PREDIKSI HARGA BERAS PREMIUM TAHUN 2024 MENGGUNAKAN METODE GRADIENT BOOSTED TREES REGRESSION

Mayrisa  Andriyani; Siti  Nurwilda; Dina Zatusiva Haq; Dian C Rini Novitasari

doi:10.47111/jti.v18i2.14859

Authors

Mayrisa Andriyani Departemen Matematika, UIN Sunan Ampel Surabaya
Siti Nurwilda Departemen Matematika, UIN Sunan Ampel Surabaya
Dina Zatusiva Haq Departemen Matematika, UIN Sunan Ampel Surabaya
Dian C Rini Novitasari Departemen Matematika, UIN Sunan Ampel Surabaya

DOI:

https://doi.org/10.47111/jti.v18i2.14859

Keywords:

Gradient Boosted trees,, Regression, Rice Prices, Premium Rice, Price Prediction, Basic Ingredients

Abstract

Food needs are a special concern among the community. Every year the growth of Indonesian society increases so that the amount of food needed increases, especially rice which is the staple food of Indonesian society. Regarding this, the public needs information regarding forecasting rice prices for future needs. Therefore, this research aims to predict rice prices using the Gradient Boosted Trees Regression method. This method was chosen because of its ability to produce accurate predictions by minimizing errors through an ensemble approach. Evaluation is seen from the R-Squared and Root Mean Square Error (RMSE) values. The results of research using the Gradient Booster Trees Regression model obtained an R-Squared value of 0.9047 and an RMSE value of 0.0473, which indicates that the model has a high level of accuracy in predicting rice prices. The results of the dataset testing are divided into 80 percent training data and 20 percent for testing data. Based on this research, model testing was carried out by displaying decision tree visualization, using a sample of 50 decision trees.

Downloads

Download data is not yet available.

References

I. Listiowarni, N. Puspa Dewi, dan A. Kartika Widhy Hapantenda, “Perbandingan Metode Double Exponential Smoothng dan Double Moving Average untuk Peramalan Harga Beras Eceran di Kabupaten Pamekasan”, J. Komput. Terap. Vol. 6, no. 2, hal. 158–169, 2020

B. Ghulam, A. Shidiq, M. T. Furqon, dan L. Muflikhah, “Prediksi Harga Beras Menggunakan Metode Least Square”, Pengemb. Teknol. Inf. dan Ilmu Komput. Vol. 6, no. 3, hal. 1149–1154, 2022.

S. Asrin, T. Andita Putri, dan A. D. Utami, “Transmisi Harga Beras di Indonesia pada Masa Pandemi Covid-19”, J. Agribisnis Indonesia. Vol. 10, no. 1, hal. 159–168, 2022.

M. Zaril Gapari, “Pengaruh Kenaikan Harga Beras terhadap Kesejahteraan Petani di Desa Sukaraja”, J. Pendidik. dan Ilmu Sosial. Vol. 3, no. 1, hal. 14–26, 2021.

Dudi Septiadi dan M. Nursan, “The Simulation of Agricultural Policies for Poverty Reduction in Indonesia”, Agrimantion. Vol. 24, no. 1, hal. 75–85, 2023

C. A. Rizqy, N. R. Ali, dan K. R. Hayati, “Analisis Pengaruh Kenaikan Harga Bahan Pokok terhadap Kebutuhan Rumah Tangga dan sebagai Tantangan Kegiatan PKK di Daerah Ketegan, Taman, Sidoarjo”, J. Hukum dan Kewarganegaraan. Vol. 3, no. 6, hal. 1–10, 2024.

Jiuhardi, “Analisis Kebijakan Impor Beras terhadap Peningkatan Kesejahteraan Petani di Indonesia”, Inov. J. Ekonomi, Keuangan dan Manajemen. Vol. 19, no. 1, hal. 1–13, 2023.

F. I. Sanjaya dan D. Heksaputra, “Prediksi Rerata Harga Beras Tingkat Grosir Indonesia dengan Long Short Term Memory”, J. Teknik Informatika dan Sistem Informasi. Vol. 7, no. 2, hal. 163–174, 2020.

Hadi Santoso, Lukman Hakim, Afiyati dan Hilyah Magdalena, “Sosialisasi Dampak Kenaikan Beras dengan Prediksi Kebutuhan Beras Masyarakat di Pasar Induk Cipinang dengan Kerjasama Badan Pangan Nasional”, J. Abdidas. Vol. 5, no. 1, hal. 90–96, 2024.

S. Karbala dan I. Ali, “Memprediksi Harga Beras Eceran Menggunakan Algoritma Regresi Linier”, J. mahasiswa Teknik Informatika. Vol. 7, no. 3, hal. 1554–1559, 2023.

J. Athalia, Henry Novianus Palit dan Silvia Rostianingsih, “Perbandingan Analisis Faktor Penentu Penjualan PT . X Menggunakan LASSO Regression dan Gradient Boosted Regression Tree”, J. Infra, vol. 9, no. 1, 2021.

E. Pudjiarti, D. Nurlaela, dan W. Sulistyani, “Sistem Informasi Penjualan Beras Berbasis Website”, Indonesian J. Software Engineering. Vol. 5, no. 1, hal. 62–74, 2019.

J. Ronaldo et al, “Pembuatan Antarmuka Aplikasi Pengatur Massa Beras dan Volume Air untuk Penanak Nasi Berbasis Iot”, vol. 7, no. 2, hal. 2899–2907, 2020.

G. Octania, “Peran Pemerintah dalam Rantai Pasok Beras Indonesia”. Jakarta, Indonesia: Center for Indonesian Policy Studies, 2021.

K. Kraugusteeliana, S. Muis, F. Nugroho, A. Karim, dan Y. Siagian, “Data Mining Klasifikasi Breast Cancer Menerapkan Algoritma Gradient Boosted Trees”, J. Media Informatika Budidarma. Vol. 7, No 2, April 2023.

Evita Fitri, “Analisis Perbandingan Metode Regresi Linier, Random Forest Regression dan Gradient Boosted Trees Regression Method untuk Prediksi Harga Rumah”, J. Appl. Comput. Sci. Technol. Vol. 4, no. 1, hal. 58–64, 2023.

D. A. Nasution, H. H. Khotimah, dan N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN”, J. Comput. Eng. Sci. Syst. Vol. 4, no. 1, hal. 78, 2019.

A. T. Nurani, A. Setiawan dan B. Susanto, “Perbandingan Kinerja Regresi Decision Tree dan Regresi Linear Berganda untuk Prediksi BMI pada Dataset Asthma”, J. Sains dan Edukasi Sains. Vol. 6, no. 1, hal. 34–43, 2023.

E. Setiadi dam A. Wibowo, “Uji Kelayakan Konstruksi Balok PT Daeyung dari Aplikasi Sap2000 Menggunakan Machine Learning dengan Model Linier Regression,” J. Tek. Sipil Cendekia, vol. 5, no. 1, hal. 799–814, 2024.

B. P. Statistik, “Rata-rata Harga Beras Bulanan di Tingkat Penggilingan”. [Daring]. Tersedia pada: https://www.bps.go.id/id/statistics-table/2/NTAwIzI=/rata-rata-harga-beras-bulanan-di-tingkat-penggilingan-menurut-kualitas.htm