Peramalan Harga Cabai Rawit Tingkat Gerombol Provinsi di Indonesia: Pendekatan Feature-based Clustering Time Series dan XGBoost

Abstract

Cabai rawit merupakan salah satu komoditas pertanian strategis di Indonesia yang sering mengalami fluktuasi harga signifikan dan besar pengaruhnya terhadap inflasi pangan dan stabilitas ekonomi nasional. Penelitian ini bertujuan untuk mengefisienkan beban komputasi dan meningkatkan akurasi peramalan harga cabai rawit provinsi di Indonesia dengan mengintegrasikan metode feature-based clustering time series dan metode peramalan XGBoost. Data yang digunakan dalam penelitian ini adalah harga cabai rawit merah dari masing-masing provinsi, diperoleh dari PIHPS Bank Indonesia. Analisis dan pemodelan data dilakukan menggunakan R Studio dan Python. Representasi fitur dilakukan dengan menggunakan nilai Autocorrelation Function (ACF), kemudian dilanjutkan dengan penggerombolan hierarki menggunakan jarak euclidean dan complete linkage sebagai metode terbaik. Hasil analisis menunjukkan bahwa data harga cabai rawit dari 31 provinsi dapat digerombolkan ke dalam 16 gerombol yang relatif paralel dan berhimpit. Peramalan kemudian dilakukan pada prototype masing-masing gerombol yang direpresentasikan oleh nilai rata-rata harga dari setiap gerombol. Hasil peramalan menunjukkan akurasi yang baik, dengan nilai MAPE di bawah 20%. Pendekatan ini berhasil memodelkan 16 prototype dari 31 provinsi.