<![CDATA[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.]]>
Copyrights © 2026
