Electronic Theses and Dissertation

Fluktuasi harga komoditas pangan merupakan permasalahan yang berdampak langsung terhadap kestabilan ekonomi dan kesejahteraan masyarakat, khususnya di Kota Banda Aceh. Kompleksitas pola harga yang dipengaruhi oleh berbagai faktor seperti kondisi cuaca, pola historis, dan faktor eksternal lainnya menyebabkan pendekatan statistik konvensional sering kali kurang mampu menangkap hubungan nonlinier antarwaktu secara optimal. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja model Machine Learning, yaitu Random Forest (RF), Double Random Forest (DRF), dan Extreme Gradient Boosting (XGBoost), dalam pemodelan harga sembilan komoditas pangan harian di Kota Banda Aceh. Data penelitian bersumber dari Portal Resmi Pusat Informasi Harga Pangan Strategis Nasional (PIHPS) milik Bank Indonesia untuk harga komoditas pangan, serta NASA POWER Data untuk variabel meteorologi, dengan total 2.192 observasi harian. Rekayasa fitur lag 1, 3, dan 7 hari diterapkan untuk merepresentasikan pola temporal. Hyperparameter tuning dilakukan menggunakan GridSearchCV untuk memperoleh kombinasi parameter optimal pada masing-masing model dan komoditas. Evaluasi model menggunakan metrik RMSE, MAE, dan SMAPE pada data testing (20%). Hasil penelitian menunjukkan bahwa tidak ada satu model yang secara konsisten unggul pada seluruh komoditas. Model RFR merupakan model terbaik untuk komoditas daging ayam, bawang putih dan minyak goreng; model DRFR terbaik untuk telur ayam dan daging sapi; sedangkan model XGBR terbaik untuk beras, bawang merah, cabai rawit dan cabai merah. Seluruh model terbaik menghasilkan nilai SMAPE di bawah 5%, yang mengindikasikan akurasi pemodelan yang baik. Analisis Permutation Feature Importance menunjukkan bahwa variabel lag-1 harga merupakan prediktor paling dominan pada seluruh komoditas, sedangkan variabel meteorologi memberikan kontribusi yang lebih kecil dan tidak konsisten.

Food commodity price fluctuations pose a direct threat to economic stability and public welfare, particularly in Banda Aceh City. The complexity of price patterns, influenced by weather conditions, historical trends, and other external factors, limits the effectiveness of conventional statistical approaches in capturing nonlinear temporal relationships optimally. This study aims to analyze and compare the performance of three Machine Learning models Random Forest (RF), Double Random Forest (DRF), and Extreme Gradient Boosting (XGBoost) in modeling the daily prices of nine food commodities in Banda Aceh City. Research data were obtained from the National Strategic Food Price Information Center (PIHPS) managed by Bank Indonesia for food commodity prices and from NASA POWER Data for meteorological variables, comprising a total of 2,192 daily observations. Lag features of 1, 3, and 7 days were engineered to represent temporal patterns. Hyperparameter tuning was performed using GridSearchCV to obtain the optimal parameter combinations for each model and commodity. Model performance was evaluated using RMSE, MAE, and SMAPE on the testing dataset (20%). The results indicate that no single model consistently outperformed the others across all commodities. The RFR model achieved the best performance for chicken meat, garlic and cooking oil; the DRFR model performed best for chicken eggs and beef; while the XGBR model performed best for rice, shallots, cayenne pepper and red chili. All selected models achieved SMAPE values below 5%, indicating good modeling accuracy. Permutation Feature Importance analysis revealed that the lag-1 price variable was the most influential predictor across all commodities, whereas meteorological variables contributed less substantially and inconsistently.