SISTEM PREDIKSI HARGA BERAS DI KOTA MANADO MENGGUNAKAN METODE ORDINARY LEAST SQUARE (OLS)
Isi Artikel Utama
Abstrak
Fluktuasi harga beras sering terjadi akibat perubahan iklim, kebijakan pemerintah, dan kondisi pasar yang dapat berdampak pada kesejahteraan petani dan konsumen. Penelitian ini bertujuan untuk mengembangkan sistem prediksi harga beras di kota Manado menggunakan metode Ordinary Least Square (OLS) atau metode kuadrat terkecil dan mengetahui akurasi prediksi menggunakan perhitungan error Mean Absolute Percentage Error (MAPE). Penelitian menggunakan data historis harga beras, curah hujan, dan kualitas beras yang diperoleh dari Bulog Divre Sulutgo, BPS dan BMKG, dengan periode tahun 2013-2021. Metode OLS digunakan untuk memodelkan hubungan antara harga beras dengan variabel waktu, curah hujan, kualitas beras, dan harga beras bulan sebelumnya. Evaluasi yang dilakukan menggunakan metrik perhitungan error Mean Absolute Percentage Error (MAPE). Hasil menunjukkan nilai MAPE yang didapat sebesar 0.35% menunjukan tingkat akurasi model yang baik. Model berhasil diimplementasikan dalam sistem berbasis web menggunakan Flask.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferensi
[1] O. Nofindy, C. Danisma, and A. A. Febriana, “MANAJEMEN PELAYANAN PUBLIK DALAM MENGATASI KENAIKAN HARGA BERAS DI INDONESIA,” vol. 4, no. 1, 2024.
[2] “implementasi metode k-nearest Neighbor (knn) dalam pengelompokan status ekonomi warga,” Big Data Anal. Artif. Intell., vol. 4, p. 1, 2018, [Online]. Available: https://journal.ppkia.ac.id/index.php/JBIDAI/article/view/12/6
[3] M. K. Anjelie, D. Arisandi, and T. Sutrisno, “Penerapan Metode Least Square untuk Prediksi Harga Komoditas Pangan Kota Singkawang,” Progresif J. Ilm. Komput., vol. 20, no. 1, p. 53, 2024, doi: 10.35889/progresif.v20i1.1293.
[4] S. Karbala, I. A. Program, S. Komputerisasi, A. D3, and F. T. Industri, “MEMPREDIKSI HARGA BERAS ECERAN MENGGUNAKAN ALGORITMA REGRESI LINIER,” 2023.
[5] Y. Mukhlisin, M. Imrona, and D. T. Murdiansyah, “Prediksi Harga Beras Premium dengan Metode Algoritma K-Nearest Neighbor.”
[6] F. Risyda, M. Mora Purba, and Y. Gardenia, “APLIKASI MESIN LEARNING DENGAN MODEL NAIVE BAYES UNTUK EVALUASI KEPUASAN MAHASISWA STUDI KASUS: PERPUSTAKAAN KAMPUS UNSURYA.”
[7] M. S. Dimarzio, R. Tulloh, and M. Iqbal, “Implementasi Algoritma SupervisedLearning untuk Identifikasi MalwareBerbasis Python Module,” J. Comput. Syst. Sci., vol. 9, no. 5, p. 2441, 2023.
[8] A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.
[9] G. N. Ayuni and D. Fitrianah, “Penerapan Metode Regresi Linear Untuk Prediksi Penjualan Properti pada PT XYZ,” J. Telemat., vol. 14, no. 2, pp. 79–86, 2020, doi: 10.61769/telematika.v14i2.321.
[10] A. N. Maharadja, I. Maulana, and B. A. Dermawan, “Penerapan Metode Regresi Linear Berganda untuk Prediksi Kerugian Negara Berdasarkan Kasus Tindak Pidana Korupsi,” J. Appl. Informatics Comput., vol. 5, no. 1, pp. 95–102, 2021, doi: 10.30871/jaic.v5i1.3184.
[11] D. Rachmadhani, “Pemodelan prediksi kerawanan penyakit malaria menggunakan metode,” J. Bumi Indones., vol. 4, no. 4, pp. 1–10, 2015.
[12] B. Putra and A. H. Muhammad, “Prediksi Prevalensi Stunting di Indonesia dengan Ordinary Least Square (OLS),” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 1890–1900, 2024, doi: 10.33379/gtech.v8i3.4623.
[13] Ines Saraswati Machfiroh and Cahaya Ayu Ramadhan, “Peramalan Penjualan Produk Cup 220 Ml Menggunakan Metode Least Square Pada PT. Panen Embun Kemakmuran Tahun 2022,” J. MSA ( Mat. dan Stat. serta Apl., vol. 10, no. 2, pp. 17–24, 2022, doi: 10.24252/msa.v10i2.27870.