Penerapan Model Long Short Term Memory Pada Jumlah Produksi Pupuk Di PT. Pelindo Gresik

Ro’iqotul Fathiyyah Romdloni, Dian Yuliati, Nurissaidah Ulinnuha

Abstract


PT Pelindo Multi Terminal adalah subholding dari PT Pelabuhan Indonesia (Persero) yang mengelola berbagai terminal multipurpose di Indonesia, termasuk terminal petikemas. Cabang Gresik merupakan salah satu dari banyak cabang yang dikelola oleh PT Pelindo Multi Terminal, yang berfokus pada operasi terminal petikemas dan layanan bongkar muat. Penelitian ini bertujuan untuk mengevaluasi model Long Short-Term Memory (LSTM) dalam memprediksi jumlah produksi pupuk pada kegiatan bongkar muat di PT Pelindo Multi Terminal Petikemas Branch Gresik. LSTM dipilih karena kemampuannya dalam mengolah data berurutan dan memprediksi pola jangka panjang secara akurat. Data yang digunakan dalam penelitian ini adalah jumlah produksi pupuk dari tahun 2018 hingga 2023. Hasil penelitian menunjukkan bahwa model LSTM mampu memberikan prediksi yang cukup akurat, dengan Mean Squared Error (MSE) sebesar 258141463,92 dan Mean Absolute Percentage Error (MAPE) sebesar 18,60% pada epoch 300 dan menunjukkan bahwa LSTM efektif dalam memproses dan memprediksi jumlah produksi pupuk, serta berpotensi meningkatkan efisiensi operasional bongkar muat pupuk. 


References


R. Amalia, A. G. Kamaludin, and A. A. Tabah, “Efektivitas Pengiriman Barang di Terminal Peti Kemas (TPK) Koja,” Jurnal Manajemen Bisnis Transportasi dan Logistik, vol. 6, no. 1, p. 73, Jul. 2020, doi: 10.54324/j.mbtl.v6i1.445.

Sulistyowati and S. A. Wijaya, “Faktor-Faktor Yang Mempengaruhi Kecepatan Bongkar Muat Peti Kemas Di Pt. Ipc Terminal Peti Kemas Area Pontianak,” Jurnal Ekonomika45, vol. 10, no. 1, 2022, doi: 10.30640/ekonomika45.v10i1.651.

M. Mukhlis, A. Kustiyo, A. Suharso, B. Jaya, J. Dramaga, and K. Bogor, “Peramalan Produksi Pertanian Menggunakan Model Long Short-Term Memory,” BINA INSANI ICT JOURNAL, vol. 8, no. 1, pp. 22–32, 2021, doi: 10.51211/biict.v8i1.1492.

A. S. Bayangkari Karno, “Analisis Data Time Series Menggunakan LSTM (Long Short Term Memory) Dan ARIMA (Autocorrelation Integrated Moving Average) Dalam Bahasa Python.,” Ultima InfoSys : Jurnal Ilmu Sistem Informasi, vol. 11, no. 1, pp. 1–7, Jul. 2020, doi: 10.31937/si.v9i1.1223.

R. Akbar, R. Santoso, and B. Warsito, “Prediksi Tingkat Temperatur Kota Semarang Menggunakan Metode Long Short-Term Memory (LSTM),” Jurnal Gaussian, vol. 11, no. 4, pp. 572–579, Feb. 2023, doi: 10.14710/j.gauss.11.4.572-579.

A. Aulia, A. M. Elhanafi, and H. Dafitri, “Implementasi Algoritma Gated Recurrent Unit Dalam Melakukan Prediksi Harga Kelapa Sawit Dengan Memanfaatkan Model Recurrent Neural Network (RNN),” Prosiding Snastikom, vol. 1, 2021.

Ilham Amansyah, Jamaludin Indra, and Ayu Ratna Juwita, “Prediksi Penjualan Kendaraan Menggunakan Regresi LinearStudi Kasus pada Industri Otomotif diIndonesia,” vol. 4, pp. 1199–1216, 2024.

A. D. Milniadi and N. O. Adiwijaya, “Analisis Perbandingan Model Arima Dan Lstm Dalam Peramalan Harga Penutupan Saham (Studi Kasus : 6 Kriteria Kategori Saham Menurut Peter Lynch),” SIBATIK JOURNAL: Jurnal Ilmiah Bidang Sosial, Ekonomi, Budaya, Teknologi, dan Pendidikan, vol. 2, no. 6, pp. 1683–1692, May 2023, doi: 10.54443/sibatik.v2i6.798.

A. Awaludin and T. Oktarina, “Application of the LSTM Algorithm in Predicting Urea Fertilizer Production at IIB Plant PT. Pupuk Sriwidjaja Palembang,” Jurnal Sains Komputer & Informatika, vol. 7, no. 2, p. 1015, 2023.

A. Primawati, I. S. Sitanggang, A. Annisa, and D. A. Astuti, “Perbandingan Kinerja LSTM dan Prophet untuk Prediksi Deret Waktu (Studi Kasus Produksi Susu Sapi Harian),” Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 9, no. 3, p. 428, Dec. 2023, doi: 10.26418/jp.v9i3.72031.

Y. Widhiyasana, T. Semiawan, I. Gibran, A. Mudzakir, and M. R. Noor, “Penerapan Convolutional Long Short-Term Memory untuk Klasifikasi Teks Berita Bahasa Indonesia (Convolutional Long Short-Term Memory Implementation for Indonesian News Classification),” 2021.

M. Butar Butar, “Perancangan Sistem Informasi Pengolahan Data Distribusi Pupuk Menggunakan Metode E-Supply Chain Management (Studi Kasus : Pt. Gudang Penyangga Dairi),” 2019.

L. Yuliana, “Manajemen Rantai Pasok Produksi Rak Piring Aluminium Di Depok (Studi Kasus Pada Pd. Sumber Jaya Aluminium),” Jurnal Riset Bisnis, vol. 3, no. 2, 2020, doi: 10.35814/jrb.v3i2.789.

A. D. W. P and N. I. Safutra, “Pelatihan Teknik Pengemasan Pupuk Organik Cair dan Pestisida Nabati untuk Menjaga Viabilitas Bakteri Pada Kelompok Seraton di Desa Tonasa,” Idea Pengabdian Masyarakat, vol. 2, no. 03, pp. 169–174, May 2022, doi: 10.53690/ipm.v2i03.130.

I. P. C. P. Adnyana and M. S. Mohktar, “Pengawasan Distribusi Pupuk Bersubsidi Di Kota Padang,” SOCA: Jurnal Sosial Ekonomi Pertanian, p. 201, Apr. 2019, doi: 10.24843/soca.2019.v13.i02.p05.

A. Palapa, “Upaya Pencegahan Kecelakan Kerja pada MV. Mochtar Prabu Mangkunekagara Dalam Proses Bongkar Muat Pupuk,” KALAOS : Kalao’s Maritime Journal, vol. 3, no. 2, pp. 46–60, 2022, doi: 10.69754/kalaos.v3i2.73.

U. Maman, I. Aminudin, and E. Novriana, “Efektifitas Pupuk Bersubsidi Terhadap Peningkatan Produktivitas Padi Sawah,” JURNAL AGRIBISNIS TERPADU, vol. 14, no. 2, p. 176, Dec. 2021, doi: 10.33512/jat.v14i2.13268.

D. Prasetyawan and R. Gatra, “Algoritma K-Nearest Neighbor untuk Memprediksi Prestasi Mahasiswa Berdasarkan Latar Belakang Pendidikan dan Ekonomi,” JISKA (Jurnal Informatika Sunan Kalijaga), vol. 7, no. 1, pp. 56–67, Jan. 2022, doi: 10.14421/jiska.2022.7.1.56-67.

K. O. Putra, G. W. Nurcahyo, and J. Santony, “). Penerapan Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Memprediksi Kunjungan Poliklinik (Studi Kasus Di Rumah Sakit Otak Dr. Drs. M. Hatta Bukittinggi),” JSR : Jaringan Sistem Informasi Robotik, vol. 2, no. 1, pp. 86–90, Mar. 2018, doi: 10.58486/jsr.v2i1.30.

K. Shankar et al., “An Automated Hyperparameter Tuning Recurrent Neural Network Model for Fruit Classification,” Mathematics, vol. 10, no. 13, Jul. 2022, doi: 10.3390/math10132358.

A. E. Ibor, F. A. Oladeji, O. B. Okunoye, and O. O. Ekabua, “Conceptualisation of Cyberattack prediction with deep learning,” Cybersecurity, vol. 3, no. 1, Dec. 2020, doi: 10.1186/s42400-020-00053-7.

A. Rolangon, A. Weku, and G. A. Sandag, “Perbandingan Algoritma LSTM Untuk Analisis Sentimen Pengguna Twitter Terhadap Layanan Rumah Sakit Saat Pandemi Covid-19,” TeIKa, vol. 13, no. 01, pp. 31–40, May 2023, doi: 10.36342/teika.v13i01.3063.

R. Luthfiansyah and B. Wasito, “Penerapan Teknik Deep Learning (Long Short Term Memory) dan Pendekatan Klasik (Regresi Linier) dalam Prediksi Pergerakan Saham BRI,” 2023. doi: 10.46806/jib.v12i2.1059.

J. Cahyani, S. Mujahidin, and T. P. Fiqar, “Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 11, no. 2, p. 346, Jul. 2023, doi: 10.26418/justin.v11i2.57395.

F. Indra Sanjaya and D. Heksaputra, “Prediksi Rerata Harga Beras Tingkat Grosir Indonesia dengan Long Short Term Memory,” vol. 7, no. 2, pp. 163–174, 2020, doi: 10.35957/jatisi.v7i2.388.

T. O. Hodson, T. M. Over, and S. S. Foks, “Mean Squared Error, Deconstructed,” J Adv Model Earth Syst, vol. 13, no. 12, Dec. 2021, doi: 10.1029/2021MS002681.




DOI: http://dx.doi.org/10.24014/jsms.v11i2.33034

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Jurnal JSMS

p-ISSN     : 2460-4542 (print)
e-ISSN     : 2615-8663 (online)
Alamat   : Program Studi Matematika
                   Fakultas Sains dan Teknologi, UIN Suska Riau
                   Jl. H.R Soebrantas, No. 155, Tampan, Pekanbaru.
Website : http://ejournal.uin-suska.ac.id/index.php/JSMS
e-mail    :
jsmsfst@uin-suska.ac.id

   

 

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.