// <![CDATA[ANALISIS FAKTOR YANG MEMPENGARUHI HARGA CABAI MENGGUNAKAN RANDOM FOREST DAN PREDIKSI HARGA CABAI MENGGUNAKAN LSTM]]> 0425086502 - Milda Gustiana Husada, Ir. M.Eng Dosen Pembimbing 1 MUHAMAD FAISHAL KHALFANI / 152021170 Penulis
Fluktuasi harga cabai yang ekstrem menjadi tantangan serius bagi stabilitas ekonomi pangan di Indonesia. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengimplementasikan pendekatan machine learning dua tahap yang saling melengkapi. Tahap pertama adalah analisis faktor pengaruh menggunakan Random Forest, yang dilatih pada data historis tahun 2019–2024 mencakup harga, cuaca, kalender, serta fitur estimasi stok harian dari data primer. Hasil analisis menunjukkan bahwa variabel dari sisi fundamental ekonomi, yaitu Kurs Rupiah (72.6%), serta faktor iklim berupa Curah Hujan (24.0%), merupakan penentu utama fluktuasi harga cabai rawit merah. Tahap kedua adalah prediksi harga menggunakan arsitektur Long Short-Term Memory (LSTM) yang dioptimalkan untuk deret waktu. Evaluasi pada data uji menunjukkan kinerja model yang solid dengan Mean Absolute Percentage Error (MAPE) sebesar 15.92% dan Root Mean Squared Error (RMSE) sebesar Rp16.788,79. Selanjutnya dilakukan analisis sintesis untuk mengintegrasikan hasil kedua pendekatan, sehingga tidak hanya memberikan pemahaman kausal tentang “mengapa” harga berfluktuasi, tetapi juga prediksi kuantitatif tentang “apa” yang akan terjadi. Pendekatan komprehensif ini menawarkan solusi yang lebih andal untuk memahami dinamika harga cabai sekaligus mendukung pengambilan keputusan dalam pengendalian harga pangan strategis di Indonesia. Extreme fluctuations in chili prices pose a serious challenge to the stability of food economics in Indonesia. This study aims to address the issue by implementing a complementary two-stage machine learning approach. The first stage involves factor analysis using Random Forest, trained on historical data from 2019–2024 consisting of price, weather, calendar events, and a constructed daily stock estimation feature from primary data. The results indicate that fundamental economic factors, particularly the Rupiah Exchange Rate (72.6%), along with climate-related factors such as Rainfall (24.0%), are the main determinants of chili price fluctuations. The second stage applies time-series forecasting with Long Short-Term Memory (LSTM), optimized for daily price prediction. Model evaluation on the test set demonstrates solid performance, achieving a Mean Absolute Percentage Error (MAPE) of 15.92% and a Root Mean Squared Error (RMSE) of Rp16,788.79. Furthermore, a synthetic analysis was conducted to integrate the outcomes of both approaches, providing not only causal insights into “why” prices fluctuate but also quantitative predictions of “what” is likely to occur. This comprehensive framework offers a reliable solution for understanding the dynamics of chili prices and supports evidence-based decision-making in managing strategic food price stability in Indonesia.