Penerapan Metode Random Forest Regression untuk Prediksi Harga Beras di Jawa Tengah Berdasarkan Data Historis

Harga beras di Indonesia kerap berfluktuasi akibat faktor produksi, distribusi, pasokan, dan kebijakan pemerintah, sehingga berdampak pada daya beli masyarakat dan stabilitas ekonomi. Kondisi ini menuntut adanya sistem prediksi harga yang akurat sebagai dasar pengambilan keputusan bagi pemerintah, pedagang, dan masyarakat dalam pengelolaan stok serta distribusi pangan. Penelitian ini menerapkan metode Random Forest Regression untuk memprediksi harga enam jenis beras di Jawa Tengah, yaitu Bawah I, Bawah II, Medium I, Medium II, Super I, dan Super II, menggunakan data harga harian dari Pusat Informasi Harga Pangan Strategis (PIHPS) periode Januari–Desember 2025, terdiri dari 261 data mentah, 365 hari data setelah resampling, dan 335 hari data efektif setelah feature engineering. Tahapan penelitian meliputi pengumpulan data, pemrosesan melalui resampling harian dan interpolasi linear, feature engineering untuk membentuk fitur berbasis lag, rolling mean, rolling standard deviation, serta fitur kalender, dan pelatihan enam model terpisah dengan pembagian data 80:20 (268:67 hari) untuk pelatihan dan pengujian. Hasil evaluasi menunjukkan rata-rata MAE Rp170, RMSE Rp239, dan MAPE 0,93%, dengan seluruh nilai MAPE jauh di bawah ambang batas 10%, mengindikasikan tingkat akurasi sangat baik dimana nilai hasil prediksi yang mendekati nilai aktual. Model terbaik diperoleh pada Beras Medium II (MAPE 0,01%), sedangkan MAPE tertinggi pada Beras Super I (2,89%). Seluruh model diimplementasikan ke dalam aplikasi berbasis web yang di-deploy melalui Streamlit Cloud sehingga dapat diakses publik. Penelitian ini diharapkan menjadi referensi penerapan Random Forest Regression pada prediksi harga pangan berbasis data harian sekaligus alat bantu untuk mendukung pengambilan keputusan bagi masyarakat, khususnya di Jawa Tengah.