ANALISIS PERBANDINGAN METODE MACHINE LEARNING UNTUK PREDIKSI HARGA BAWANG PUTIH DI PROVINSI KALIMANTAN TENGAH

Harga bawang putih di Provinsi Kalimantan Tengah mengalami fluktuasi yang tidak menentu akibat faktor distribusi, ketersediaan pasokan, dan kondisi pasar, sehingga menimbulkan ketidakpastian bagi masyarakat dan pedagang dalam pengambilan keputusan. Penelitian ini bertujuan untuk membandingkan kinerja metode Linear Regression, Decision Tree, Random Forest, dan Support Vector Regression (SVR) dengan ARIMA sebagai baseline dalam memprediksi harga bawang putih harian di Provinsi Kalimantan Tengah, serta menentukan metode dengan akurasi terbaik.
Penelitian menggunakan data harian dari PIHPS Nasional periode Juli 2017 hingga Desember 2025 sebanyak 3.103 data dengan pembagian 80% data latih dan 20% data uji secara kronologis. Pemodelan menggunakan 18 fitur berbasis data historis meliputi fitur lag, rolling mean, dan fitur statistik. Optimasi hyperparameter dilakukan menggunakan GridSearchCV dengan TimeSeriesSplit 5 fold. Evaluasi menggunakan metrik MAE, RMSE, MAPE, R², dan Akurasi (%), diperkuat dengan Friedman Test, Wilcoxon Signed-Rank Test, dan Diebold-Mariano Test.
Hasil penelitian menunjukkan SVR dengan kernel linear menghasilkan performa terbaik dengan MAPE 0,2126% dan Akurasi 99,7874%. Uji statistik mengkonfirmasi keunggulan SVR secara signifikan (p < 0,05). Validasi eksternal menggunakan data aktual Januari–April 2026 menghasilkan MAPE 0,0557% dan Akurasi 99,9443%, membuktikan kemampuan generalisasi model yang sangat baik.