Perbandingan Metode LSTM dan Random Forest Untuk Prediksi Harga Telur Ayam Ras di Kalimantan Barat
Journal of Informatics and Interactive Technology · 31.12.2025 · 2 (3) · 425-433
DOI: 10.63547/jiite.v2i3.84 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal of Informatics and Interactive Technology, online erschienen am 31.12.2025. Verfasst von Khinta Ramadhani und 4 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).
Abstract (Originalsprache)
Prediksi harga telur ayam ras di Kalimantan Barat sangat penting untuk membantu peternak, pedagang, dan pemerintah dalam pengambilan keputusan terkait distribusi, stok, dan penetapan harga. Penelitian ini bertujuan membandingkan dua metode machine learning, yaitu Long Short-Term Memory (LSTM) dan Random Forest dalam memprediksi harga telur berdasarkan data historis. Data diambil dari situs Databoks Katadata periode Maret 2024–2025. Hasil pengujian menunjukkan bahwa Random Forest menghasilkan nilai Mean Squared Error (MSE) yang lebih rendah dibandingkan LSTM, sehingga Random Forest lebih akurat dan efektif digunakan untuk prediksi harga telur ayam ras di Kalimantan Barat.
Zitieren
APA
Ramadhani, K., Maulana, D., Ramdany, N. E., Ali, N., & Ramadhani, R. H. (2025). Perbandingan Metode LSTM dan Random Forest Untuk Prediksi Harga Telur Ayam Ras di Kalimantan Barat. Journal of Informatics and Interactive Technology, 2(3), 425-433. https://doi.org/10.63547/jiite.v2i3.84
Vancouver
Ramadhani K, Maulana D, Ramdany NE, Ali N, Ramadhani RH. Perbandingan Metode LSTM dan Random Forest Untuk Prediksi Harga Telur Ayam Ras di Kalimantan Barat. Journal of Informatics and Interactive Technology. 2025;2(3):425-433. doi:10.63547/jiite.v2i3.84
BibTeX
@article{Ramadhani2025,
author = {Ramadhani, Khinta and Maulana, Devan and Ramdany, Noval Esa and Ali, Najwan and Ramadhani, Rafli Himawan},
title = {Perbandingan Metode LSTM dan Random Forest Untuk Prediksi Harga Telur Ayam Ras di Kalimantan Barat},
journal = {Journal of Informatics and Interactive Technology},
year = {2025},
volume = {2},
number = {3},
pages = {425--433},
doi = {10.63547/jiite.v2i3.84}
}
EUVIMED