Prediksi Harga Komoditas Pangan Pokok di Indonesia Menggunakan Algoritma Random Forest Regressor

Authors

  • Ihsan Rizaldi Universitas Adhirajasa Reswara Sanjaya Author
  • Rissa Nurfitriana Handayani Universitas Adhirajasa Reswara Sanjaya Author

Keywords:

Prediksi harga, bahan pangan pokok, random forest regressor, machine learning, time series

Abstract

Kemiskinan dan inflasi masih menjadi isu sentral dalam pembangunan ekonomi di Indonesia. Kenaikan harga bahan pangan pokok yang bersifat fluktuatif berdampak langsung pada daya beli masyarakat, terutama kelompok berpenghasilan rendah yang rentan terhadap gejolak harga. Oleh karena itu, diperlukan sebuah sistem prediksi harga komoditas pangan pokok untuk membantu masyarakat dan pemerintah dalam meminimalkan risiko penurunan ketahanan pangan di masa depan. Penelitian ini bertujuan untuk merancang dan membangun model prediksi harga komoditas bahan pangan pokok di Indonesia dengan memanfaatkan algoritma Random Forest Regressor yang diimplementasikan dalam sistem berbasis website. Data yang digunakan berupa data time series harga pangan pokok yang diperoleh dari sumber resmi seperti Bappenas atau instansi pemerintah terkait. Algoritma Random Forest dipilih karena kemampuannya menangani data yang kompleks, non-linear, dan multi-dimensional. Dengan adanya sistem ini, diharapkan masyarakat dapat mengakses informasi prediksi harga secara cepat dan akurat sehingga mampu mengambil keputusan ekonomi yang lebih bijak dan adaptif sesuai dinamika harga pangan di pasaran.

References

[1] Handayani, D. N., & Qutub, S. (2025). Penerapan Random Forest Untuk Prediksi Dan Analisis Kemiskinan. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(2), 405–412. https://doi.org/10.31004/riggs.v4i2.512

[2] Salim, A., Uin, P., & Palembang, R. F. (n.d.). Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi Indonesia Anggun Purnamasari. www.bps.go.id,

[3] K., Ilmandira Ratu Farisi, O., Jannah, N., Insania, R., & Artikel, R. (2022). Prediksi Harga Komoditas Pangan di Indonesia Menggunakan Backpropagation. 3(1). https://ejournal.unuja.ac.id/index.php/core

[4] Anjelie, M. K., Arisandi, D., & Sutrisno, T. (n.d.). Penerapan Metode Least Square untuk Prediksi Harga Komoditas Pangan Kota Singkawang. https://www.bi.go.id/hargapangan/.

[5] Ghulam , B., Shidiq, A., Furqon, M. T., & Muflikhah, L. (2022). Prediksi Harga Beras menggunakan Metode Least Square (Vol. 6, Issue 3). http://j-ptiik.ub.ac.id

[6] Ustadatin, F., Muqtadir, A., & Arifia, A. (2023). Implementasi Metode Weighted Moving Average (WMA) Pada Prediksi Harga Bahan Pokok. Komputika : Jurnal Sistem Komputer, 12(2), 83–90. https://doi.org/10.34010/komputika.v12i2.10304

[7] Rachman, R., Handayani, R. N., & Artikel, I. (2021). Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM. JURNAL INFORMATIKA, 8(2). http://ejournal.bsi.ac.id/ejurnal/index.php/ji

[8] Ilmu, J., Ruru, K., & Herdiana, R. (2025). Prediksi Penetapan Tarif Penerbangan Menggunakan Auto-Ml Dengan Algoritma Random Forest. 2, 17–23. https://doi.org/10.69688/jikr.v2i1.10

[9] Darmawan Sidik, A., Ansawarman, A., Kunci, K., Kendaraan Bermotor, J., Regresi, M., & Jalan, F. (2022). Prediksi Jumlah Kendaraan Bermotor Menggunakan Machine Learning. Formosa Journal of Multidisciplinary Research (FJMR), 1(3), 559–568. https://doi.org/10.55927

[10] Kriswantara, B., & Sadikin, R. (2022). Used Car Price Prediction with Random Forest Regressor Model. Journal of Information Systems, Informatics and Computing Issue Period, 6(1), 40–49. https://doi.org/10.52362/jisicom.v6i1.752

[11] Khasanah, N., & Salim, A. (2022). Rachman Komarudin 4) , Yana Iqbal Maulana 5) 1) Teknik Informatika, Fakultas Teknologi Informasi, Universitas Nusa Mandiri 2,3) Sistem Informasi, Fakultas Teknologi Informasi, Universitas Bina Sarana Informatika 4) Sistem Informasi, Fakultas Teknologi Informasi, Universitas Nusa Mandiri 5) Teknik Informatika. In Fakultas Teknologi Informasi (Vol. 13, Issue 3).

[12] Gefy Fitry Wijaya, & Dwi Yuniarto. (2024). Tinjauan Penerapan Machine Learning pada Sistem Rekomendasi Menggunakan Model Klasifikasi. Populer: Jurnal Penelitian Mahasiswa, 3(4), 144–153. https://doi.org/10.58192/populer.v3i4.2798

Downloads

Published

2026-06-30

Issue

Vol. 7 No. 1 (2026): eProsiding Sistem Informasi (POTENSI) 2026

Section

Artikel

License

All articles published in the eProsiding Sistem Informasi (POTENSI) are licensed under the provisions of the Study Program. Under this license, authors retain the copyright to their works, while others are permitted to copy, distribute, display, and create derivative works from the published articles, whether for commercial or non-commercial purposes, provided that proper acknowledgment is given to the original author and the eProsiding Sistem Informasi (POTENSI) as the source of publication.

Any derivative works must be distributed under the same license. This license supports the open access principle to promote the free and responsible dissemination of scientific knowledge.