Bagaimana prediksi ini dibuat
Sistem menggabungkan Prophet dan XGBoost dalam satu model hybrid untuk memprediksi harga Beras Medium II secara akurat dan transparan.
Data Historis
Deret waktu bulanan harga beras + faktor eksternal
Prediksi Prophet
Menangkap tren, musiman & pengaruh faktor eksternal (regressor)
Hitung Residual
Residual = harga aktual − prediksi Prophet
XGBoost Koreksi Residual
Mengoreksi sisa galat dari pola riwayat harga (lag & residual)
Prediksi Hybrid Final
Prediksi Prophet + koreksi residual XGBoost
- Harga Beras Medium II — DI Yogyakarta (variabel target)
- Harga Gabah Kering Giling (GKG)
- Curah hujan historis (reanalisis cuaca)
- Produksi padi
- Inflasi pangan
Model tunggal sering kurang optimal menangkap semua pola pada data ekonomi. Harga beras punya tren & musiman yang kuat, tetapi juga volatil akibat cuaca dan kebijakan.
Arsitektur hybrid menggabungkan Prophet (menangkap tren, musiman, dan pengaruh faktor eksternal sebagai regressor) dengan XGBoost (mengoreksi sisa galat Prophet dari pola riwayat harga).
Prediksi multi-periode memakai recursive multi-step forecasting: hasil bulan pertama menjadi input (lag) untuk bulan berikutnya, dan seterusnya.
Teknik ini menampilkan tren jangka menengah dengan satu model, meski akumulasi galat perlu diawasi dengan cermat.
Variabel ini menjadi regressor Prophet yang membentuk prediksi dasar. Sistem bersifat skenario: prediksi diberikan pada kondisi faktor eksternal yang diasumsikan pengguna.
- Sistem bersifat skenario: akurasi berlaku ketika kondisi faktor eksternal pada periode target diketahui atau diasumsikan.
- Prediksi adalah estimasi berbasis data historis & variabel yang tersedia.
- Kebijakan pemerintah, kondisi pasar, atau kejadian tak terduga dapat memengaruhi harga aktual.
- Faktor di luar dataset tidak dapat dimodelkan sistem.
- Hasil prediksi tidak menjamin harga aktual di masa mendatang.
| Model | MAPE (%) | MAE (Rp) | RMSE (Rp) |
|---|---|---|---|
| Prophet | 2.92% | Rp 424 | Rp 635 |
| HybridFinal | 2.93% | Rp 426 | Rp 637 |
Pada pemakaian sehari-hari, nilai faktor eksternal bulan depan belum tersedia. Bila sistem hanya memakai data bulan terakhir yang ada, seperti nilai bawaan pada halaman prediksi, galatnya menjadi lebih besar. Perbandingan berikut memakai konfigurasi model yang sama dan hanya berbeda pada informasi yang tersedia saat prediksi dibuat.
| Kondisi informasi | 2024 | 2025 | 2026 | Agregat |
|---|---|---|---|---|
| Faktor eksternal bulan target diketahui (mode skenario) | 3.78% | 2.72% | 1.30% | 2.92% |
| Hanya data sampai bulan sebelumnya | 15.21% | 7.93% | 1.97% | 9.91% |
Selisih terbesar terjadi pada 2024, tahun ketika harga beras melonjak tajam, karena model yang hanya memegang data bulan lalu selalu terlambat menangkap titik balik. Pada periode harga yang relatif stabil seperti 2026, selisihnya kecil.