Peramalan Harga Komoditas Pangan untuk Memperkuat Ketahanan Pangan Nasional
Riset pemodelan time-series prediktif berbasis Extra Trees Regressor dan optimasi hyperparameter Optuna untuk memproyeksikan harga pangan strategis di 34 provinsi Indonesia selama 92 hari ke depan (Paper IEEE Conference).
Dokumentasi & Ringkasan Teknis
Latar Belakang & Relevansi Strategis
Ketahanan pangan merupakan pilar vital stabilitas ekonomi dan sosial nasional. Merujuk pada target Sustainable Development Goals (SDGs) poin ke-2 (Zero Hunger), fluktuasi harga komoditas pangan pokok (seperti beras, bawang merah, dan cabai) yang tajam sangat berdampak negatif terhadap daya beli kelompok rentan. Penelitian ini menyusun pipeline komputasi prediktif berbasis Machine Learning untuk memprediksi dinamika pergerakan harga bahan pangan pokok lintas 34 provinsi di Indonesia, memberikan landasan analitik bagi pengambil kebijakan dalam meredam volatilitas harga secara preventif.
Metodologi & Alur Pemrosesan Data
- Pembersihan Data (Data Cleaning): Menangani missing values melalui pendekatan interpolasi linier serta menormalisasi pencilan (outliers) menggunakan metode Interquartile Range (IQR) dan Z-score.
- Transformasi Skewness: Mereduksi kemiringan distribusi nilai ekstrem melalui perbandingan Log Transformation dan Square Root Transformation guna mencegah risiko overfitting model.
- Optimasi Hyperparameter (Fine-Tuning): Memanfaatkan framework Optuna berbasis algoritma Tree-structured Parzen Estimator (TPE) untuk mengeksplorasi kombinasi hyperparameter optimal secara adaptif dengan meminimalkan metrik Mean Absolute Percentage Error (MAPE).
Pemodelan & Skema Forecasting 92 Hari
Model inti dibangun menggunakan algoritma Extra (Extremely Randomized) Trees Regressor. Keunggulan arsitektur ini terletak pada kecepatan pelatihan data berdimensi tinggi dan kemampuannya mengurangi variansi prediksi melalui perataan ensemble of decision trees.
Untuk memproyeksikan harga selama 92 hari ke depan, diterapkan skema multi-step iterative forecasting:
- Prediksi hari pertama dihitung dari data historis aktual.
- Nilai proyeksi tersebut diumpankan kembali (feedback loop) sebagai fitur input tambahan untuk memproyeksikan hari kedua, ketiga, dan seterusnya secara berkesinambungan.
- Data periode terlama dieliminasi bertahap untuk menjaga fokus model pada tren pasar paling mutakhir.
Penulis & Afiliasi
- Gading Wisnu Kusuma (S1 Matematika, Universitas Airlangga)
- Rivaldy Arrayan Yuwono (S1 Matematika, Universitas Airlangga)
- Adam Havenia Pratama (S1 Matematika, Universitas Airlangga)