PERBANDINGAN MODEL XGBOOST, LSTM, DAN NEURAL PROPHET UNTUK PREDIKSI HARGA CABAI RAWIT MERAH DI JAWA TIMUR
Keywords:
Prediksi harga, Cabai rawit merah, XGBoost, LSTM, Neural Prophet, Time series forecastingAbstract
Harga cabai rawit merah di Indonesia, khususnya di Provinsi Jawa Timur, sering mengalami fluktuasi signifikan yang berdampak terhadap inflasi pangan dan kestabilan ekonomi masyarakat. Oleh karena itu, dibutuhkan sistem prediksi harga yang akurat untuk membantu pengambilan keputusan dalam pengelolaan rantai pasok pangan. Penelitian ini bertujuan untuk membandingkan kinerja tiga model machine learning dan deep learning, yaitu XGBoost, LSTM, dan Neural Prophet, dalam memprediksi harga cabai rawit merah berdasarkan data historis dari Agustus 2018 hingga Agustus 2025 yang diperoleh dari situs resmi Siskaperbapo Dinas Perindustrian dan Perdagangan (DISPERINDAG) Provinsi Jawa Timur. Analisis dilakukan dengan pendekatan kuantitatif menggunakan data deret waktu (time series forecasting), dengan evaluasi performa melalui metrik RMSE, MAE, MAPE, dan R². Hasil penelitian menunjukkan bahwa model LSTM memberikan akurasi terbaik dengan nilai RMSE 1.78, MAE 0.99, MAPE 2.13%, dan R² sebesar 0.9909, dibandingkan dengan XGBoost dan Neural Prophet. Temuan ini menegaskan bahwa pendekatan deep learning berbasis LSTM paling efektif untuk mengenali pola temporal dan musiman dalam data harga cabai rawit merah. Penelitian ini berkontribusi terhadap pengembangan sistem prediksi harga pangan berbasis kecerdasan buatan sebagai dasar pengambilan keputusan kebijakan stabilisasi harga di sektor pertanian.
References
A. Mandarsari, R. Anindita, and S. Budi, “Price Volatility Analysis of Cayenne Pepper (Capsicum frutescens) in East Java,” Agricultural Socio- Economics Journal, vol. 20, no. 2, Apr. 2020. doi: 10.21776/UB.AGRISE.2020.020.2.5.
M. N. E. Brahmana, Sahara, and N. K. Hidayat, “Price Volatility Analysis of Red and Cayenne Pepper of Java Islands during Covid-19 Pandemic,” Journal of Economics, Finance and Accounting Studies, vol. 4, no. 4, Sep. 2022. doi: 10.32996/jefas.2022.4.4.2.
I. Marina, D. Sukmawati, E. Juliana, and others, “Dinamika Pasar Komoditas Pangan Strategis: Analisis Fluktuasi Harga Dan Produksi,” Paspalum, vol. 12, no. 1, Apr. 2024. doi: 10.35138/paspalum.v12i1.700.
A. M. Windhy and A. S. Jamil, “Peramalan Harga Cabai Merah Indonesia: Pendekatan ARIMA,” Agriekstensia, vol. 20, no. 1, Jul. 2021. doi: 10.34145/agriekstensia.v20i1.1502.
N. M. Ginting, A. R. Lubis, and M. Zendrato, “Analisis Volatilitas, Integrasi Pasar Dan Transmisi Harga Cabai Merah Di Provinsi Sumatera Utara, Indonesia,” Agro Bali : Agricultural Journal, vol. 6, no. 3, Nov. 2023. doi: 10.37637/ab.v6i3.1519.
L. R. Maula and T. S. M. Rianti, “Fluktuasi dan Peramalan Harga Cabai Rawit di Kabupaten Malang,” Media Agribisnis, vol. 5, no. 1, May 2021. doi: 10.35326/agribisnis.v5i1.1179.
N. H. Hidayati, S. Anwar, and R. Rahmah, “Peramalan Harga Cabai Merah sebagai upaya menjaga Stabilitas Inflasi Kota Banda Aceh,” Agriekonomika, vol. 11, no. 1, Aug. 2022. doi: 10.21107/agriekonomika.v11i1.11380.
D. Sukmawati, “Fluktuasi Harga Cabai Merah Keriting (Capsicum annum L) di Sentra Produksi dan Pasar Induk (Tinjauan Harga Cabai Merah Keriting di Kecamatan Cikajang dan Pasar Induk Kramat Jati Jakarta),” Media Agribisnis, vol. 1, no. 2, Apr. 2017. doi: 10.25157/MA.V1I2.58.
R. K. K. Sitepu, “Price Transmission in the Indonesian Red Chili Market: Static and Dynamic Models,” Jurnal Ekonomi Kuantitatif Terapan, vol. 15, no. 2, Aug. 2022. doi: 10.24843/jekt.2022.v15.i02.p04.
A. Fauzi and V. Andriani, “Pengaruh meningkatnya harga cabai terhadap permintaan dan penawaran di Indonesia,” Jurnal Akuntansi dan Manajemen Bisnis, vol. 3, no. 1, Apr. 2023. doi: 10.56127/jaman.v3i1.645.
R. J. Hyndman and G. Athanasopoulos, Forecasting: principles and practice, 3rd edition. Melbourne: OTexts, 2021.
G. E. Box, G. M. Jenkins, G. C. Reinsel, and others, Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day, 1970.
T. Chen and C. Guestrin, “XGBoost: A Scalable Tree Boosting System” in Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, 2016.
S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Computation 9, 1997. doi: . 10.1162/neco.1997.9.8.1735.
S. J. Taylor and B. Letham, “Forecasting at Scale,” The American Statistician, 2018. doi: 10.1080/00031305.2017.1380080.
O. Triebe, H. Hewamalage, P. Pilyugina, “NeuralProphet: Explainable Forecasting at Scale,” arXiv, 2021. doi: 2111.15397v1
