Analisis Kinerja Model Hybrid Generalized Additive Model (GAM) dan Extreme Gradient Boosting (XGBoost) dalam Prediksi Harga Bawang Merah (Studi Kasus: Jawa Tengah)
Keywords:
Hybrid GAM–XGBoost, Generalized Additive Model, Extreme Gradient Boosting, Prediksi Harga Bawang Merah, Akumulasi Curah Hujan, Prediksi Komoditas Pertanian, Pemodelan Deret Waktu, Dampak Iklim NonlinierAbstract
Fluktuasi harga bawang merah di Jawa Tengah menimbulkan ketidakpastian pasar dan dapat merugikan petani maupun konsumen, sehingga diperlukan prediksi harga yang akurat sebagai dasar pengambilan keputusan. Penelitian ini menganalisis kinerja model hybrid Generalized Additive Model (GAM) dan Extreme Gradient Boosting (XGBoost) dalam memprediksi harga bawang merah berbasis data harian curah hujan periode 2020–2024. Hybrid dibangun dengan memanfaatkan output GAM sebagai fitur tambahan pada XGBoost, sehingga GAM menangkap pola non-linear jangka menengah akibat cuaca, sementara XGBoost mempelajari fluktuasi harga jangka pendek. Hasil eksplorasi menunjukkan bahwa curah hujan berpengaruh terhadap harga secara tertunda dengan korelasi tertinggi pada lag 4–6 hari. Evaluasi performa menunjukkan bahwa model hybrid menghasilkan tingkat kesalahan paling rendah dengan nilai MAPE sebesar 0,501%, lebih baik dibandingkan model tunggal GAM 0,797% maupun XGBoost 1,273%. Temuan ini menunjukkan bahwa integrasi model statistik dan machine learning efektif untuk meningkatkan akurasi prediksi harga komoditas hortikultura yang volatil, serta berpotensi mendukung sistem peringatan dini dan perencanaan strategi pasar berbasis data iklim.
