Model Prediksi Harga Cabai Merah Besar Di Tingkat Produsen Periode 2022-2024 Dengan Metode Supervised Learning Menggunakan Orange Data Mining
DOI:
https://doi.org/10.61132/venus.v3i1.697Keywords:
prediksi, cabai merah, regression, supervised learning, orange data miningAbstract
Abstract. From the perspective of Micro, Small, and Medium Enterprises (MSMEs), fluctuations in raw material prices are highly concerning as they can significantly impact business stability. While MSMEs may tolerate price fluctuations to some extent, from an industrial engineering perspective, such a passive approach contradicts the principles of continuous improvement. This study seeks to predict the price of large red chili peppers using five regression models implemented through Orange Data Mining: Linear Regression, Support Vector Machine, Decision Tree, k-Nearest Neighbors (kNN), and Gradient Boosting. Due to the limited availability of daily data, particularly within a daily timeframe, the study utilized weekly data spanning three years. The results of the Test and Score evaluation shows Gradient Boosting as the best-performing model, achieving a Mean Absolute Percentage Error (MAPE) of 0.7%. However, the MAPE for predictions in January 2025 increased to 15.8%. This error is expected to decrease as more weekly data becomes available to mitigate the inaccuracies inherent in this model.
Keywords: prediction, red chilli, regression, supervised learning , orange data mining.
Abstrak. Dalam perspektif UMKM, fluktuasi harga bahan baku adalah suatu hal yang paling ditakuti karena berakibat pada ketahanan usaha yang menjadi tidak menentu. Pada suatu kondisi, fluktuasi harga dapat diterima para UMKM, namun dalam perspektif teknik industri, sikap UMKM tersebut tidak sesuai prinsip continuous improvement. Penelitian ini mencoba untuk memprediksi harga cabai merah besar dengan menggunakan 5 model regresi dibantu Orange Data Mining. Yaitu Linear Regression, Support Vector Machine, Tree, kNN, Gradient Boosting. Data yang diperlukan sebagian besar tidak tersedia, khususnya dalam kerangka waktu harian sehingga penelitian ini menggunakan data mingguan selama 3 tahun. Hasil Test and Score menunjukkan model Gradient Boost terpilih menjadi model terbaik dengan tingkat MAPE 0.7% namun MAPE pada tahap Prediction di bulan Januari 2025 menjadi 15.8%. Error tersebut akan berkurang ketika data mingguan sudah cukup banyak untuk menambal kesalahan yang dihasilkan model ini
Kata kunci: prediksi, cabai merah, regression, supervised learning , orange data mining.
References
Arifin, I. (2010). Pengaruh cara dan lama penyimpanan terhadap mutu cabai rawit
(Capsicum frutencens L var. Cengek). PhD thesis, Universitas Islam Negeri
Maulana Malik Ibrahim. pages
dan dan Sekretariat Jenderal, K. P. (2022). OUTLOOK Komoditas Pertanian Subsektor
Hortikultura Cabai. Pusat Data dan Sistem Informasi Pertanian Sekretariat Jenderal
Kementerian Pertanian. pages
Edowai, D. N., Kairupan, S., and Rawung, H. (2016). Mutu cabai rawit (capsicum
frutescens l) pada tingkat kematangan dan suhu yang berbeda selama penyimpanan.
Agrointek: Jurnal teknologi industri pertanian, 10(1):12–20. pages
Fajri, R., Fauzi, T., and Indra, I. (2017). Analisis faktor-faktor yang mempengaruhi harga
cabai merah di kota banda aceh. Jurnal Ilmiah Mahasiswa Pertanian, 2(3):131–141.
pages
Field, A. (2024). Discovering statistics using IBM SPSS statistics. Sage publications
limited. pages
Hidayati, N., Anwar, S., and Rahmah, R. (2022). Peramalan harga cabai merah sebagai
upaya menjaga stabilitas inflasi kota banda aceh. Agriekonomika, 11(1):31–42.
pages
Indonesia, B. (2025). Data inflasi. pages
Jakarta, P. D. (2025). Statistik Harga. pages
Jannah, M. and Hani, E. S. (2019). Analisis rantai pasokan cabai merah di kabupaten
banyuwangi. UNEJ e-Proceeding. pages
Lumbantoruan, J. E. (2024). Monitoring dan Kontrol Tanaman Cabai berbasis Internet
of Things dengan Menggunakan Aplikasi MIT App Inventor. Venus : Jurnal
Publikasi Rumpun Ilmu Teknik, 2(6):179–187. pages
Montreano, D., Dewi, A. C., et al. (2021). Comparison between conventional methods,
neural network, and support vector regression in forecasting foreign tourists in
indonesia. In IOP Conference Series: Materials Science and Engineering, volume
, page 012056. IOP Publishing. pages
Muharrom, M. (2023). Analisis penggunaan orange data mining untuk prediksi harga
usdt/bidr binance. Bulletin of Information Technology (BIT), 4(2):178–184. pages
Nasional, P. I. H. P. S. (2025). Tabel harga berdasarkan daerah. pages
of Ljubljana, U. Support Vector Machine. pages
Sekretariat Jenderal (2023). ANALISIS KINERJA PERDAGANGAN CABAI
MERAH. Pusat Data dan Sistem Informasi Pertanian Sekretariat Jenderal,
Kementerian Pertanian, 13:1–74. pages
Tuter, A. (2024). BPS Catat Kenaikan Harga Cabai di 132 Daerah. pages
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Venus: Jurnal Publikasi Rumpun Ilmu Teknik
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
