502
JITE, 7 (2) January 2024 ISSN 2549-6247 (Print) ISSN 2549-6255 (Online)
JITE (Journal of Informatics and Telecommunication Engineering)
Available online http://ojs.uma.ac.id/index.php/jite DOI : 10.31289/jite.v7i2.10714
Received: 11 November 2023 Accepted: 16 January 2024 Received: 11 November 2023 Published: 31 January 2024 Accepted: 16 January 2024
Modeling Of Hyperparameter Tuned RNN-LSTM and Deep Learning For Garlic Price Forecasting In Indonesia
Irmawati Carolina1)*, Toto Haryanto2)
1,2)Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB University
*Coresponding Email: [email protected] Abstrak
Dalam industri bawang putih Indonesia, ketidakpastian harga bawang putih menimbulkan tantangan besar, berdampak pada stabilitas dan pertumbuhan sektor ini. Penelitian ini bertujuan untuk mengatasi masalah ini dengan mengembangkan model prediksi yang sangat akurat menggunakan RNN-LSTM. Studi ini menggunakan dataset yang mencakup 782 hari, dibagi dengan cermat dengan 80% didedikasikan untuk pelatihan dan 20% untuk pengujian. Model ini, dilengkapi dengan 50 unit LSTM, menjalani pelatihan intensif lebih dari 100 epochs, dengan ukuran batch 5. Efektivitasnya dievaluasi menggunakan Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE), mengungkapkan kemampuan prediksi yang luar biasa. Model ini mencapai RMSE dan MAPE rendah dalam fase pelatihan dan pengujian, menggarisbawahi akurasi dan keandalannya dalam memperkirakan harga bawang putih. Hasil ini menunjukkan tidak hanya keberhasilan model RNN-LSTM dalam menangkap pola fluktuasi harga yang kompleks tetapi juga menyoroti potensi pembelajaran mesin dalam meningkatkan analisis deret waktu. Terobosan ini menawarkan implikasi signifikan bagi para pemangku kepentingan di industri bawang putih, menyediakan alat yang ampuh untuk pengambilan keputusan berdasarkan informasi dan perencanaan pasar strategis, sehingga berkontribusi pada pembangunan dan stabilitas berkelanjutan sektor ini.
Kata Kunci: bawang putih, prediksi harga, RNN-LSTM.
Abstract
In the Indonesian garlic industry, the unpredictability of garlic prices poses a substantial challenge, impacting the sector's stability and growth. This research aims to address this issue by developing a highly accurate predictive model using a Recurrent Neural Network (RNN) with Long Short-Term Memory (LSTM). The study employs a dataset spanning 782 days, meticulously divided with 80% dedicated to training and 20% to testing. The model, equipped with 50 LSTM units, undergoes intensive training over 100 epochs, with a batch size of 5. Its effectiveness is evaluated using the Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE), revealing exceptional predictive capabilities. The model achieves a low RMSE and MAPE in both training and testing phases, underscoring its accuracy and reliability in forecasting garlic prices. These results indicate not only the success of the RNN-LSTM model in capturing the complex patterns of price fluctuations but also highlight the potential of machine learning in enhancing time series analysis. This breakthrough offers significant implications for stakeholders in the garlic industry, providing a powerful tool for informed decision-making and strategic market planning, thereby contributing to the sector's sustainable development and stability.
Keywords: garlic, price prediction, RNN-LSTM.
How to Cite: Carolina, I., & Haryanto, T. (2024). Modeling Of Hyperparameter Tuned RNN-LSTM and Deep Learning For Garlic Price Forecasting In Indonesia. JITE (Journal of Informatics and Telecommunication Engineering), 7(2), 502-513.
I. PENDAHULUAN
Komoditas bawang putih (Allium sativum L.) merupakan salah satu komoditas sayuran yang berfungsi sebagai bumbu masak yang tidak dapat disubstitusi dengan produk bumbu lainnya. Saat ini, pemerintah Indonesia tengah mendorong peningkatan produksi bawang putih dalam negeri untuk meningkatkan ketergantungan impor mencapai 472,92 ribu ton (94%) kebutuhan dalam negeri.
Komoditas bawang putih dipandang sebagai komoditas pangan strategis karena merupakan rempah-
503
rempah yang inkonstitusional dan menghemat devisa dimana nilai impor komoditas ini mencapai 4,5 triliun per tahun (Saptana et al., 2021). Berdasarkan data dari Badan Pusat dan Statistika Republik Indonesia tahun 2022 (Badan Pusat Statistik, 2022) produksi bawang putih tentang produksi bawang putih di Indonesia mengalami penurunan sebanyak 32,18% seperti yang terlihat pada Gambar 1 , dan Konsumsi Bawang Putih di Indonesia pada Gambar 2.
Gambar 1. Produksi bawang putih di Indonesia (Badan Pusat Statistik, 2022)
Gambar 2. Konsumsi bawang putih di Indonesia (Badan Pusat Statistik, 2022)
Penurunan bawang putih disebabkan oleh beberapa faktor antara lain keadaan iklim khususnya curah hujan yang tidak menentu, luasan areal tanam dan luas panen yang berdampak pada jumlah produksi yang diperoleh. Situasi ini kemudian berakibat pada produksi bawang putih lokal belum mampu memenuhi permintaan bawang putih di masyarakat (Falo et al., 2016). Impor produk bawang putih secara besar-besaran telah menyebabkan menurunnya minat petani Indonesia untuk menanam bawang putih karena kalah bersaing dalam hal ukuran siung dan dan harga jual yang lebih rendah (Ruswandi et al., 2022). Menurunnya minat petani untuk menanam bawang putih karena masuknya bawang putih impor dalam jumlah besar dan tingkat harga yang lebih rendah sehingga produk bawang putih lokal kalah bersaing (Setiawan et al., 2022). Berdasarkan data dari BPS sentra produksi bawang putih di Pulau Jawa terletak di Provinsi Jawa Tengah dengan 40,49%, Jawa Timur 6,56% dan Jawa Barat sebesar 6,33%.
Sedangkan di luar Jawa, ada di Nusa Tenggara Barat dengan kontribusi 39,45%, Sumatera Barat sebesar 2,48%, dan Nusa Tenggara Timur sebesar 1,08%. Total produksi bawang putih pada 2019 sebesar 88.817 ton, dan perkiraan konsumsi bawang putih pada tahun 2020 sebesar 498,94 ribu ton (KEMENTAN, 2020).
Memprediksi masa depan bukanlah hal yang mudah atau akurat, terutama jika didasarkan pada asumsi dan intuisi. Ilmu pengetahuan dan matematika selalu mencari metode dan teknik yang dapat membantu kita dalam mengambil keputusan berdasarkan fakta dan sejarah masa lalu.(Mittal & Chauhan, 2021).
504
Pada 2020, defisit ketersediaan bawang putih mencapai 393,65 ribu ton dan meningkat pada 2021, defisit pasokan bawang putih mencapai 408,02 ribu ton. Kekurangan pasokan bawang putih yang cukup besar dari tahun ke tahun dipenuhi melalui impor dari Cina, India, Taiwan, dan Amerika Serikat (KEMENTAN, 2020). Kekurangan pasokan bawang putih dapat mengakibatkan harga bawang putih mengalami kenaikan, untuk mengatasi permasalahan tersebut perlu dilakukan pemantauan untuk menjaga stabilitas harga bawang putih di Indonesia. Memprediksi harga bawang putih sangat penting karena dapat membantu pemangku kepentingan industri dalam membuat keputusan ilmiah untuk menstabilkan industri bawang putih (Feng, 2021). Ada banyak faktor yang mempengaruhi harga bawang putih, termasuk luas tanam bawang putih, permintaan pasar, musim dan perubahan cuaca, biaya penanaman dan transportasi, dan lain-lain (Wu et al., 2019). Dengan penggunaan Deep Learning dalam mengoptimasi model RNN-LSTM dapat membantu memperoleh model yang lebih akurat dan mampu memanfaatkan informasi yang lebih komprehensif dalam memprediksi harga pada data time series. Pada usulan penelitian diusulkan untuk mengkombinasikan optimasi model RNN-LSTM dengan Deep Learning untuk meningkatkan akurasi prediksi. Optimasi yang dilakukan pada parameter model RNN-LSTM seperti jumlah layer, neuron, dan fungsi aktivasi untuk mendapatkan hasil yang lebih baik.
Dalam beberapa tahun terakhir, prediksi harga komoditas telah menjadi topik penting dalam bidang ekonomi dan perdagangan. Khususnya di Indonesia, bawang putih merupakan komoditas penting yang memiliki dampak signifikan terhadap inflasi dan stabilitas ekonomi. Fluktuasi harga bawang putih dapat mempengaruhi banyak aspek dari rantai pasokan hingga pengeluaran rumah tangga. Oleh karena itu, prediksi yang akurat tentang harga bawang putih sangat penting bagi para pemangku kepentingan, termasuk petani, pedagang, dan pembuat kebijakan, untuk membuat keputusan yang tepat dan tepat waktu.
Penelitian terkait bawang putih sudah banyak dilakukan sebelumnya, dan pada penelitian ini ditujukan untuk prediksi Harga Bawang Putih. Dalam hal penelitian yang sudah dilakukan oleh berbagai peneliti, penelitian terkait dengan Prediksi Harga Bawang Putih sudah dilakukan oleh beberapa peneliti dengan berbagai metode dan hasil yang ditampilkan. Penelitian (Feng, 2021) melakukan penelitian terhadap bawang putih berdasarkan model gabungan dari dekomposisi frekuensi-waktu dan jaringan saraf. Dalam penelitiannya menemukan bahwa item-item dengan frekuensi rendah dan frekuensi menengah memiliki kontribusi yang tinggi terhadap harga bawang putih, dan tingkat kontribusinya mencapai 94%. Mengimpor urutan harga bawang putih yang direkonstruksi ke dalam model GRU, pilih 50 kali pelatihan dan 30 neuron tersembunyi untuk memprediksi harga bawang putih, dan dapatkan hasil prediksi. Penelitian (Y. Wang et al., 2022) Performa prediksi dari model gabungan secara umum lebih baik dibandingkan dengan model tunggal. Model gabungan dari keluarga LSTM dan GARCH memperkenalkan fitur statistik dari data harga bawang putih ke dalam model deep-learning dan secara wajar mengeksploitasi informasi linier dan nonlinier dalam data harga. Penelitian (B. Wang, Liu, Chao, et al., 2018) Harga bawang putih berfluktuasi secara dramatis dalam beberapa tahun terakhir dan sangat sulit untuk memprediksi harga bawang putih. Model autoregressive integrated moving average (ARIMA) adalah saat ini merupakan metode yang paling penting untuk memprediksi harga bawang putih. Namun, model ARIMA hanya dapat memprediksi bagian linier dari harga bawang putih, dan tidak dapat memprediksi bagian nonliniernya. Oleh karena itu, sangat penting untuk mengadopsi metode untuk menganalisis karakteristik nonlinier dari harga bawang putih. Penelitian (Xia, 2023) Prediksi harga saham selalu menjadi topik yang menjadi perhatian oleh analisis keuangan industri. Dengan kemajuan ilmu pengetahuan dan teknologi, metode prediksi harga saham menjadi semakin kaya dan maju. Dari regresi linier klasik hingga yang paling mutakhir skenario jaringan saraf, dari matematika hingga pembelajaran mendalam AI, pengenalan komputer dan pengembangan pemrograman juga memberikan arah baru untuk prediksi harga saham. Penelitian (Hamayel & Owda, 2021)
Cryptocurrency adalah jenis aset baru yang muncul sebagai hasil dari kemajuan teknologi keuangan dan telah menciptakan peluang besar untuk penelitian. Harga mata uang kripto sulit diprediksi karena volatilitas dan dinamika harga. Penelitian (Mbah et al., 2021) Ada banyak peningkatan dan kemajuan dalam penerapan jaringan saraf tiruan di industri pertambangan. Dalam penelitian ini, dua jaringan syaraf tiruan deep learning yang disebut recurrent neural network (RNN) dan autoregressive integrated moving average (ARIMA) diimplementasikan dalam simulasi dan prediksi variasi harga batu kapur. RNN menggunakan lapisan memori jangka pendek (LSTM), regularisasi putus, fungsi aktivasi, mean square error (MSE), dan pengoptimalisasi Adam untuk mensimulasikan prediksi. Penelitian (B. Wang, Liu, Zhang, et al., 2018) Hasil eksperimen menunjukkan bahwa model ARIMA memiliki hasil yang baik dalam memprediksi fluktuasi harga bawang putih jangka pendek, dan tren fluktuasi harga bawang putih bawang
505
putih pada semester pertama tahun 2018 adalah naik terlebih dahulu dan kemudian turun. Dengan melihat beberapa penelitian terdahulu, maka diputuskan penelitian ini menggunakan RNN-LSTM dan Deep Learning dalam melakukan prediksi harga bawang putih.
II. STUDI PUSTAKA
Bawang putih telah menjadi komoditas pertanian yang penting di seluruh dunia, termasuk di Indonesia, di mana ia memainkan peran kunci dalam ekonomi dan budaya kuliner. Selain digunakan sebagai bumbu masak, bawang putih juga dikenal memiliki manfaat kesehatan yang signifikan, termasuk sifat antibakteri dan antioksidan (Borlinghaus et al., 2014). Prakiraan awal harga produk pertanian sebagian besar menggunakan data time series, dengan perkembangan teknologi, machine learning telah menunjukkan potensi yang lebih besar dalam prediksi harga. Machine learning adalah cabang kecerdasan buatan yang memungkinkan aplikasi perangkat lunak menjadi lebih akurat dalam memprediksi datanya, serta untuk memprediksi kinerja saat ini dan meningkatkan data di masa depan (Ja’afar et al., 2021).
Penelitian terkait dengan prediksi bawang putih telah dilakukan oleh (Priyambodoi & Dyanasari, 2022) bahwa sepanjang periode awal pandemi COVID-19, terjadi peningkatan signifikan dalam ketidakstabilan harga bawang putih. Faktor utama di balik fenomena ini adalah penurunan volume impor dari Cina, yang berdampak pada pasokan, sementara kebutuhan konsumen tetap tidak berubah. Hal ini menyoroti bahwa pergerakan harga untuk komoditas vital seperti bawang putih dapat memainkan peran penting dalam mempengaruhi tingkat inflasi di wilayah yang sangat tergantung pada sumber impor untuk memenuhi kebutuhan dasar mereka, menggarisbawahi keterkaitan antara dinamika pasar global dan kondisi ekonomi setempat. Penelitian berikutnya dilakukan oleh (Ayuningtyas et al., 2019) menunjukkan bahwa terjadi peningkatan konsumsi bawang putih di Indonesia, sementara produksi bawang putih tidak meningkat secara simultan. Hal ini mengakibatkan kekurangan pasokan bawang putih yang signifikan, sehingga pemerintah melakukan impor. Harga bawang putih di pasar dunia dari Januari 2012 hingga September 2019 menunjukkan peningkatan yang stabil. Harga bawang putih di tingkat produsen cenderung menurun, sementara harga di tingkat ritel bawang putih impor relatif stabil. Penelitian (Halim et al., 2022) menjelaskan metode LSTM dengan penambahan normalisasi batch (Batchnorm) dan pengurangan ukuran tersembunyi layer LSTM, serta pengelompokan fitur menghasilkan Mean Absolute Error (MAE) terendah hingga 255.998. Model Attention Multivariate LSTM dengan optimizer Adam menunjukkan prediksi yang paling akurat dan menghindari overfitting dan underfitting. Penelitian yang dilakukan (Zhang et al., 2022) Pemetaan bawang putih otomatis berhasil dilakukan dari 2014 hingga 2021 di area penanaman utama di Cina timur-tengah, dengan akurasi keseluruhan rata-rata berkisar dari 89.89% hingga 98.68%. Analisis menunjukkan korelasi yang tinggi antara harga bawang putih dan perilaku penanaman petani serta ukuran area penanaman sebagai faktor utama yang mempengaruhi harga bawang putih. Penelitian yang dilakukan (Liu et al., 2021) menggunakan metode analisis data seri waktu canggih, khususnya kombinasi dari Long Short-Term Memory (LSTM) dan Complete Empirical Mode Decomposition Based on Adaptive Noise dengan LSTM (CEEMDAN-LSTM). Hasilnya menunjukkan bahwa model CEEMDAN-LSTM mampu memprediksi harga bawang putih dengan akurasi tinggi, yang ditunjukkan oleh nilai Root Mean Square Error (RMSE) sebesar 0.061235. Penelitian ini menggarisbawahi pentingnya memahami dinamika pasar bawang putih dalam konteks perubahan sosial ekonomi yang cepat, seperti yang terjadi selama pandemi COVID-19, dan menunjukkan potensi penggunaan metode analisis data canggih dalam memprediksi fluktuasi harga komoditas.
Optimasi RNN dan LSTM merupakan area penelitian yang aktif. Teknik seperti dropout telah diterapkan untuk mengurangi overfitting, di mana model terlalu disesuaikan dengan data pelatihan dan gagal untuk menggeneralisasi pada data yang belum pernah dilihat sebelumnya. Variasi arsitektur, seperti Gated Recurrent Unit (GRU), juga telah dikembangkan. GRU menawarkan struktur yang lebih sederhana dibandingkan dengan LSTM dan telah menunjukkan kinerja yang sebanding dalam beberapa kasus (Mittal
& Chauhan, 2021). RNN adalah jenis jaringan saraf tiruan yang dirancang untuk menangani data sekuen dengan mempertimbangkan dependensi waktu. LSTM, sebuah varian dari RNN, dirancang untuk mengatasi masalah vanishing gradient yang sering terjadi pada RNN standar. LSTM memiliki struktur 'gate' yang memungkinkan jaringan untuk mempertahankan atau menghapus informasi, membuatnya sangat cocok untuk aplikasi time series seperti prediksi harga.
Teknologi yang menjadi fokus dalam penelitian ini adalah Recurrent Neural Networks (RNN) dan Long Short-Term Memory (LSTM). RNN adalah jenis jaringan saraf tiruan yang dirancang untuk menangani data sekuen dengan mempertimbangkan dependensi waktu. LSTM, sebuah varian dari RNN,
506
dirancang untuk mengatasi masalah vanishing gradient dan mampu mengingat informasi untuk periode waktu yang panjang. Ini menjadikan LSTM sangat cocok untuk aplikasi time series, seperti prediksi harga bawang putih, karena kemampuannya untuk mempelajari pola dari data sekuen yang panjang.
Menggunakan (RNN-LSTM). untuk prediksi harga bawang putih diIndonesia Karena RNN-LSTM mampu mengatasi permasalahan model data nonlinier (Fei et al., 2012) untuk mengidentifikasi model terbaik dalam memprediksi harga bawang putih di Indonesia
Deep learning, yang merupakan subbidang dari machine learning, menggunakan jaringan saraf tiruan dengan banyak lapisan (deep networks) untuk memodelkan abstraksi tingkat tinggi dalam data.
(Nufus et al., 2021) Dalam penelitian ini, deep learning memungkinkan model untuk belajar fitur yang kompleks dan pola non-linear dari data historis harga bawang putih, yang dapat meningkatkan akurasi prediksi. Salah satu aspek kunci dalam membangun model prediksi yang efektif adalah hyperparameter tuning. Hyperparameter adalah konfigurasi yang digunakan untuk mengontrol proses pembelajaran model. (Nursalman & Mustikasari, 2020) Proses tuning ini mencari kombinasi hyperparameter yang optimal yang dapat menghasilkan model dengan kinerja terbaik. (Minarno et al., 2021) Teknik seperti grid search dan random search sering digunakan untuk menemukan set hyperparameter yang ideal. Dalam penelitian ini, hyperparameter tuning sangat penting untuk mengoptimalkan kinerja model RNN-LSTM dalam memprediksi harga bawang putih.
Pengumpulan dan preprocessing data merupakan langkah awal yang krusial dalam pembuatan model prediksi. (Juliastoro et al., 2021) Data harus dibersihkan, dinormalisasi, dan diubah menjadi format yang dapat digunakan oleh model pembelajaran mesin. (Lubis et al., 2023) Preprocessing ini memastikan bahwa model dapat belajar dengan efektif dari data yang diberikan. (Perwitasari et al., 2023) Evaluasi model dilakukan dengan menggunakan dua metrik kinerja, yaitu Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). (Anto et al., 2023) Digunakan untuk mengukur seberapa baik model dapat memprediksi harga bawang putih. Metrik ini memberikan gambaran tentang kesalahan prediksi model dibandingkan dengan harga sebenarnya.
Dalam praktiknya, peneliti dan analis sering membandingkan atau mengintegrasikan berbagai model untuk mencapai prediksi yang lebih akurat. Misalnya, regresi linier dapat digunakan untuk menangkap tren linier sementara LSTM digunakan untuk memodelkan dinamika yang lebih kompleks.
Beberapa studi juga telah mengeksplorasi penggunaan ensemble model, di mana prediksi dari beberapa model (termasuk regresi linier, RNN, dan LSTM) digabungkan untuk membuat prediksi akhir (Xia, 2023).
Studi ini bertujuan untuk mengembangkan model prediksi harga bawang putih dengan menggunakan RNN-LSTM yang telah disesuaikan hyperparameternya. Dengan memanfaatkan teknik tuning hyperparameter yang canggih, kami berusaha untuk mengoptimalkan model RNN-LSTM untuk menangkap pola dan tren yang terkandung dalam data historis harga bawang putih. Selain itu, kami akan mengeksplorasi penggunaan arsitektur pembelajaran mendalam yang lebih kompleks untuk meningkatkan akurasi prediksi.
III. METODE PENELITIAN
Tahapan dalam penelitian pengembangan model prediksi data time series untuk harga bawang putih di Indonesia menggunakan model optimasi RNN-LSTM dengan deep learning terdiri atas beberapa tahap, yaitu problem understanding untuk mengetahui masalah utama, kemudian dilanjutkan dengan preprocessing untuk pembagian data latih dan data uji, melakukan prediksi harga dengan model yanag diusulkan menggunakan menggunakan model optimasi RNN-LSTM dengan deep learning, kemudian dilakukan evaluasi apakah model yang di bangun memiliki akurasi yang baik atau tidak jika baik dilanjutkan untuk development dengan menggunakan website untuk pengembangannya
507
Gambar 3. Kerangka Penelitian Pengembangan model prediksi harga bawang putih di Indonesia (Feng, 2021)
Penelitian ini mengikuti tiga tahap utama dalam metodologinya: Study Literature, Preprocessing Data, dan Pembuatan Model. Pertama, tahap Study Literature melibatkan pengumpulan literatur terkait dari sumber-sumber seperti Scopus dan ScienceDirect, dengan fokus pada topik prediksi harga bawang putih. Kedua, dalam tahap Preprocessing Data, data harga bawang putih harian dari periode 2020-2022 dikumpulkan dan diproses lebih lanjut. Proses ini termasuk pembagian data menjadi dua bagian, yakni data latih (training) dan data uji (testing), dengan skema pembagian 80:20, di mana 80% adalah data latih dan 20% adalah data uji. Terakhir, pada tahap Pembuatan Model, digunakan model RNN-LSTM sebagai model dasar. Model ini mengandalkan layer LSTM (Long Short-Term Memory) untuk menangani data time series, memperhatikan hubungan jangka panjang. Selain itu, layer-layer Deep Learning tambahan seperti Dense, Dropout, dan Batch Normalization dapat diintegrasikan untuk meningkatkan efektivitas model.
Pendekatan ini bertujuan untuk menghasilkan prediksi harga bawang putih yang akurat dengan memanfaatkan teknik pemrosesan data canggih dan model pembelajaran mesin yang inovatif.
Data yang digunakan dalam penelitian ini menggunakan data public yang berasal dari Pusat InformasiHargaPanganStrategisNasional(PIHPSNasional)(https://bi.prosa.ai/hargapangan/TabelHarga/P rodusenDaerah). Evaluasi Skema yang diusulkan dilakukan dengan menggunakan Mean Absolute Percentage Error (MAPE) dan Root Mean Square Error (RMSE).
2 ...(1) (Feng, 2021)
dengan:
n adalah jumlah total observasi.
yi adalah nilai sebenarnya dari observasi ke-i.
y^i adalah nilai prediksi dari observasi ke-i.
RMSE memberikan ukuran seberapa dekat prediksi yang dibuat oleh model terhadap nilai-nilai yang sebenarnya. Nilai RMSE yang lebih rendah menunjukkan kesalahan prediksi yang lebih kecil dan oleh karena itu model yang lebih akurat.
MAPE (Mean Absolute Percentage Error)
...(2) (Feng, 2021)
dengan:
nn adalah jumlah total observasi.
yi adalah nilai sebenarnya dari observasi ke-i.
y^i adalah nilai prediksi dari observasi ke-i.
508
MAPE mengukur kesalahan rata-rata dalam persentase, yang memungkinkan kita untuk memahami kesalahan relatif terhadap skala nilai yang sebenarnya. MAPE yang lebih rendah menunjukkan prediksi yang lebih akurat dalam hal persentase. Kedua metrik ini sangat berguna dalam konteks model prediksi karena mereka memberikan informasi tentang kualitas dan keandalan prediksi yang dibuat oleh model.
Model dilatih menggunakan data training yang telah dipreproses, dengan menggunakan model RNN- LSTM optimizer seperti stochastic gradient descent (SGD), Adam, atau RMSprop. Hyperparameter, seperti learning rate, jumlah epoch, dan batch size, dapat diatur dan dioptimasi untuk mendapatkan hasil terbaik.
Selama pelatihan, model divalidasi menggunakan data validasi atau testing untuk memonitor performa model dan menghindari overfitting.Setelah pelatihan, model dievaluasi menggunakan data validasi atau testing untuk mengukur akurasi prediksi.
Jika hasil evaluasi belum memuaskan, model dapat dioptimasi dengan mengubah hyperparameter atau melakukan tuning pada arsitektur model, seperti menambah atau mengurangi layer, mengubah jumlah neuron, atau melakukan regularisasi. Proses evaluasi dan optimasi dapat diulang sampai model mencapai akurasi prediksi yang diharapkan. Setelah model dioptimasi, model dapat diuji menggunakan data testing yang belum pernah dilihat sebelumnya untuk menguji performa model secara objektif.Jika hasil pengujian memuaskan, model dapat diimplementasikan dalam lingkungan produksi untuk digunakan dalam memprediksi harga bawang putih secara otomatis.Hasil prediksi dapat digunakan sebagai panduan dalam pengambilan keputusan bisnis, seperti perencanaan produksi, pengelolaan persediaan, dan strategi pemasaran.
IV. HASIL DAN PEMBAHASAN
Penelitian ini mengembangkan model prediksi harga bawang putih menggunakan jaringan saraf tiruan berbasis RNN-LSTM. Data historis harga bawang putih diambil dari sebuah dataset dalam format Excel, yang mencakup informasi tanggal dan harga. Pembagian dataset menjadi data pelatihan dan pengujian dilakukan dengan proporsi 80:20, yang merupakan standar dalam pembelajaran mesin untuk menguji model pada data yang belum pernah dilihat sebelumnya. Model RNN- LSTM dirancang untuk memanfaatkan 100 hari data historis sebagai input untuk memprediksi harga pada hari berikutnya. Model ini dilatih selama 100 epoch dengan ukuran batch 5. Setelah pelatihan, model digunakan untuk memprediksi harga pada data pengujian. Prediksi harga kemudian di-inversi transformasi untuk mendapatkan nilai harga asli dan dibandingkan dengan harga asli untuk evaluasi. Evaluasi kinerja model dilakukan dengan menghitung Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Nilai-nilai ini memberikan indikasi tentang seberapa akurat model dalam memprediksi harga bawang putih. Grafik yang menampilkan perbandingan antara harga asli dan harga prediksi memberikan visualisasi yang efektif untuk menilai kinerja model sepanjang waktu.
Proses pelatihan / training data yang mencakup 782 hari dengan pembagian 80% untuk pelatihan dan 20% untuk pengujian, diproses menggunakan model RNN-LSTM yang terdiri dari 50 unit LSTM dan dilatih lebih dari 100 epoch. Hasilnya menunjukkan akurasi tinggi dengan nilai RMSE dan MAPE yang rendah, baik dalam pelatihan maupun pengujian. Keberhasilan model ini dalam menangkap pola fluktuasi harga yang kompleks menegaskan potensi teknologi pembelajaran mesin dalam analisis deret waktu. Hasil ini penting bagi pemangku kepentingan di industri bawang putih, memberikan mereka alat yang ampuh untuk pengambilan keputusan yang lebih tepat dan perencanaan pasar strategis, yang mendukung pembangunan dan stabilitas sektor ini.
Gambar 4. Hasil Proses Percobaan Data Latih (Hasil Penelitian, 2023)
509
Kinerja model, yang tercermin dari nilai metrik evaluasi, menunjukkan bahwa model LSTM dapat mempelajari pola dalam data historis harga bawang putih dan memberikan prediksi yang bermanfaat.
Namun, terdapat ruang untuk peningkatan, yang mungkin termasuk penggunaan dataset yang lebih besar, penyesuaian parameter model, atau eksplorasi arsitektur model yang berbeda untuk meningkatkan akurasi prediksi. Nilai metrik evaluasi yang diperoleh menunjukkan bahwa model memiliki kinerja yang cukup baik dalam memprediksi harga bawang putih, namun masih terdapat ruang untuk peningkatan.
Peningkatan tersebut mungkin termasuk penggunaan dataset yang lebih besar untuk pelatihan, penyesuaian parameter model seperti jumlah unit LSTM atau epoch, atau eksplorasi arsitektur model yang berbeda seperti menambahkan lapisan LSTM tambahan atau menggunakan teknik regularisasi untuk mengurangi overfitting.
Batasan dari penelitian ini terutama terkait dengan ukuran dataset dan konfigurasi model. Meskipun model RNN-LSTM yang dikembangkan menunjukkan performa yang baik dengan nilai MAPE yang rendah, penelitian ini mengakui bahwa masih ada ruang untuk peningkatan. Perluasan dataset dapat memberikan lebih banyak data historis, memungkinkan model untuk belajar dari variasi yang lebih luas dan mengurangi bias. Selain itu, penyesuaian parameter model seperti jumlah unit LSTM atau jumlah epoch, serta eksplorasi arsitektur model yang berbeda, mungkin membantu meningkatkan akurasi prediksi. Hal ini menunjukkan bahwa meskipun model saat ini efektif, terdapat potensi untuk pengembangan lebih lanjut yang dapat membawa peningkatan signifikan dalam akurasi prediksi harga bawang putih (B. Wang, Liu, Chao, et al., 2018) Dalam konteks penelitian sebelumnya, temuan ini sejalan dengan tren umum dalam penggunaan jaringan saraf tiruan untuk prediksi harga komoditas. Penelitian sebelumnya sering fokus pada pengembangan model yang mampu menangkap pola kompleks dalam data time series dan telah menggunakan berbagai teknik machine learning termasuk RNN dan LSTM. Namun, studi ini membedakan dirinya dengan aplikasi spesifik pada harga bawang putih di Indonesia dan penggunaan model RNN-LSTM yang disesuaikan, menawarkan kontribusi yang berharga dalam bidang ini. Perbandingannya dengan penelitian sebelumnya menunjukkan bahwa peningkatan terus-menerus dalam teknik pemodelan dan pengolahan data dapat menghasilkan prediksi yang lebih akurat, yang sangat bermanfaat untuk pemangku kepentingan dalam industri bawang putih dan sektor pertanian secara umum.
Gambar 5. Prediksi Harga Bawang Putih (Hasil Penelitian, 2023)
Evaluasi kinerja model dilakukan dengan menghitung dua metrik utama: Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE), dapat dilihat pada tabel 1 .
Tabel 1. Metrik RMSE & MAPE
Train RMSE Train MAPE Test RMSE Test MAPE
LSTM 1.191,48 2,76% 95,008 0,93%
Penelitian memberikan manfaat signifikan, terutama dalam meningkatkan akurasi prediksi harga bawang putih menggunakan model RNN-LSTM yang dioptimalkan. Hasil ini bermanfaat bagi petani, pedagang, dan pemangku kepentingan lain di industri bawang putih, memungkinkan mereka untuk membuat keputusan yang lebih tepat terkait produksi, distribusi, dan penetapan harga. Penelitian ini juga menunjukkan penerapan efektif teknologi pembelajaran mesin dalam sektor pertanian, yang tidak hanya
510
membantu menjaga stabilitas pasar dan rantai pasokan tetapi juga membuka peluang untuk penerapan teknologi serupa dalam aspek pertanian lainnya. Selain itu, temuan ini memberikan dasar bagi penelitian lanjutan di bidang prediksi harga komoditas pertanian, memperkaya wawasan dan kemampuan teknologi dalam mengatasi tantangan kompleks di sektor pertanian.
Penelitian terdahulu yang terkait dengan dengan penelitian ini disajikan dalam Tabel 2 berikut.
Tabel 2. Penelitian terdahulu
Peneliti Algoritma Tujuan Penelitian Hasil
(Priyambodoi
& Dyanasari, 2022)
ARCH/GARCH, ARIMA
Mengidentifikasi volatilitas harga bawang merah dan
bawang putih serta pengaruhnya terhadap inflasi
di Jawa Timur. Penelitian ini menggunakan model ARCH/GARCH untuk menganalisis volatilitas harga
dan model ECM untuk menentukan efek perubahan
harga dan volatilitasnya terhadap inflasi di Jawa
Timur
Hasil studi menunjukkan bahwa volatilitas harga bawang putih memiliki efek signifikan pada tingkat inflasi
di Jawa Timur. Analisis ECM mengungkapkan bahwa perubahan harga bawang putih, suku bunga riil, dan nilai tukar memiliki pengaruh
positif signifikan terhadap inflasi. Sementara itu, harga
bawang merah tidak menunjukkan pengaruh yang
signifikan terhadap inflasi di Jawa Timur
(Ayuningtyas et al., 2019)
ARCH/GARCH Menganalisis volatilitas harga bawang putih di pasar
Indonesia dan Cina menggunakan data seri waktu dari Januari 2012 hingga September 2019.
Ditemukan volatilitas harga yang signifikan pada tingkat produsen, pengecer bawang putih impor, dan di pasar
dunia (khususnya Cina).
(Halim et al., 2022)
LSTM (Long Short-Term
Memory)
Memprediksi harga beberapa komoditas di Indonesia menggunakan pemodelan
data-driven multivariat.
Metode LSTM berhasil memprediksi harga komoditas
dengan MAE (Mean Absolute Error) terendah sebesar 255.998. Model Attention Multivariate LSTM dengan optimizer Adam memberikan hasil prediksi yang lebih akurat
dan menghindari overfitting dan underfitting.
(Zhang et al., 2022)
IGCVI (Improved
Green Chlorophyll
Vegetation Index) menggunakan citra seri waktu
Landsat 8 dan Sentinel-2
Mengembangkan metode klasifikasi otomatis berbasis
fenologi untuk pemetaan bawang putih di China. 2)
Menganalisis hubungan antara area tanam dan harga
bawang putih dari 2014 hingga 2021.
Pemetaan area tanam bawang putih yang akurat. 2) Menemukan hubungan signifikan antara perilaku penanaman petani dan harga bawang putih. 3) Akurasi rata- rata metode bervariasi dari
89,89% hingga 98,68%.
(Liu et al., 2021)
CEEDMAN- LSTM
Menganalisis dampak COVID-19 terhadap harga
bawang putih dan mengembangkan model prediksi harga bawang putih
yang akurat.
Model CEEDMAN-LSTM berhasil memprediksi harga bawang putih dengan akurasi tinggi. RMSE model kombinasi
CEEMDAN-LSTM adalah 0.061235.
511
V. SIMPULAN
Penelitian ini mengembangkan model prediksi harga bawang putih menggunakan jaringan saraf tiruan berbasis RNN-LSTM . Data historis harga bawang putih diambil dari sebuah dataset dalam format Excel, yang mencakup informasi tanggal dan harga. Pembagian dataset menjadi data pelatihan dan pengujian dilakukan dengan proporsi 80:20, yang merupakan standar dalam pembelajaran mesin untuk menguji model pada data yang belum pernah dilihat sebelumnya. Model LSTM dirancang untuk memanfaatkan 100 hari data historis sebagai input untuk memprediksi harga pada hari berikutnya. Model ini dilatih selama 100 epoch dengan ukuran batch 5. Setelah pelatihan, model digunakan untuk memprediksi harga pada data pengujian. Prediksi harga kemudian di-inversi transformasi untuk mendapatkan nilai harga asli dan dibandingkan dengan harga asli untuk evaluasi. Evaluasi kinerja model dilakukan dengan menghitung Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Nilai-nilai ini memberikan indikasi tentang seberapa akurat model dalam memprediksi harga bawang putih. Grafik yang menampilkan perbandingan antara harga asli dan harga prediksi memberikan visualisasi yang efektif untuk menilai kinerja model sepanjang waktu. Hasil evaluasi menunjukkan bahwa model RNN-LSTM memiliki performa yang baik dalam memprediksi harga bawang putih. Nilai RMSE yang rendah menunjukkan bahwa model memiliki tingkat kesalahan yang kecil dalam memprediksi harga.
Selain itu, nilai MAPE yang rendah menunjukkan bahwa model memiliki tingkat kesalahan yang relatif kecil dalam persentase. Namun, penelitian ini juga mencatat bahwa masih terdapat ruang untuk peningkatan performa model. Beberapa faktor yang dapat diperbaiki adalah penggunaan dataset yang lebih besar untuk pelatihan, penyesuaian parameter model seperti jumlah unit LSTM atau epoch, atau eksplorasi arsitektur model yang berbeda untuk meningkatkan akurasi prediksi.
Penelitian ini berhasil mengembangkan sebuah model prediksi harga bawang putih menggunakan teknologi RNN-LSTM. Data historis tentang harga bawang putih dikumpulkan dan dibagi menjadi dua bagian, dengan 80% data digunakan untuk pelatihan model dan sisanya 20% untuk pengujian. Proses pelatihan model dilakukan selama 100 epoch untuk memastikan efektivitasnya dalam memprediksi harga.
Kinerja model ini dievaluasi menggunakan metrik Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE), di mana hasil evaluasi menunjukkan performa yang sangat baik dari model ini, ditandai dengan nilai RMSE dan MAPE yang rendah. Ini menunjukkan keakuratan model dalam memprediksi harga bawang putih, yang mencerminkan potensi besar dalam aplikasi praktisnya di industri terkait.
Dalam upaya meningkatkan kinerja model prediksi harga bawang putih saat ini, ada beberapa pendekatan yang dapat diadopsi. Sebagai langkah awal, memperluas kumpulan data yang digunakan dalam pelatihan akan memberikan lebih banyak input yang bervariasi dan rumit, yang akan meningkatkan kemampuan pembelajaran model. Selanjutnya, melakukan penyesuaian pada aspek teknis model, seperti mengubah jumlah unit di dalam lapisan LSTM atau menambah jumlah epoch dalam proses pelatihan, dapat berkontribusi pada peningkatan keakuratan prediksi. Akhirnya, mengeksplorasi struktur model alternatif bisa memberikan pandangan baru terhadap cara meningkatkan akurasi prediksi, memungkinkan model untuk lebih baik dalam mengenali pola yang rumit di dalam data. Langkah-langkah ini bertujuan untuk meningkatkan model sehingga mampu memberikan prediksi yang lebih akurat dan dapat diandalkan.
Penelitian ini memiliki beberapa keterbatasan, terutama terkait dengan skala dataset yang digunakan dan pengaturan model saat ini. Untuk penelitian di masa depan, disarankan agar dataset diperluas untuk memberikan lebih banyak data pelatihan, yang dapat meningkatkan keakuratan model.
Selain itu, penyesuaian pada parameter model seperti jumlah unit atau lapisan dalam model dan eksperimen dengan berbagai jenis arsitektur model juga direkomendasikan. Ini diharapkan dapat memberikan wawasan yang lebih mendalam dan meningkatkan kemampuan model dalam memprediksi harga dengan lebih akurat
DAFTAR PUSTAKA
Anto, I. A. F., Mahendra, O., Khotimah, P. H., & Husrin, S. (2023). Prediksi Muka Air Laut dari Sistem PUMMA Menggunakan SARIMA. JURNAL NASIONAL TEKNIK ELEKTRO DAN TEKNOLOGI INFORMASI, 12, 205–211.
512
Ayuningtyas, M., Hartoyo, S., & Mulatsih, S. (2019). Analysis of Indonesian and Chinese Garlic Volatility Prices. In International Journal of Scientific Research in Science, Engineering and Technology.
researchgate.net. https://doi.org/10.32628/ijsrset196653 Badan Pusat Statistik. (2022). Statistik Hortikultura 2022. 282.
Borlinghaus, J., Albrecht, F., Gruhlke, M. C. H., Nwachukwu, I. D., & Slusarenko, A. J. (2014). Allicin:
Chemistry and biological properties. Molecules, 19(8), 12591–12618.
https://doi.org/10.3390/molecules190812591
Falo, M., Kune, S. J., Hutapea, A. N., & Kapitan, O. B. (2016). Faktor-Faktor yang Mempengaruhi Produksi dan Strategi Pengembangan Usahatani Bawang Putih di Kecamatan Miomaffo Barat, Kabupaten Timor Tengah Utara. Agrimor, 1(04), 84–87. https://doi.org/10.32938/ag.v1i04.113
Fei, Y., Xiao, J., Chen, Y., & Cao, W. (2012). The combined stock price prediction model based on BP neural network and grey theory. Lecture Notes in Electrical Engineering, 107 LNEE, 1479–1486.
https://doi.org/10.1007/978-94-007-1839-5_159
Feng, Y. (2021). Garlic price forecast based on the combined model of time-frequency decomposition and neural network. 4(6), 86–96. https://doi.org/10.25236/AJCIS.2021.040615
Halim, M. P., Yudistira, N., & Dewi, C. (2022). Multicommodity Prices Prediction Using Multivariate Data- Driven Modeling: Indonesia Case. IEEE Transactions on Computational Social Systems, PP, 1–12.
https://doi.org/10.1109/TCSS.2022.3229772
Hamayel, M. J., & Owda, A. Y. (2021). A Novel Cryptocurrency Price Prediction Model Using GRU, LSTM and bi-LSTM Machine Learning Algorithms. AI (Switzerland), 2(4), 477–496.
https://doi.org/10.3390/ai2040030
Ja’afar, N. S., Mohamad, J., & Ismail, S. (2021). Machine learning for property price prediction and price valuation: A systematic literature review. Planning Malaysia, 19(3), 411–422.
https://doi.org/10.21837/PM.V19I17.1018
Juliastoro, W. P., Cholissodin, I., & Bachtiar, F. A. (2021). Sistem Prediksi Hasil Produksi Udang Vaname menggunakan Algoritma Multiple Linear Regression ( MLR ) Kombinasi Gradient Descent ( GD ) dengan Apache Spark. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(11), 4920–
4928.
KEMENTAN. (2020). Kementerian Pertanian, Outlook Bawang Putih Komoditas Pertanian Sub Sektor Hortikultura, Pusat Data dan Sistem Informasi Pertanian. Kementerian Pertanian.
Liu, L., Zhang, C., Wang, J., Zhang, Q., Liu, P., Li, C., & Sun, Y. (2021). The effect of COVID-19 on garlic prices.
Proceedings - 5th IEEE International Conference on Smart Internet of Things, SmartIoT 2021, 322–
326. https://doi.org/10.1109/SmartIoT52359.2021.00058
Lubis, B. O., Oscar, D., Fibriany, F. W., Santoso, B., Jefi, J., & Rusman, A. (2023). Classification of tomato leaf disease and combination extraction features using K-NN algorithm. AIP Conference Proceedings, 2714(November 2021). https://doi.org/10.1063/5.0128539
Mbah, T. J., Ye, H., Zhang, J., & Long, M. (2021). Using LSTM and ARIMA to Simulate and Predict Limestone Price Variations. Mining, Metallurgy and Exploration, 38(2), 913–926.
https://doi.org/10.1007/s42461-020-00362-y
Minarno, A. E., Mandiri, M. H. C., & Alfarizy, M. R. (2021). Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 9(3), 493. https://doi.org/10.26760/elkomika.v9i3.493 Mittal, S., & Chauhan, A. (2021). A RNN-LSTM-Based Predictive Modelling Framework for Stock Market
Prediction Using Technical Indicators. International Journal of Rough Sets and Data Analysis, 7(1), 1–13. https://doi.org/10.4018/ijrsda.288521
Nufus, N., Ariffin, D. M., Satyawan, A. S., Nugraha, R. A. S., Asysyakuur, M. I., Marlina, N. N. A., Parangin, C. H.,
& Ema, E. (2021). Sistem Pendeteksi Pejalan Kaki Di Lingkungan Terbatas Berbasis SSD MobileNet V2 Dengan Menggunakan Gambar 360° Ternormalisasi. Prosiding Seminar Nasional Sains Teknologi
Dan Inovasi Indonesia (SENASTINDO), 3(November), 123–134.
https://doi.org/10.54706/senastindo.v3.2021.123
Nursalman, N., & Mustikasari, M. (2020). Pengaruh Penyetelan Hyperparameter Terhadap Kinerja Prediksi Random Forest pada Pendeteksian Spam. JURNAL INSTEK Informatika Sains Dan Teknologi, 5(2), 149–158.
Perwitasari, A., Septiriana, R., & Tursina, T. (2023). Data preparation Structure untuk Pemodelan Prediktif Jumlah Peserta Ajar Matakuliah. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 9(1), 7.
https://doi.org/10.26418/jp.v8i3.57321
513
Priyambodoi, A. W., & Dyanasari, ) ; (2022). page: 109-118 | 109 Priyambodoi, A.W. Dyanasari. 2022. Price Volatility Of Shallot And Garlic And Effect On Inflation In East Java. Journal of Agri Socio Economic and Business, 4(2), 109–118. https://doi.org/10.31186/jaseb.4.2.109-118
Ruswandi, A., Dianawati, M., Winara, A., Asfiya, W., Haryati, Y., Cartika, I., Merdeka Efendi, A., & Swestiani, D.
(2022). Introduction of Garlic Cultivation Technology Packages in West Java, Indonesia. E3S Web of Conferences, 361, 1–7. https://doi.org/10.1051/e3sconf/202236104017
Saptana, Dyah Perwita, A., & Ganda Sukmaya, S. (2021). Analysis of Garlic Commodity Competitiveness and Impact of Government Policy in Indonesia. E3S Web of Conferences, 316, 02016.
https://doi.org/10.1051/e3sconf/202131602016
Setiawan, L. H., Suprehatin, S., Khosyati, M. A., Nazira, N., Shara, S., & Hidayati, B. W. (2022). Willingness Petani Menanam Bawang Putih: Bukti dari Kecamatan Sembalun, Nusa Tenggara Barat. Jurnal Penelitian Pertanian Terapan, 22(2), 111–123. https://doi.org/10.25181/jppt.v22i2.2419
Wang, B., Liu, P., Chao, Z., Junmei, W., Chen, W., Cao, N., O’Hare, G. M. P., & Wen, F. (2018). Research on hybrid model of garlic short-term price forecasting based on big data. Computers, Materials and Continua, 57(2), 283–296. https://doi.org/10.32604/cmc.2018.03791
Wang, B., Liu, P., Zhang, C., Wang, J., & Peng, L. (2018). Prediction of garlic price based on ARIMA model.
Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11063 LNCS, 731–739. https://doi.org/10.1007/978-3-030- 00006-6_66
Wang, Y., Liu, P., Zhu, K., Liu, L., Zhang, Y., & Xu, G. (2022). A Garlic-Price-Prediction Approach Based on Combined LSTM and GARCH-Family Model. Applied Sciences (Switzerland), 12(22).
https://doi.org/10.3390/app122211366
Wu, G., Zhang, C., Liu, P., Ren, W., Zheng, Y., Guo, F., Chen, X., & Higgs, R. (2019). Spatial quantitative analysis of garlic price data based on ArcGIS technology. Computers, Materials and Continua, 58(1), 183–195.
https://doi.org/10.32604/cmc.2019.03792
Xia, B. (2023). Stock Price predication based on Linear Regression, RNN, LSTM. BCP Business &
Management, 38, 355–362. https://doi.org/10.54691/bcpbm.v38i.3715
Zhang, H., Xiao, F., He, W., Chai, Z., & Ewe, H. T. (2022). Multiyear Automated Mapping and Price Analysis of Garlic in Main Planting Areas of China Using Time-Series Remote Sensing Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15, 5222–5233.
https://doi.org/10.1109/JSTARS.2022.3186298
