Perbandingan Hasil Implementasi Metode ARIMA dan GRU dalam Memprediksi Harga Cabai Merah Keriting di Kota Lhokseumawe
Keywords:
Autoregressive Integrated Moving Average (ARIMA), Gated Recurrent Unit (GRU), Prediksi Harga, Cabai Merah Keriting, Time SeriesAbstract
Harga cabai merah keriting merupakan komoditas pangan strategis yang sering mengalami fluktuasi sehingga sulit diprediksi, dan kondisi ini berdampak pada pendapatan petani, aktivitas perdagangan, serta kestabilan pasokan di pasar. Penelitian ini menerapkan metode Autoregressive Integrated Moving Average (ARIMA) dan Gated Recurrent Unit (GRU) untuk memprediksi harga cabai merah keriting di Kota Lhokseumawe, serta membandingkan tingkat akurasi kedua metode tersebut. Data yang digunakan adalah data historis harga harian (Senin–Jumat) periode Januari 2023 hingga Maret 2026 yang diperoleh dari PIHPS Nasional, dengan total 845 data. Pada metode ARIMA, pemodelan dilakukan melalui uji stasioneritas, differencing, analisis ACF dan PACF, serta estimasi parameter hingga diperoleh model terbaik ARIMA (1,1,1). Pada metode GRU, pemodelan dilakukan melalui normalisasi data menggunakan MinMax Scaler, pembentukan sequence, pelatihan model dengan arsitektur dua layer GRU, dan prediksi menggunakan data testing. Evaluasi model menggunakan metrik Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model ARIMA (1,1,1) menghasilkan MAE sebesar 18.799 dan MAPE sebesar 32,11%, sedangkan model GRU dengan batch size 32 dan epoch 100 menghasilkan MAE sebesar 4.661 dan MAPE sebesar 7,81%. Metode GRU terbukti memiliki akurasi yang lebih baik dibandingkan ARIMA karena menghasilkan nilai error yang lebih kecil. Selain itu, penelitian ini berhasil membangun dashboard berbasis web menggunakan Python dan Flask untuk menampilkan data harga, grafik tren, serta hasil prediksi kedua metode.
References
Abdul, M., Dani, Q., Pratama, C. A., & Raihan, I. (2025). Pemodelan Runtun Waktu Harga Nikel dengan Algoritma LSTM dan GRU. 8, 392–398.
Fauzani, S. P., & Rahmi, D. (2023). Penerapan Metode ARIMA Dalam Peramalan Harga Produksi Karet di Provinsi Riau. Jurnal Teknologi Dan Manajemen Industri Terapan, 2(4), 269–277. https://doi.org/10.55826/tmit.v2i4.283
Hidayati, N., Anwar, S., & Rahmah, R. (2022). Peramalan Harga Cabai Merah sebagai upaya menjaga Stabilitas Inflasi Kota Banda Aceh. Agriekonomika, 11(1), 31–42. https://doi.org/10.21107/agriekonomika.v11i1.11380
Kurniawati, A., & Arima, A. (2021). Analisis Prediksi Harga Saham PT. Astra International Tbk Menggunakan Metode ARIMA dan SVR. Jurnal Ilmiah Komputasi, 20(3), 417–423. https://doi.org/10.32409/jikstik.20.3.2732
Meriani, A. P., & Rahmatulloh, A. (2024). Perbandingan GRU dan LSTM Linear Regression Dalam Prediksi Harga Emas. Jurnal Informatika Dan Teknik Elektro Terapan, 12(1). https://doi.org/10.23960/jitet.v12i1.3808
Mutiarega, A., Resti, S. S., & Yurniati. (2025). Peramalan Harga Cabai Merah Di Kota Padang Menggunakan Model ARIMA Dan SARIMA. 4(1), 20–27.
Natzir, S. M., & Jatiprasetya, H. (2025). Prediksi Harga Cryptocurrency XLM Menggunakan Metode Deep Learning LSTM dan GRU. 16(c), 49–58.
Nisa Ayunda, Faizah, & Sujarwo. (2021). Analisa Peramalan Data Time-Series Dengan Aplikasi Windows POM-QM. Buana Matematika: Jurnal Ilmiah Matematika Dan Pendidikan Matematika, 11(2), 167–180. https://doi.org/10.36456/buanamatematika.v11i2.5913
Nurhidayati, M. (2021). Estimasi Parameter Model Autoregressive dengan Metode Yule Walker, Least Square, dan Maximum Likelihood. Journal of Innovation and Technology in Mathematics and Mathematics Education, 1(1), 1–6.
Prayogi, K., Gata, W., & Kussanti, D. P. (2024). Prediksi Harga Saham Bank Central Asia Menggunakan Algoritma Deep Learning GRU.
Ramadhan, R. S., Kurniawan, R., & Hasibuan, M. S. (2024). Daerah Rawan Angin Puting Beliung pada Kabupaten di Sumatera Utara. Jurnal Ilmiah KOMPUTASI, 23, 247–252.
Rahmadana, F., Dalimunthe, Y. A., & Lubis, F. R. (2022). Pemanfaatan Metode Time Series Untuk Memprediksi Jumlah Pemasangan Baru Wifi Indihome. Djtechno: Jurnal Teknologi Informasi, 3(1), 136–142. https://doi.org/10.46576/djtechno.v3i1.2209
Ryan, J., & Wijaya, H. (2024). Implementasi Data Mining untuk Sales Forecasting Berbasis Website dengan Metode ARIMA. Bit-Tech, 7(1), 19–27. https://doi.org/10.32877/bt.v7i1.1332
Sarah, A. D., Amri, I. F., Al Haris, M., & Yunanita, N. (2024). Peramalan Harga Cabai Rawit Merah di Jawa Timur Menggunakan Metode AutoRegressive Integrated Moving Average (ARIMA). Prosiding Seminar Nasional Sains Data, 4(1), 1012–1021. https://doi.org/10.33005/senada.v4i1.407
Setiawan, R. N. S., Widiyanti, N. M. Z., & Kusuma, W. (2025). Prediksi Harga Cabai Rawit Di Pasar Induk Mandalika Kota Mataram Dengan Metode ARIMA Box-Jenkins. 15(2), 20–29.
Suhendra, C. D., Marini, L. F., & Sarungallo, A. (2023). Prediksi Mahasiswa Baru Universitas Papua Menggunakan ARIMA. Jurnal Informatika, 10(2), 163–172. https://doi.org/10.31294/inf.v10i2.16637
Sunendar, N., P. Putro, H., & Hesananda, R. (2025). Prediksi Penjualan Aerosol Menggunakan Algoritma ARIMA dan GRU. INSOLOGI: Jurnal Sains Dan Teknologi, 4(1), 113–126. https://doi.org/10.55123/insologi.v4i1.4868
Triwijayani, A. U., Lahom, A. W., Bana, F. M. E., Saputra, P. H., Narendra, K. D., Sihombing, E. P., & Elfatma, O. (2023). Kasgot Sebagai Alternatif Pupuk Organik dan Media Tanam Cabai Merah Keriting. Tropical Plantation Journal, 2(2), 80–85.
Wulandari, S. S., Sufri, & Yurinanda, S. (2021). Penerapan Metode ARIMA Dalam Memprediksi Fluktuasi Harga Saham PT Bank Central Asia Tbk. BUANA Matematika, 11(1), 53–68.
