Penelitian ini bertujuan memprediksi nilai ekspor kopi Indonesia menggunakan Deep Neural Network (DNN) dan mengoptimalkan arsitekturnya menggunakan Particle Swarm Optimization (PSO). Dataset diperoleh dari Trade Map untuk periode 2021–2025 dengan variabel input Quantity (Ton), Unit Value (US$/Ton), dan Growth in Value (%), sedangkan target penelitian adalah Value (US$). Tahapan penelitian meliputi pembersihan data, normalisasi Min-Max, pembentukan data untuk pemodelan, pembagian data menjadi training, validation, dan testing, pembangunan tiga arsitektur DNN, serta optimasi arsitektur menggunakan PSO. Tiga arsitektur DNN diuji dengan dua, tiga, dan empat hidden layer. Hasil pengujian menunjukkan bahwa DNN empat hidden layer memberikan hasil terbaik sebelum optimasi, dengan MSE 21.467.553,21, MAE 3.242,41, dan R² 0,9145. Optimasi PSO menggunakan delapan partikel dan 100 iterasi menghasilkan konfigurasi terbaik berupa 113 neuron pada hidden layer pertama, 46 neuron pada hidden layer kedua, 19 neuron pada hidden layer ketiga, serta learning rate 0,000896. Model DNN-PSO menghasilkan MSE 1.703.856,56, MAE 798,74, dan R² 0,9932. Dibandingkan DNN empat hidden layer, MSE turun 92,06%, MAE turun 75,36%, dan R² meningkat 8,61%. Hasil tersebut menunjukkan bahwa PSO mampu membantu pencarian arsitektur DNN yang lebih optimal dan menghasilkan prediksi yang lebih mendekati nilai aktual.
References
[1] I. Ardhanur, Martanto, Dikananda, A. R., and Mulyawan, “Analisis Prediksi Penjualan Tisu Menggunakan Regresi Linear,” JITET (Jurnal Informatika dan Teknik Elektro Terapan), vol. 13, no. 2, pp. 739–746, 2025.
[2] A. Atesongun and M. Gulsen, “A Hybrid Forecasting Structure Based on Arima and Artificial Neural Network Models,” Applied Sciences, vol. 14, no. 16, 2024.
[3] M. A. Azis, A. Fauzi, and I. Nawawi, “Klasifikasi Human Stress Menggunakan Adagrad Optimization untuk Arsitektur Deep Neural Network,” Jurnal Teknik Informatika Unika ST. Thomas, vol. 7, no. 1, pp. 56–62, 2022.
[4] A. Faisal and A. Subekti, “Deep Neural Network untuk Prediksi Stroke,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 7, no. 3, pp. 443–449, 2021.
[5] E. Hosseini et al., “Optimized Deep Neural Network Architectures for Energy Consumption and PV Production Forecasting,” Energy Strategy Reviews, vol. 59, p. 101704, 2025.
[6] I. Kurniawati, “Deep Learning Model Based on Particle Swarm Optimization for Buzzer Detection,” Journal of Informatics Information System Software Engineering and Applications, vol. 7, no. 1, pp. 22–32, 2024.
[7] D. Liu, W. Ding, Z. S. Dong, and W. Pedrycz, “Optimizing Deep Neural Networks to Predict the Effect of Social Distancing on COVID-19 Spread,” Computers & Industrial Engineering, vol. 166, p. 107970, 2022.
[8] S. C. Nistor and G. Czibula, “IntelliSwAS: Optimizing Deep Neural Network Architectures Using a Particle Swarm-Based Approach,” Expert Systems with Applications, vol. 187, p. 115945, 2022.
[9] H. Y. Novita et al., “Pemodelan Prediksi Ekspor Kopi Indonesia Berbasis Algoritma Machine Learning,” Jurnal Media Informatika (JUMIN), vol. 6, no. 6, pp. 2848–2856, 2025.
[10] T. A. Pham, V. Q. Tran, and H. L. T. Vu, “Evolution of Deep Neural Network Architecture Using Particle Swarm Optimization to Improve the Performance in Determining the Friction Angle of Soil,” Mathematical Problems in Engineering, 2021.
[11] W. Samek et al., “Explaining Deep Neural Networks and Beyond: A Review of Methods and Applications,” Proceedings of the IEEE, vol. 109, no. 3, pp. 247–278, 2021.