Perbandingan Akurasi LSTM, ARIMA dan Random Forest untuk Prediksi Harga Beras Medium Indonesia
DOI:
https://doi.org/10.30872/atasi.v5i1.4300Keywords:
Rice Price, Arima, Random Forest, LSTM, Time Series ForecastingAbstract
Penelitian ini menyelidiki efektivitas peramalan harga rata-rata nasional beras medium II menggunakan data mingguan (Januari 2022–Desember 2024) dengan membandingkan tiga metode: ARIMA, Random Forest (RF), dan Long Short-Term Memory (LSTM). Proses studi meliputi prapemrosesan data, pengembangan model, dan evaluasi menggunakan metrik RMSE, MAE, dan MAPE. Meskipun ARIMA cocok untuk pola linear dan LSTM efektif untuk ketergantungan jangka panjang, Random Forest menunjukkan kinerja superior dalam menangani pola nonlinier dan fluktuasi harga. Hasil evaluasi menunjukkan RF mencapai akurasi tertinggi dengan RMSE 0,08, MAE 0,06, dan MAPE 0,38%, mengungguli LSTM (MAPE 0,51%) dan ARIMA (MAPE 0,73%). Berdasarkan keunggulan ini, RF digunakan untuk memprediksi harga dalam dua belas minggu mendatang, menghasilkan estimasi yang stabil antara Rp15.322 hingga Rp15.326. Penemuan ini menyoroti efektivitas metode ensemble learning (Random Forest) dalam peramalan harga pangan dan ditujukan sebagai dasar rekomendasi kebijakan stabilisasi harga beras nasional.
References
Andreas, C. (n.d.). Perbandingan Pendekatan Statistika dan Machine Learning dalam Peramalan Data Time Series. https://ojs.trigunadharma.ac.id/index.php/jsi
Azizah Muzakir, N., & Yahya, Z. (2025). Analisis Perbandingan Model Double Exponential Smoothing dan ARIMA untuk Prediksi Harga Beras di Indonesia. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 7(1), 7–20. https://doi.org/10.35580/variansiunm349
Muhtajuddin Danny, & Asep Muhidin. (2025). BULLETIN OF COMPUTER SCIENCE RESEARCH Optimasi Algoritma Random Forest untuk Prediksi Eksport Kelapa Sawit Global. Media Online), 5(5), 1129–1138. https://doi.org/10.47065/bulletincsr.v5i5.744
Ericko, T., Dolok Lauro, M., & Handhayani, T. (n.d.). Jurnal Ilmu Komputer dan Sistem Informasi PREDIKSI HARGA PANGAN DI PASAR TRADISIONAL KOTA SURABAYA DENGAN METODE LSTM. https://www.bi.go.id/hargapangan
Fauzi, A., Yunial, A. H., Saputro, D. E., & Saputra, R. (2025). Optimalisasi Random Forest untuk Sentimen Bahasa Indonesia dengan GridSearch dan SMOTE Random Forest Optimization for Indonesian Sentiment with GridSearch and SMOTE (Vol. 2025, Issue 2). https://jurnal.unity-academy.sch.id/index.php/jirsi/index202
Hadrianto, M., Nur, A., Rahman, I., Haris, A. S., Juzril, A., & Rahmadani, N. (2025). Prediksi Harga Emas Menggunakan Algoritma Long-Short Term Memory dengan Optimasi Adaptive Momen Estimation. 18(2), 1979–276. https://doi.org/10.30998/faktorexacta.v18i2.26841
Hafizah, D., Hakim, D. B., Harianto, H., & Nurmalina, R. (2020). The Role of Rice’s Price in the Household Consumption in Indonesia. AGRIEKONOMIKA, 9(1), 38–47. https://doi.org/10.21107/agriekonomika.v9i1.6962
Hidayat, R., & Wibisonya, I. (2024). Rice Price Prediction with Long Short-Term Memory (LSTM) Neural Network. Jurnal RESTI, 8(5), 658–664. https://doi.org/10.29207/resti.v8i5.6041
Izati Nisa, N., Hatta, M., & Fahrudin, R. (2024). ANALISA AKURASI PREDIKSI HARGA BERAS DI KOTA CIREBON MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE. In Jurnal Jaringan Sistem Informasi Robotik (JSR) (Vol. 8, Issue 2). http://ojsamik.amikmitragama.ac.id
Jumali, & Liyanan. (2022). KARAKTERISTIK MUTU BEBERAPA JENIS BERAS DI TINGKAT PASAR (Studi Kasus di Kota Yogyakarta).
Kobarsih, M., & Dewi Indrasari, S. (n.d.). Physical and Milling Quality of Milled Rice in Indonesia.
Lim, M., & Handhayani, T. (2025). PENERAPAN LSTM DAN GRU UNTUK PREDIKSI HARGA CABAI MERAH DI KOTA JAWA TIMUR. Jurnal Informatika Dan Teknik Elektro Terapan, 13(2). https://doi.org/10.23960/jitet.v13i2.6467
Mahdi, N. N., & Rianzani, C. (2025). Disparitas Harga Beras Medium terhadap Harga Eceran Tertinggi (HET) dan Implikasinya terhadap Inflasi Pangan di Indonesia. AGRIFITIA : Journal of Agribusiness Plantation, 5(2), 132–143. https://doi.org/10.55180/aft.v5i2.2066
Mokosolang, G., Langi, Y. A. R., Mananohas, M. L., Kunci, K., & Farma, S. K. (n.d.). Prediksi Harga Saham Kimia Farma dan Saham Netflix di Era New Normal Menggunakan Model Autoregressive Integrated Moving Average. https://ejournal.unsrat.ac.id/index.php/decartesian
Nurani, A. T., Setiawan, A., & Susanto, B. (2023). Perbandingan Kinerja Regresi Decision Tree dan Regresi Linear Berganda untuk Prediksi BMI pada Dataset Asthma. Jurnal Sains Dan Edukasi Sains, 6(1), 34–43. https://doi.org/10.24246/juses.v6i1p34-43
Nurmeryteni, I. (2025). STRATEGI PEMERINTAH UNTUK MENGENDALIKAN HARGA BERAS MEDIUM DALAM MENGHADAPI HARI RAYA IDUL FITRI TAHUN 2025. In Universitas Terbuka (Vol. 2, Issue 2).
Pane, P. S. M., Prasmatiwi, F. E., & Situmorang, S. (2023). ANALISIS PREFERENSI, POLA KONSUMSI, DAN PERMINTAAN BERAS TINGKAT RUMAH TANGGA DI KOTA BANDAR LAMPUNG. Jurnal Ilmu-Ilmu Agribisnis, 11(1), 70. https://doi.org/10.23960/jiia.v11i1.7210
Pemikiran, J., Ilmiah, M., Agribisnis, B., Eviani, C., Lastinawati, E., Ogari, P. A., Ratu, J. K., Karang, P., Baturaja, S., Oku, K., & Selatan, S. (2023). Mimbar Agribisnis.
Prabowo, T., Charis Fauzan, A., & Yuelisa Mafula, V. (2025). Analisis Deret Waktu untuk Forecasting Populasi Ternak di Indonesia dengan Model LSTM 1. JSAI: Journal Scientific and Applied Informatics, 8(1). https://doi.org/10.36085
Puji Lestari, A., Zumi Saidah, dan, Raya Bandung-Sumedang, J. K., Jawa Barat, J., & Artikel, I. (2023). Analisis Preferensi Konsumen terhadap Atribut Beras di Kecamatan Cibeunying Kidul, Kota Bandung Analysis of Consumer Preferences for Rice Attributes in Cibeunying Kidul District, Bandung City. Jurnal Agrikultura, 2023(1), 28–36.
Rahmad firdiansyah, & Asmunin. (n.d.). RANCANG BANGUN SISTEM PREDIKSI HARGA BERAS TINGKAT GROSIR DI INDONESIA BERBASIS WEB MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA). www.bps.go.id.
Rasyid Muchtar, I. (2024). Comparison of Linear Regression and Random Forest Algorithms for Premium Rice Price Prediction (Case Study: West Java). Jurnal Indonesia Sosial Teknologi, 5(7), 3122. http://jist.publikasiindonesia.id/
Santoso, A., Purnamasari, A. I., & Ali, I. (n.d.). PREDIKSI HARGA BERAS MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DAN LONG SHORT-TERM MEMORY.
Saputra, D., Raihan Trinadi, D., Agustina, D., & Teknik dan Komputer Prodi Informatika, F. (n.d.-a). Perbandingan Metode Random Forest, Linier Regression, SVM Untuk Memprediksi Harga Beras Premium. Seminar Nasional Teknologi Informasi Dan Bisnis (SENATIB), 2025.
Saputra, D., Raihan Trinadi, D., Agustina, D., & Teknik dan Komputer Prodi Informatika, F. (n.d.-b). Perbandingan Metode Random Forest, Linier Regression, SVM Untuk Memprediksi Harga Beras Premium. Seminar Nasional Teknologi Informasi Dan Bisnis (SENATIB), 2025.
Sihombing, E. I., Suhendra, C. D., & Marini, L. F. (2024). KLIK: Kajian Ilmiah Informatika dan Komputer Analisis Data Time Series Untuk Prediksi Harga Komoditas Pangan Menggunakan Autoregressive Integrated Moving Average. Media Online), 4(6). https://doi.org/10.30865/klik.v4i6.1863
Supriyadi 2021. (n.d.).
Theofilou, A., Nastis, S. A., Michailidis, A., Bournaris, T., & Mattas, K. (2025). Predicting Prices of Staple Crops Using Machine Learning: A Systematic Review of Studies on Wheat, Corn, and Rice. In Sustainability (Switzerland) (Vol. 17, Issue 12). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/su17125456
Tukiyat. (2022). Pemodelan Prakiraan Tingkat Inflasi di Indonesia dengan ARIMA. 7(2), 390–398. https://doi.org/10.32493/informatika.v7i2.17676
Ugi Sugiharto. (2024). Factors Affecting Rice Prices in Indonesia (Production, Consumption, Imports, International Prices, Crop Damage). International Journal of Economics and Management Sciences, 1(3), 329–337. https://doi.org/10.61132/ijems.v1i3.183
Wibowo, R. P., Pebriyani, D., & Indriyanti, T. (2025). Analysis of Rice Price Volatility in Medan City, Indonesia. Agro Bali : Agricultural Journal, 8(1), 291–302. https://doi.org/10.37637/ab.v8i1.2216
Winata, A., Lauro, M. D., & Handhayani, T. (2023). SISTEMASI: Jurnal Sistem Informasi Analysis and Prediction of Foodstuffs Prices in Tasikmalaya Using ELM and LSTM (Vol. 12, Issue 3). http://sistemasi.ftik.unisi.ac.id
Yuriyah, S., Purwanto, O. D., Afza, H., Dadang, A., Masyuri, A., Galurina, R. S., & Utami, D. W. (2024). Evaluasi Mutu Fisikokimia Beras Hasil Persilangan antara Empat Padi Varietas Unggul dan Padi Liar (Oryza glaberrima dan O. rufipogon). Jurnal Ilmu Pertanian Indonesia, 29(3), 397–407. https://doi.org/10.18343/jipi.29.3.397
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Adopsi Teknologi dan Sistem Informasi (ATASI)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
