” 2017 51st Annu. Conf. Inf. Sci. Syst. CISS 2017, pp. 1–6, 2017.

S. Sen, D. Sugiarto, and A. Rochman, “ Komparasi metode multilayer perceptron (MLP) dan Long short term memory (LSTM) dalam peramalan harga beras”, Ultimatics, vol. 12, no. 1, pp. 35 - 41, 2020.

R. Julian and M. R. Pribadi, “Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM),” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 3, pp. 1570–1580, 2021.

S. Sen, D. Sugiarto, and A. Rochman, “Prediksi Harga Beras Menggunakan Metode Multilayer Perceptron (MLP) dan Long Short Term Memory (LSTM),” Ultim. J. Tek. Inform., vol. 12, no. 1, pp. 35– 41, 2020.

J. Zheng, L. Zheng, and L.Yang, “Research and Analysis in Finegrained Sentiment of Film Reviews Based on Deep Learning,” J. Phys. xiixiii Conf. Ser., vol. 1237, no. 2, 2019.

M. Davi and E. Winarko, “Rancang Bangun Aplikasi Peramalan Jumlah Penumpang menggunakan Long Short Term Memory (LSTM), Infotekmesin, vol. 14, no.02, pp.303-310, 2023.




DOI: https://doi.org/10.21107/simantec.v12i2.28929

Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Sri Herawati, Novi Prastiti

Indexed By