Abstract. From the perspective of Micro, Small, and Medium Enterprises (MSMEs), fluctuations in raw material prices are highly concerning as they can significantly impact business stability. While MSMEs may tolerate price fluctuations to some extent, from an industrial engineering perspective, such a passive approach contradicts the principles of continuous improvement. This study seeks to predict the price of large red chili peppers using five regression models implemented through Orange Data Mining: Linear Regression, Support Vector Machine, Decision Tree, k-Nearest Neighbors (kNN), and Gradient Boosting. Due to the limited availability of daily data, particularly within a daily timeframe, the study utilized weekly data spanning three years. The results of the Test and Score evaluation shows Gradient Boosting as the best-performing model, achieving a Mean Absolute Percentage Error (MAPE) of 0.7%. However, the MAPE for predictions in January 2025 increased to 15.8%. This error is expected to decrease as more weekly data becomes available to mitigate the inaccuracies inherent in this model. Keywords: prediction, red chilli, regression, supervised learning , orange data mining. Abstrak. Dalam perspektif UMKM, fluktuasi harga bahan baku adalah suatu hal yang paling ditakuti karena berakibat pada ketahanan usaha yang menjadi tidak menentu. Pada suatu kondisi, fluktuasi harga dapat diterima para UMKM, namun dalam perspektif teknik industri, sikap UMKM tersebut tidak sesuai prinsip continuous improvement. Penelitian ini mencoba untuk memprediksi harga cabai merah besar dengan menggunakan 5 model regresi dibantu Orange Data Mining. Yaitu Linear Regression, Support Vector Machine, Tree, kNN, Gradient Boosting. Data yang diperlukan sebagian besar tidak tersedia, khususnya dalam kerangka waktu harian sehingga penelitian ini menggunakan data mingguan selama 3 tahun. Hasil Test and Score menunjukkan model Gradient Boost terpilih menjadi model terbaik dengan tingkat MAPE 0.7% namun MAPE pada tahap Prediction di bulan Januari 2025 menjadi 15.8%. Error tersebut akan berkurang ketika data mingguan sudah cukup banyak untuk menambal kesalahan yang dihasilkan model ini Kata kunci: prediksi, cabai merah, regression, supervised learning , orange data mining.