Cabai rawit adalah komoditas penting dalam industri makanan di Indonesia dengan harga yang sering berfluktuasi akibat faktor cuaca, pasokan, dan distribusi. Fluktuasi ini menunjukan adanya dinamika pasar dan tantangan dalam menjaga kestabilan harga dan diperlukan suatu sistem yang mampu meramalkan harga secara akurat. Penelitian ini bertujuan untuk membangun model peramalan harga cabai rawit menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan pendekatan rekayasa fitur. Data yang digunakan meliputi harga harian cabai rawit bersumber dari Pusat Informasi Harga Pangan Strategis (PIHPS) dan data cuaca yang bersumber dari data online BMKG periode 2021 hingga 2024. Rekayasa fitur diterapkan dengan menambahkan fitur Lag, Simple Moving Average (SMA), Musiman, dan Hari Besar untuk mengenali pola musiman, tren jangka pendek serta mengukur dampak peristiwa khusus. Proses pelatihan model melibatkan hyperparameter tuning menggunakan grid search. Model terbaik diperoleh dengan menggunakan parameter alpha, gamma, lambda, learning rate, max depth, min child weight, n estimators, dan subsample, masing-masing bernilai 0, 0.3, 1, 0.05, 3, 3, 200, dan 0.6. Hasil evaluasi menunjukkan bahwa kombinasi terbaik adalah menggunakan empat data hasil rekayasa seperti lag, simple moving average, musiman, dan hari besar berhasil meningkatkan kinerja model secara signifikan. Nilai R² meningkat dari 0,4808 menjadi 0,9574, menunjukkan peningkatan signifikan dalam kemampuan peramalan. Sementara itu, nilai MAE menurun dari 7020 menjadi 1921, RMSE turun dari 9316 menjadi 2672, dan MAPE turun dari 10,59% menjadi 2,96%, yang menandakan penurunan kesalahan peramalan secara keseluruhan. Dengan demikian, rekayasa fitur terbukti membawa pengaruh dalam meningkatkan kinerja model XGBoost.
Cayenne pepper is an important commodity in Indonesia's food industry, with prices often fluctuating due to weather, supply, production costs and distribution complexity factors. These fluctuations indicate market dynamics and challenges in maintaining price stability, requiring a system capable of accurately predicting prices. This study aims to develop a price forecasting model for cayenne pepper using the Extreme Gradient Boosting (XGBoost) algorithm with a feature engineering approach. The data used includes daily price records of cayenne pepper sourced from the Strategic Food Price Information Center (PIHPS) by Bank Indonesia, and weather data obtained from online BMKG sources spanning the period from 2021 to 2024. Feature engineering is applied by incorporating Lag features, Simple Moving Average (SMA), seasonal features, and public holidays to capture seasonal patterns, short-term trends, and the impact of special events. The model training process involves hyperparameter tuning using grid search. The best model was obtained using the following parameters alpha, gamma, lambda, learning rate, max depth, min child weight, n estimators, and subsample were set to 0, 0.3, 1, 0.05, 3, 3, 200, and 0.6, respectively. The evaluation results show that the best performance was achieved by combining the original data with four engineered features lag, simple moving average, seasonal, and public holidays leading to a significant improvement in model performance. The R² value increased from 0.4808 to 0.9574, indicating a substantial enhancement in forecasting capability. Meanwhile, MAE decreased from 7020 to 1921, RMSE dropped from 9316 to 2672, and MAPE fell from 10.59% to 2.96%, indicating an overall decrease in forecasting error. Thus, feature engineering has proven to be effective in improving the performance of the XGBoost model.
