Eksplorasi Model LSTM dengan Autoregressive Integrated Moving Average (ARIMA) dan Bayesian Optimization untuk Peningkatan Akurasi Prediksi Ketahanan Pangan

Abstract

Tujuan : Penelitian ini bertujuan untuk mengeksplorasi Model LSTM dengan Autoregressive Integrated Moving Average (ARIMA) dan Bayesian Optimization untuk Peningkatan Akurasi Prediksi Ketahanan Pangan Kota Pagar Alam. SIstem ini diharapkan mampu memprediksi secara akurat ketahanan pangan untuk proyeksi 5 tahun kedepan melalui data timeseries: Sumsel mengalami penurunan Indeks Ketahanan Pangan (IKP) yang berada pada batas level bawah <50 ARIMA dan LSTM dalam meramalkan Ketahanan Pangan Sumatera Selatan  menggunakan  dua  skenario  data:  basic LSTM dan ARIMA dan LSTM, ARIMA yang di optimasi dengan Bayes Optimization).  Hasil menunjukkan  bahwa  LSTM  menghasilkan visualisasi data yang tidak konsisten dengan turun dan naik data yang inbalancing sedangkan arima mampu memprediksi data dengan lebih balance. Kedua visualisasi tersebut lebih di optimasi dengan Bayesian Optimization sehingga menghasilkan data yang balance dan beriringan satu sama lain MAPE nya juga dibawah 10% sehingga menunjulan tingkat error data sangat sedikit. Temuan ini  menegaskan  bahwa  pemilihan  model  peramalan harus  disesuaikan  dengan  karakteristik  data. Hasil penelitian ini dapat menjadi menjadi   panduan   dalam   memilih   metode   prediksi ketahanan pangan sumatera selatan yang paling efektif untuk mendukung upaya mitigasi  kekurangan pangan.