Layanan penulisan ilmiah yang disediakan oleh Perpustakaan Universitas Gunadarma
Analisis Kinerja Optimasi Model LSTM Dan XGBoost Dalam Peramalan Produksi Minyak Sawit (CPO) Pada Pabrik Pengolahan Minyak Kelapa Sawit (PKS)
ABSTRAKSI :
Penelitian ini bertujuan untuk menguji dan membandingkan kinerja model prediksi LSTM (Long Short-Term Memory) dan XGBoost (eXtreme Gradient Boosting) dalam meramalkan jumlah produksi minyak sawit mentah (CPO) dalam mendukung perencanaan produksi, manajemen stok, dan penjualan CPO. Latar belakang penelitian ini dilakukan karena pentingnya prediksi yang akurat dalam mengatasi ketidakstabilan produksi minyak sawit di masa akan datang. Berbagai metode prediksi menggunakan data univariate dan multivariate, dan menghasilkan model-model terpilih seperti ARIMA, SVR, Prophet, XGBoost, dan LSTM. Namun, penelitian ini fokus pada evaluasi kinerja model LSTM dan XGBoost dengan melakukan optimasi tuning hyperparameter menggunakan data multivariate untuk menemukan model yang paling optimal dalam meramalkan produksi CPO dengan tingkat kesalahan (error) terkecil. Hasil penelitian menunjukkan bahwa setelah tuning hyperparameter, model LSTM menghasilkan hasil prediksi yang lebih baik dengan tingkat akurasi sebesar 93.7