Studi Model Prediksi Harga Beras Grosir Berbasis Random Forest Regression dan Metode Machine Learning

Abstract

The people of Indonesia rely heavily on rice as a staple in their eating habits and economy. Further, the fluctuation of rice prices every month is very important to be monitored to maintain the stability of rice prices and not burden the community. This research purpose to determine the most optimal forecasting model by using the Average Rice Price dataset at the Indonesian Wholesale Trade Level from January 2010 to December 2022. The dataset is obtained from the Central Statistics Agency of Indonesia. Moreover, the best model proposed in this research uses the Random Forest method with hyperparameter tuning using the n_estimator parameter of 500. Our proposed method can reduce the MAPE value from 0.0093573 to 0.0089389 and increase the R2 Score value from 0.9916805 to 0.9921578. Moreover, we analyze the performance of our proposed methodology with several other datasets sourced from UCI (University of California Irvine). The experimental outcomes indicate that the suggested model displays superior performance when compared to alternative methods, with a tendency of decreasing MAPE values and increasing R2 values in each experiment for all datasets.

Masyarakat Indonesia sangat bergantung pada beras sebagai makanan pokok dan sumber penghidupan mereka. Selain itu, fluktuasi harga beras setiap bulan sangat penting untuk dipantau guna menjaga stabilitas harga beras dan tidak membebani masyarakat. Penelitian ini bertujuan untuk menentukan model peramalan yang paling optimal dengan menggunakan dataset Rata-rata Harga Beras di Tingkat Grosir Indonesia dari Januari 2010 hingga Desember 2022. Dataset ini diperoleh dari Badan Pusat Statistik Indonesia. Selain itu, model terbaik yang diusulkan dalam penelitian ini menggunakan metode Random Forest dengan penyetelan hyperparameter menggunakan parameter n_estimator sebesar 500. Metode yangdiusulkan dapat mengurangi nilai MAPE dari 0,0093573 menjadi 0,0089389 dan meningkatkan nilai R2 Score dari 0,9916805 menjadi 0,9921578. Selain itu, kami menganalisis kinerja metodologi yang diusulkan dengan beberapa dataset lain yang bersumber dari UCI (University of California Irvine). Hasil eksperimen menunjukkan bahwa model yang diusulkan menampilkan kinerja yang lebih unggul dibandingkan dengan metode lain, dengan kecenderungan nilai MAPE yang menurun dan nilai R2 yang meningkat dalam setiap eksperimen untuk semua dataset.