Prediksi Harga Beras di Kota Bandung Menggunakan LSTM dengan Optimasi Adam
Kinanti Putri Kirana, Reny Rian Marliana · Bandung Conference Series Statistics · 2025
Abstract. Fluctuation in rice prices in Bandung City affect economic stability, particularly for low-income communities. This study aims to predict rice prices in 2025 using teh Long Short-Term Memory (LSTM) method, a Recurrent Neural Network (RNN) algorithm designed to handle time series data with long-term dependencies. The data used consists of weekly rice prices from six quality categories, spanning from September 2017 to December 2024, obtained from the National PIHPS. The model was trained for 100 epochs using Adam optimization and evaluated using , MSE, MAE, and RMSE metrics. The results show that the LSTM model performed well in capturing historical patterns, with the highest R-squared value of 0.9256 achieved in the Medium I category. The predictions indicate a downward trens for lower-quality and Medium I rice, and an upqard trend for Medium II and Super I. This model has proven to be sensitie to the characteristics of each segment and is suitable for supporting food price control police. Abstrak. Fluktuasi harga beras di Kota Bandung memengaruhi stabilitas ekonomi, khususnya bagi Masyarakat berpenghasilan rendah. Penelitian ini bertujuan memprediksi harga beras pada tahun 2025 menggunakan metode Long Short-Term Memory (LSTM), algoritma Recurrent Neural Network (RNN) yang dirancang untuk menangani data time series dengan ketergantungan jangka panjang. Data yang digunakan adalah harga mingguan enam kategori kualitas beras dari September 2017 hingga Desember 2024 yang diperoleh dari PIHPS Nasional. Model dilatih selama 100 epoch menggunakan optimasi Addam, dengan evaluasi menggunakan metrik , MSE, MAE, dan RMSE. Hasil menunjukkan bahwa model LSTM memiliki performa tinggi dalam menangkap pola historis, dengan nilai R-squared tertinggi pada kategori Medium I sebesar 0.9256. Prediksi menunjukkan tren penurunan pada beras kualitas rendah dan Medium I, serta tren naik pada Medium II dan Super I. Model ini terbukti sensitive terhadap karakteristik tiap segmen dan layak digunakan untuk mendukung kebijakan pengendalian harga pangan.