ANALISIS PERBANDINGAN METODE HYPERPARAMETER TUNING PADA MODEL XGBOOST UNTUK PREDIKSI HARGA CABAI RAWIT BERBASIS DATA HARGA HISTORIS DI PALANGKA RAYA

Cabai rawit merah merupakan salah satu komoditas pangan dengan tingkat volatilitas harga yang tinggi di Kota Palangka Raya. Fluktuasi yang tidak menentu ini berisiko mengganggu stabilitas inflasi dan ekonomi daerah, sehingga dibutuhkan sebuah sistem peramalan yang akurat untuk mendukung pengambilan keputusan strategis. Penelitian ini mengusulkan penerapan algoritma Extreme Gradient Boosting (XGBoost) untuk memprediksi harga cabai rawit merah dengan membandingkan performa Base Model terhadap tiga metode hyperparameter tuning, yaitu GridSearchCV, RandomizedSearchCV, dan Bayesian Optimization. Selain itu, penelitian ini juga mengevaluasi signifikansi penambahan fitur eksternal yang mencakup kondisi iklim dan hari libur nasional ke dalam model. Eksperimen dilakukan melalui dua tahapan utama, yakni Skenario 1 (hanya menggunakan fitur historis harga) dan Skenario 2 (penambahan fitur eksternal). Evaluasi model diukur menggunakan metrik Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), dan R-Squared (R2), yang kemudian diperingkatkan menggunakan Multi Criteria Decision Making (MCDM). Untuk memastikan keandalan hasil komparasi, Uji Statistik Diebold-Mariano (DM) yang dikoreksi menggunakan Holm-Bonferroni diterapkan. Hasil penelitian menunjukkan bahwa model XGBoost yang dioptimasi dengan Bayesian Optimization pada Skenario 2 terpilih sebagai model terbaik. Berdasarkan uji statistik, penambahan fitur eksternal hanya memberikan peningkatan akurasi peramalan yang bermakna secara signifikan apabila disandingkan dengan algoritma Bayesian Optimization (p-value Holm = 0,000004 < 0,05), sedangkan varian model lainnya tidak menunjukkan perbedaan yang signifikan. Sebagai luaran akhir, model pemenang telah berhasil diimplementasikan ke dalam sebuah purwarupa dashboard interaktif untuk menjalankan peramalan rekursif dengan horizon 30 hari ke depan.