Model Hybrid CNN-LSTM Untuk Prediksi Penjualan Pupuk Pada Data Time Series

Abstract

Ketersediaan pupuk yang tepat waktu dan sesuai kebutuhan merupakan faktor penting dalam mendukung produktivitas pertanian. Namun, kios penyalur pupuk sering menghadapi ketidaktepatan dalam memperkirakan permintaan, sehingga menyebabkan ketidaksesuaian stok pada musim tanam. Penelitian ini bertujuan menghasilkan model prediksi penjualan pupuk Urea dan NPK yang lebih akurat menggunakan pendekatan hybrid CNN-LSTM berdasarkan data time series historis. Metode penelitian meliputi penggabungan dan seleksi data, penambahan fitur musiman, normalisasi, serta pembentukan data sekuensial untuk pelatihan model. CNN digunakan untuk mengekstraksi pola lokal, sedangkan LSTM menangkap pola temporal jangka panjang. Model dilatih menggunakan teknik windowing dan early stopping untuk menghindari overfitting. Hasil eksperimen menunjukkan bahwa model hybrid CNN-LSTM mampu memberikan prediksi dengan tingkat kesalahan rendah, dengan nilai MSE pada data uji sebesar 0,0037. Temuan ini menunjukkan bahwa pendekatan hybrid efektif dalam mempelajari pola penjualan pupuk yang fluktuatif. Kesimpulannya, model CNN-LSTM dapat digunakan sebagai alat bantu dalam perencanaan distribusi, sehingga pengelolaan stok di kios pupuk dapat dilakukan secara lebih efisien dan tepat sasaran.