Analisis Komparatif Model Hybrid ARIMA-GARCH dan LSTM pada Peramalan Harga Harian Tiga Komoditas Pangan di Kota Depok

Abstract

Harga komoditas pangan harian memiliki karakteristik perubahan yang kompleks sehingga memerlukan metode peramalan yang mampu mempertahankan akurasi pada berbagai horizon peramalan. Penelitian ini bertujuan membandingkan kinerja model hybrid ARIMA-GARCH dan Long Short Term Memory (LSTM) dalam meramalkan harga harian beras premium, bawang merah, dan daging ayam broiler di Kota Depok serta mengevaluasi konsistensi performanya melalui skema expanding window cross-validation. Data yang digunakan merupakan data harga harian periode 2 Januari 2023 hingga 31 Desember 2025. Ordo ARIMA dan GARCH ditentukan berdasarkan nilai Akaike Information Criterion terkecil, sedangkan hyperparameter LSTM diperoleh melalui tuning bertahap. Evaluasi dilakukan pada empat horizon peramalan yaitu 1 hari, 7 hari, 30 hari, dan 90 hari menggunakan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM menghasilkan nilai MAPE yang lebih rendah dibandingkan hybrid ARIMA-GARCH pada sebagian besar komoditas dan horizon peramalan. Hybrid ARIMA-GARCH hanya memberikan hasil yang lebih akurat pada horizon 1 hari untuk komoditas daging ayam broiler sedangkan LSTM menunjukkan performa yang lebih konsisten pada horizon menengah hingga panjang terutama pada komoditas dengan perubahan harga yang tinggi seperti bawang merah. Temuan ini menunjukkan bahwa LSTM lebih sesuai digunakan untuk peramalan harga komoditas pangan harian, khususnya untuk mendukung peramalan jangka menengah dan jangka panjang.

Kata kunci: ARIMA-GARCH, harga komoditas pangan, LSTM, peramalan

Daily food commodity prices exhibit complex price dynamics, requiring forecasting methods capable of maintaining accuracy across different forecasting horizons. This study aimed to compare the performance of the hybrid ARIMA-GARCH and Long Short Term Memory (LSTM) models in forecasting the daily prices of premium rice, shallots, and broiler chicken in Depok City and to evaluate their performance consistency using an expanding window cross-validation scheme. The dataset consisted of daily price observations from 2 January 2023 to 31 December 2025. The ARIMA and GARCH orders were selected based on the minimum Akaike Information Criterion, while the LSTM hyperparameters were determined through a staged tuning procedure. Model performance was evaluated at four forecasting horizons (1, 7, 30, and 90 days) using the Mean Absolute Percentage Error (MAPE). The results showed that the LSTM model achieved lower MAPE values than the hybrid ARIMA-GARCH model for most commodities and forecasting horizons. The hybrid ARIMA-GARCH model outperformed LSTM only for one day ahead forecasting of broiler chicken prices, whereas LSTM demonstrated more consistent performance over medium and long-term horizons, particularly for shallots, which exhibited greater price fluctuations. These findings suggest that LSTM is more suitable for forecasting daily food commodity prices, especially for medium and long-term forecasting applications.

Keywords: food commodity prices, forecasting, hybrid ARIMA-GARCH, Long Short Term Memory (LSTM)