Prediksi Harga Gabah Kering Panen Menggunakan Hybrid CNN-LSTM Dengan Hyperparameter Tuning

Abstract

Stabilitas harga Gabah Kering Panen (GKP) merupakan indikator bagi kesejahteraan petani. Tingginya volatilitas harga akibat anomali perubahan cuaca dan faktor lainnya sering kali menyulitkan pemerintah dan petani dalam mengambil keputusan strategis karena metode peramalan konvensional yang ada memiliki keterbatasan dalam menangkap pola non-linear dan fluktuasi ekstrem pada data komoditas ini. Penelitian ini bertujuan untuk mengembangkan model prediksi harga GKP yang akurat dengan menerapkan arsitektur deep learning hybrid Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) dengan struktur multi input yang mengintegrasikan data historis harga GKP dengan variabel eksternal cuaca berupa suhu dan curah hujan. Metodologi penelitian menggunakan dataset deret waktu periode 2008 hingga 2024 dengan tahapan preprocessing membuat fitur moving average (MA) untuk menangkap tren usiman, serta menerapkan strategi pencarian kombinasi data (variasi timeline dan rasio splitting) terbaik lalu dilanjutkan dengan hyperparameter tuning otomatis menggunakan Bayesian Optimization. Hasil penelitian menunjukkan bahwa konfigurasi data paling optimal didapat pada timeline 3 bulan dengan rasio pembagian data latih dan uji sebesar 60:40, di mana penerapan Bayesian Optimization mampu secara signifikan dalam meningkatkan performa model hingga menghasilkan tingkat kesalahan Mean Absolute Error (MAE) sebesar Rp 210.80 dan Normalized MAE sebesar 4.02%. Pada pengujian prediksi untuk tiga bulan ke depan, model memproyeksikan harga GKP pada Januari 2025 akan berada di angka Rp 6.422,69 (naik 1,03%), Februari 2025 sebesar Rp 6.409,98 (turun 0,20%), dan Maret 2025 sebesar Rp 6.368,04 (turun 0,65%)Angka ini berada jauh di bawah ambang batas threshold 10%, sehingga dapat disimpulkan bahwa penambahan fitur cuaca melalui CNN dan memori jangka panjang yang dimiliki LSTM mampu memetakan dinamika harga gabah secara efektif dan bisa diimplementasikan sebagai sistem peramalan harga untuk meminimalisir risiko akibat fluktuasi harga GKP di masa depan.