Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Data Sciences Indonesia (DSI)
Engkus Kusnadi
Universitas Sebelas April
Computer Science & IT Education Physics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Algoritma Random Forest, XGBoost, dan Support Vector Regression dalam Prediksi Harga Bahan Pangan Berbasis Data Cuaca Engkus Kusnadi
Data Sciences Indonesia (DSI) Vol. 6 No. 1 (2026): Article Research Volume 6 Issue 1, Juni 2026
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v6i1.8753

Abstract

Harga komoditas pangan di Indonesia sangat fluktuatif dan dipengaruhi oleh variabel iklim seperti curah hujan dan suhu udara. Penelitian ini mengusulkan perbandingan tiga algoritma machine learning, yaitu Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Support Vector Regression (SVR), untuk memprediksi harga harian komoditas beras dan cabai di Indonesia. Dataset yang digunakan terdiri dari 1.505 data harian dari tahun 2019 hingga 2024, mencakup 13 variabel harga dan 8 fitur meteorologis. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil eksperimen menunjukkan bahwa XGBoost mencapai performa terbaik secara keseluruhan dengan RMSE terendah dan R² tertinggi untuk sebagian besar variabel target, diikuti oleh Random Forest, sedangkan SVR menunjukkan tingkat kesalahan lebih tinggi terutama untuk komoditas volatil seperti cabai. Temuan ini mengindikasikan bahwa metode ensemble berbasis boosting sangat cocok untuk tugas prediksi harga pangan dengan interaksi fitur yang kompleks dan nonlinear.
Co-Authors