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

Marsello Ormanda; Irfan Ardiansah

doi:10.54914/jit.v12i1.2789

Penulis

Marsello Ormanda Universitas Padjadjaran
Irfan Ardiansah Universitas Padjadjaran

DOI:

https://doi.org/10.54914/jit.v12i1.2789

Kata Kunci:

Harga beras, LSTM, peramalan, random forest, volatilitas

Abstrak

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.

Unduhan

Data unduhan belum tersedia.

Referensi

F. Rafidah, Y. Hariyati, K. Muhtadi, and H. Prayuginingsih, “Determinan dan Dampak Kebijakan Peningkatan Areal Irigasi terhadap Rasio Ketergantungan Impor Beras Indonesia,” J. Pangan, vol. 33, no. 2, pp. 97–118, 2024, doi: https://doi.org/10.33964/jp.v33i2.664.

F. A. Nasution, Y. I. Indainanto, and P. D. K. Pardede, “Beras Sebagai Komoditas Politik Dalam Pemilihan Umum di Indonesia,” J. Kaji. Agrar. dan Kedaulatan Pangan, vol. 2, no. 1, pp. 37–43, 2023, doi: 10.32734/jkakp.v2i1.13421.

N. D. Budiman and L. Santu, “Kajian Strategi dan Kebijakan Pemerintah Indonesia dalam Mencapai Target Swasembada Beras,” J. Pertan. CEMARA, vol. 21, no. 2, pp. 125–136, 2024, doi: 10.24929/fp.v21i2.3888.

F. A. Adit Kurniawan, I. Ramadhani, and R. A. Fitrie, “Analisis Pengambilan Keputusan Kebijakan Impor Beras dalam Konteks Pemenuhan Pangan Nasional di Indonesia,” Indones. J. Public Adm. Rev., vol. 1, no. 2, p. 15, 2024, doi: 10.47134/par.v1i2.2394.

V. Hildayanti, “Pengaruh Fluktuasi Harga Komoditas Beras dan Minyak Goreng Terhadap Pengendalian Inflasi di Kota Cirebon Tahun 2021–2023,” J. Din. Sos. Dan Sains, vol. 1, no. 4, pp. 305–313, 2024, doi: https://doi.org/10.60145/jdss.v1i4.85.

W. S. Nugroho and Jamilatuzzahro, “Harga Beras Lampau HET, Berikut Penjelasan Pengamat Ekonomi FEB UGM,” FEB UGM. Accessed: Nov. 29, 2025. [Online]. Available: https://feb.ugm.ac.id/id/berita/4509-harga-beras-lampau-het-berikut-penjelasan-pengamat-ekonomi-feb-ugm

A. Winata, M. D. Lauro, and T. Handhayani, “Analysis and Prediction of Foodstuffs Prices in Tasikmalaya Using ELM and LSTM,” Sistemasi, vol. 12, no. 3, p. 874, 2023, doi: 10.32520/stmsi.v12i3.3145.

W. Widiyantoro, Y. H. Chrisnanto, and A. I. Hadiana, “Peramalan Produksi Padi di Kabupaten Bandung Menggunakan Metode Double Moving Average,” J. Sos. Teknol., vol. 5, no. 9, pp. 3762–3776, 2025, doi: 10.59188/jurnalsostech.v5i9.32409.

V. Virgiani, A. Hadianto, and F. Dewi Raswatie, “Analisis Capaian Program Swasembada Beras di Pulau Jawa,” Indones. J. Agric. Resour. Environ. Econ., vol. 2, no. 2, pp. 1–14, 2023, doi: 10.29244/ijaree.v2i2.51682.

A. Pala and W. Windasari, “Prediksi Harga Komoditas Pertanian Beras dengan Metode Hybrid ARIMA dan Neural Netwok di Daerah Istimewa Yogyakarta,” J. Appl. Sci. Inf. Technol., vol. 1, no. 1, pp. 126–145, 2025, doi: https://doi.org/10.32639/d3m0cb17.

B. Al badi, M. A. Bianto, R. N. Rohman, and M. S. Alamsyah, “Sistem Prediksi Harga Komoditas Cabai di Wilayah Jawa Timur Menggunakan Simple Moving Average,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 3, pp. 2261–2269, 2025, doi: 10.23960/jitet.v13i3.7345.

R. D. Putra, N. Musyaffa, H. Nurdin, and R. M. Square, “Analisis Komparatif Model Arima dan Lstm untuk Prediksi,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 10, no. 1, pp. 1–6, 2025.

I. R. Muchtar and Afiyati, “Comparison of Linear Regression and Random Forest Algorithms for Premium Rice Price Prediction ( Case Study : West Java ),” J. Indones. Sos. Teknol., vol. 5, no. 7, pp. 3122–3132, 2024.

G. Box, “Box and Jenkins: Time Series Analysis, Forecasting and Control,” in A Very British Affair: Six Britons and the Development of Time Series Analysis During the 20th Century, London: Palgrave Macmillan UK, 2013, pp. 161–215. doi: 10.1057/9781137291264_6.

R. Muhammad and I. Nurhaida, “Penerapan LSTM Dalam Deep Learning Untuk Prediksi Harga Kopi Jangka Pendek Dan Jangka Panjang,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 1, pp. 554–564, 2025, doi: 10.29100/jipi.v10i1.5904.

Y. Ashari and A. Suhendar, “Implementasi Algoritma Long Short-Term Memory (Lstm) untuk Memprediksi Harga Beras di Jawa Tengah berdasarkan Cuaca,” Djtechno J. Teknol. Inf., vol. 5, no. 3, pp. 624–636, 2024, doi: 10.46576/djtechno.v5i3.5136.

A. V. Septani, F. M. Afendi, and A. Kurnia, “Perbandingan Metode GARCH, LSTM, GRU, dan CNN pada Peramalan Volatilitas Kurs,” J. Math. Its Appl., vol. 22, no. 1, pp. 149–169, 2025, doi: http://dx.doi.org/10.12962/limits.v22i1.3384.

S. Annisa et al., “Peramalan harga minyak mentah indonesia menggunakan algoritma random forest,” J. Gaussian, vol. 13, no. 2, pp. 472–478, 2025, doi: 10.14710/j.gauss.13.2.472-478.

H. Hewamalage, C. Bergmeir, and K. Bandara, “Recurrent Neural Networks for Time Series Forecasting: Current status and future directions,” Int. J. Forecast., vol. 37, no. 1, pp. 388–427, 2021, doi: https://doi.org/10.1016/j.ijforecast.2020.06.008.

J. Cahyani, S. Mujahidin, and T. P. Fiqar, “Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional,” J. Sist. dan Teknol. Inf., vol. 11, no. 2, p. 346, 2023, doi: 10.26418/justin.v11i2.57395.

Fathur, “Indonesia Commodity Price.” Accessed: Feb. 09, 2026. [Online]. Available: https://www.kaggle.com/datasets/datavidia/indonesia-commodity-price

Y. S. Kim, M. K. Kim, N. Fu, J. Liu, J. Wang, and J. Srebric, “Investigating the impact of data normalization methods on predicting electricity consumption in a building using different artificial neural network models,” Sustain. Cities Soc., vol. 118, no. October 2023, p. 105570, 2025, doi: 10.1016/j.scs.2024.105570.

T. O. Hodson, “Root-mean-square error ( RMSE ) or mean absolute error ( MAE ): when to use them or not,” Geosci. Model Dev., no. 2, pp. 5481–5487, 2022, doi: https://doi.org/10.5194/gmd-15-5481-2022.

B. L. Bowerman, R. T. O’connell, and A. B. Koehler, “Forecasting, time series, and regression : an applied approach,” 2005. [Online]. Available: https://api.semanticscholar.org/CorpusID:117736686

S. Deviana, Nusyirwan, D. Azis, and P. Ferdias, “Analisis Model Autoregressive Integrated Moving Average Data Deret Waktu Dengan Metode Momen Sebagai Estimasi Parameter,” J. Siger Mat., vol. 02, no. 02, pp. 57–67, 2021.

A. Febiola et al., “Perbandingan Metode ARIMA dan SARIMA Dalam Peramalan Jumlah Penumpang Bandara Provinsi Kepulauan Bangka Belitung,” Jambura J. Math., vol. 6, no. 2, pp. 160–168, 2024, doi: 10.37905/jjom.v6i2.25081.

D. Cramer and D. N. V.-0 Howitt, “Coefficient of variation,” in The SAGE dictionary of statistics, 2004, p. 27. doi: https://doi.org/10.4135/9780857020123.n81.

R. A. A. Ananda, A. Nazir, L. Oktavia, E. Haerani, and F. Insani, “Analisa Perbandingan Metode Trend Moment dan Regresi Linear dalam Prediksi Kurs Mata Uang Rupiah terhadap Mata Uang Riyal,” J. Comput. Syst. Informatics, vol. 6, no. 3, pp. 563–571, 2025, doi: 10.47065/josyc.v6i3.7400.

D. K. T. Suwarso et al., “Perbandingan Performa Arimax-Garch Dan Lstm Pada Data Harga Penutupan Saham PT Aneka Tambang Tbk (ANTM.JK),” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 3, pp. 695–704, 2025, doi: 10.25126/jtiik.20258756.

C. A. Bahri and K. D. Tania, “Perbandingan Kinerja LSTM , Random Forest , dan SVR Berbasis Knowledge Discovery untuk Prediksi Harga Beras Sumatera Selatan,” JURIKOM (Jurnal Ris. Komputer), vol. 12, no. 5, pp. 721–732, 2025, doi: 10.30865/jurikom.v12i5.9140.

N. Sunendar, H. P.Putro, and R. Hesananda, “Prediksi Penjualan Aerosol Menggunakan Algoritma ARIMA, LSTM Dan GRU,” J. Sains dan Teknol., vol. 4, no. 1, pp. 113–126, 2025, doi: 10.55123/insologi.v4i1.4868.

I. K. Dewi, “Strategi Kebijakan Badan Pangan Nasional Melalui Pendekatan Berbasis Spasial Dalam Rangka Menjaga Stabilitas Pasokan dan Harga Pangan,” J. Econ. Bus. Account., vol. 8, no. 2, pp. 2782–2802, 2025.

A. T. Hidayat, D. P. Sari, and P. Andriani, “Forecasting Penjualan Produk Sembako Menggunakan Metode Triple Exponential Smoothing,” RESOLUSI Rekayasa Tek. Inform. dan Inf., vol. 4, no. 4, pp. 436–445, 2024, doi: https://doi.org/10.30865/resolusi.v4i4.1754.