Komparasi Model ARIMA, Regresi Linear, Random Forest, dan LSTM untuk Peramalan Harga Beras Jawa Barat

Abstract

Fluktuasi harga beras di Jawa Barat memiliki dampak signifikan terhadap inflasi daerah dan ketahanan pangan nasional. Tantangan utama dalam peramalan harga komoditas ini adalah tingginya volatilitas data yang seringkali gagal ditangkap oleh model statistik konvensional. Penelitian ini bertujuan untuk membandingkan akurasi empat metode peramalan, yaitu ARIMA, regresi linear, random forest, dan long short-term memory (LSTM), guna mengidentifikasi model terbaik. Data yang digunakan adalah harga harian beras medium di Jawa Barat periode Januari 2022 hingga Oktober 2024 yang diperoleh dari Kaggle. Metodologi meliputi pra-pemrosesan data, optimasi parameter model, dan evaluasi kinerja menggunakan metrik RMSE, MAE, dan MAPE. Hasil penelitian menunjukkan bahwa model non-linier mengungguli model linear secara signifikan. LSTM mencatatkan kinerja superior dengan tingkat kesalahan terendah (MAPE 0,43% dan RMSE 91,95), diikuti oleh random forest (MAPE 0,67%). Sebaliknya, ARIMA dan regresi linear menghasilkan error di atas 10%. Kesimpulannya, pendekatan deep learning dan machine learning terbukti lebih robust dalam menangani data harga pangan yang volatil dibandingkan metode ekonometrika klasik, sehingga sangat direkomendasikan sebagai landasan sistem peringatan dini bagi pemangku kebijakan.Rice price fluctuations in West Java significantly impact regional inflation and national food security. The main challenge in forecasting this commodity price is the high volatility of the data, which conventional statistical models often fail to capture. This study aims to compare the accuracy of four forecasting methods: ARIMA, Linear Regression, Random Forest, and Long Short-Term Memory (LSTM), to identify the best-performing model. The data used are daily medium rice prices in West Java from January 2022 to October 2024, obtained from Kaggle. The methodology includes data pre-processing, model parameter optimization, and performance evaluation using RMSE, MAE, and MAPE metrics. The results show that non-linear models significantly outperform linear models. LSTM recorded superior performance with the lowest error rates (MAPE 0.43% and RMSE 91.95), followed by Random Forest (MAPE 0.67%). In contrast, ARIMA and Linear Regression produced errors above 10%. In conclusion, Deep Learning and Machine Learning approaches are more robust at handling volatile food price data than classical econometric methods, making them highly recommended as a basis for policymakers' early warning systems.