AZ ZUHY, Jehian Athaya Tsani (2026) Implementasi LSTM Untuk Prediksi Konsumsi Kalori Harian Berdasarkan Data Neraca Bahan Makanan Kementerian Pertanian. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Download (351kB)
	PDF (Legalitas) LEGALITAS-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Restricted to Repository staff only Download (482kB)
	PDF (Abstrak) ABSTRAK-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Download (248kB)
	PDF (BabI) BAB-I-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Restricted to Repository staff only Download (245kB)
	PDF (BabII) BAB-II-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Restricted to Repository staff only Download (516kB)
	PDF (BabIII) BAB-III-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Restricted to Repository staff only Download (449kB)
	PDF (BabIV) BAB-IV-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Download (3MB)
	PDF (BabV) BAB-V-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Download (235kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Jehian Athaya Tsani Az Zuhry-H1D022006-Skripsi-2026.pdf Restricted to Repository staff only Download (218kB)

Abstract

Ketahanan pangan merupakan isu kritis bagi Indonesia yang menempati peringkat ke-69 dari 113 negara pada Global Food Security Index 2022. Metode prediksi konvensional seperti regresi linear dan penghalusan eksponensial tunggal memiliki akurasi terbatas dengan MAPE 15-20% serta tidak mampu menangkap pola temporal konsumsi pangan yang dipengaruhi oleh faktor musiman, krisis ekonomi, dan perubahan iklim. Penelitian ini bertujuan mengembangkan model machine learning untuk memprediksi konsumsi kalori per kapita berdasarkan data Neraca Bahan Makanan Indonesia dengan target akurasi MAPE di bawah 10%. Penelitian menggunakan metodologi CRISP-DM meliputi tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Data NBM periode 1993-2024 sebanyak 48.696 baris mencakup 112 komoditas diolah menjadi 39 fitur prediktif. Empat model dikembangkan yaitu LSTM, XGBoost, HuberRegressor, dan LSTM Enhanced Ensemble dengan bobot optimal 90:5:5. Hasil evaluasi menunjukkan LSTM Enhanced Ensemble mencapai performa terbaik dengan MAE 773,21 ton, RMSE 1.815,99 ton, MAPE 3,72%, dan R² 0,9898. Model ini melampaui target penelitian dan menjelaskan 98,98% variasi konsumsi kalori. Model diintegrasikan ke dalam sistem informasi berbasis web menggunakan arsitektur microservices dengan Laravel 11, FastAPI, dan Docker.

Item Type:	Thesis (Skripsi)
Nomor Inventaris:	H26077
Uncontrolled Keywords:	Ketahanan Pangan, LSTM, Machine Learning, Neraca Bahan Makanan, Prediksi Konsumsi Kalori, Time Series Forecasting
Subjects:	M > M1 Machine design
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Mr. Jehian Athaya Tsani Az Zuhry
Date Deposited:	24 Feb 2026 07:55
Last Modified:	24 Feb 2026 07:55
URI:	http://repository.unsoed.ac.id:443/id/eprint/40116

Actions (login required)

View Item