PANTAU

Prediksi Harga Cabai Rawit

Machine Learning Forecasting menggunakan XGBoost dengan Feature Engineering berbasis Time Series

Role

Data Analyst

Tools

Python · XGBoost · Pandas

Durasi

3 Bulan

TENTANG PANTAU

Meningkatkan Ketahanan Pangan
Lewat Inovasi Data & Teknologi

Pantau.id adalah inisiatif digital berbasis Machine Learning dan data real-time yang dirancang untuk membantu petani, pedagang, dan pengambil kebijakan memahami, mengantisipasi, dan mengatasi fluktuasi harga cabai rawit di Kota Bandung.

Role

Data Analyst

Tools

Python · XGBoost · Pandas

Durasi

3 Bulan

📈 Fakta Terkini

Harga cabai rawit melonjak hingga 140% hanya dalam waktu 3 minggu pada tahun 2024.

Sumber Data Model Prediksi

Model XGBoost ini dibangun menggunakan kombinasi data cuaca dan data harga pasar untuk menghasilkan prediksi yang lebih akurat dan realistis.

🌤️ Data Cuaca

Suhu (Temperature)
Kelembapan (Humidity)
Curah Hujan (Rainfall)

Sumber data: BMKG (Badan Meteorologi, Klimatologi, dan Geofisika)

📊 Data Harga

Harga Produsen
Harga Pengepul
Harga Pasar

Sumber data: PIHPS (Pusat Informasi Harga Pangan Strategis – Bank Indonesia)

Feature Engineering — Menjembatani Time Series & Machine Learning

Latar Belakang Model

XGBoost bukan model time series native. Model ini tidak memahami urutan waktu secara langsung seperti ARIMA atau LSTM.

Tantangan Utama

Data harga cabai rawit memiliki karakteristik time series seperti tren, musiman, dan efek kejadian eksternal.

Lag Features

Menggunakan nilai historis (t-1, t-7, t-30) untuk menangkap pengaruh harga sebelumnya terhadap harga saat ini.

Moving Average

Rata-rata harga dalam periode tertentu untuk mengurangi noise dan menangkap tren jangka pendek.

Seasonal Pattern

Menangkap pola musiman berdasarkan minggu, bulan, dan siklus tertentu dalam data harga.

Event Features

Mengukur dampak hari besar dan jarak menuju hari besar terhadap fluktuasi harga pasar.

Insight

Dengan feature engineering ini, data time series diubah menjadi bentuk tabular yang dapat dipahami XGBoost.

Model Performance

Evaluasi performa model XGBoost dalam memprediksi harga cabai rawit

MAE

1921

Mean Absolute Error

RMSE

2672

Root Mean Square Error

MAPE

2.96%

Mean Absolute Percentage Error

R²

0.95

R-Squared

Perbandingan hasil prediksi dan data asli

Hasil evaluasi menunjukkan bahwa model XGBoost mampu mengikuti pola fluktuasi harga dengan cukup baik. Prediksi memiliki tren yang selaras dengan data aktual, terutama dalam menangkap kenaikan dan penurunan harga secara periodik.

Key Insight

XGBoost dengan feature engineering mampu menangkap pola harga dengan cukup baik, terutama pada tren stabil. Namun performa menurun pada kondisi harga yang sangat fluktif.