FADILLAH, RIZKY (2025) PENERAPAN MACHINE LEARNING UNTUK MEMPREDIKSI HARGA BAHAN PANGAN DI PROVINSI ACEH MENGGUNAKAN METODE FUZZY TIME SERIES BERBASIS AVERAGE. S1 thesis, Universitas Malikussaleh.

	Text Cover.pdf Download (203kB)
	Text Abstrak.pdf Download (261kB)
	Text Bab 1.pdf Download (322kB)
	Text Daftar Pustaka.pdf Download (222kB)
	Text Full-text.pdf Restricted to Registered users only Download (2MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem prediksi harga bahan pangan berbasis Fuzzy Time Series (FTS) berbasis average dengan studi kasus data harga komoditas dari tahun 2018 hingga 2023. Sistem ini dirancang untuk memprediksi harga lima komoditas utama, yaitu Beras Kualitas Super I, Daging Ayam Segar, Telur Ayam Ras Segar, Minyak Goreng Curah, dan Gula Pasir Kualitas Premium. Proses prediksi melibatkan pembentukan Universe of Discourse, interval, dan hubungan logika fuzzy (FLR dan FLRG) untuk memodelkan pola perubahan harga historis. Hasil penelitian menunjukkan bahwa model ini mampu memberikan prediksi yang akurat, dengan nilai Mean Absolute Percentage Error (MAPE) terbaik sebesar 0,49% untuk Beras Kualitas Super I, sedangkan MAPE komoditas lainnya berkisar antara 0,69% hingga 1,44%. Grafik perbandingan antara data aktual dan hasil prediksi menunjukkan keselarasan pola yang konsisten, baik untuk komoditas dengan fluktuasi tinggi maupun pola harga yang lebih stabil. Sistem ini terbukti efektif dalam memproyeksikan harga bahan pangan di masa depan dengan tingkat kesalahan yang rendah, menjadikannya alat yang andal untuk mendukung pengambilan keputusan strategis dalam pengelolaan harga bahan pangan selama periode analisis lima tahun tersebut.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 55201 - Jurusan Teknik Informatika
Depositing User:	Rizky Fadillah
Date Deposited:	17 Jul 2025 07:50
Last Modified:	17 Jul 2025 07:50
URI:	https://rama.unimal.ac.id/id/eprint/12689

Actions (login required)

View Item