PREDIKSI PRODUKSI KELAPA SAWIT MENGGUNAKAN PENDEKATAN DEEP LEARNING MULTI-ARSITEKTUR

Penurunan prediksi produksi kelapa sawit di Provinsi Riau sering terhambat oleh fluktuasi yang dipengaruhi oleh faktor musiman serta kompleksitas data yang tinggi. Meskipun metode statistik konvensional digunakan untuk prediksi, hasilnya cenderung kurang akurat dalam menangani ketergantungan temporal yang kompleks. Penelitian ini bertujuan untuk membangun model dengan pendekatan deep learning, khususnya menggunakan arsitektur Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), serta varian-variannya seperti Bidirectional LSTM (Bi-LSTM), Stacked LSTM, Bidirectional GRU (Bi-GRU), dan Stacked GRU, dalam memprediksi produksi kelapa sawit. Dua dataset yang digunakan dalam penelitian ini berasal dari PT Perkebunan Nusantara (PTPN) dengan periode 2014 hingga 2023 dan Badan Pusat Statistik (BPS) untuk periode 2006 hingga 2023. Hasil evaluasi model menggunakan metrik seperti Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE) menunjukkan bahwa model GRU memberikan performa terbaik dengan akurasi 92,57% dan MAPE sebesar 7,43%. Temuan ini memberikan kontribusi penting dalam memanfaatkan deep learning, khususnya GRU, sebagai alat yang efektif dalam prediksi produksi kelapa sawit dan mendukung perencanaan industri serta kebijakan pemerintah yang lebih tepat.