Development of a National Rice Price Prediction Model Based on Multivariate Using Temporal Fusion Transformer (TFT)
Abstract
Dalam konteks ekonomi, sosial, dan politik, harga komoditas pangan memiliki peran penting yang signifikan dalam menentukan stabilitas ekonomi dan kesejahteraan masyarakat. Namun, terdapat tantangan dalam pengelolaan harga pangan, seperti mengidentifikasi periode-periode tertentu di mana harga pangan mengalami kenaikan signifikan dan memperkirakan tren harga pangan di masa depan. Berdasarkan latar belakang tersebut, dirancanglah model prediksi dengan pendekatan multivariate, menggunakan arsitektur Temporal Fusion Transformer (TFT). TFT adalah model Transformer yang dirancang untuk peramalan time series multi-horizon dan meraih performa state-of-the-art. Pada perancangan ini, terdapat enam jenis data, baik data kontinu maupun kategorial, yang digunakan dengan target prediksi harga harian Beras Premium dan Beras Medium hingga 30 hari ke depan berdasarkan pola temporal 90 hari sebelumnya. Berdasarkan pengujian yang dilakukan dengan 30 baris terakhir data, didapatkan nilai Mean Absolute Percentage Error (MAPE) sebesar 0,23% untuk Beras Premium dan 0,3% untuk Beras Medium. Pengujian ini menunjukkan bahwa performa TFT sangat baik dalam implementasi time series multivariate forecasting.
Kata kunci— Harga, Beras, Time Series, TFT, Multivariate, MAPE
References
A. Ray Farandy, "Analyzing Factors Affecting Indonesian Food Price Inflation," dalam Jurnal Ekonomi dan Pembangunan, 2020, hlm. 65376. doi: 10.14203/JEP.28.1.2020.65-76.
R. Adhikari dan R. K. Agrawal, "An Introductory Study on Time Series Modeling and Forecasting." 2013. [Daring]. Tersedia pada: https://arxiv.org/abs/1302.6613
J. du Preez dan S. F. Witt, "Univariate versus multivariate time series forecasting: an application to international tourism demand," Int J Forecast, vol. 19, no. 3, hlm. 4353451, 2003, doi: https://doi.org/10.1016/S0169-2070(02)00057-2.
B. Lim, S. Ö. Arık, N. Loeff, dan T. Pfister, "Temporal Fusion Transformers for interpretable multi-horizon time series forecasting," Int J Forecast, vol. 37, no. 4, hlm. 174831764, 2021, doi: https://doi.org/10.1016/j.ijforecast.2021.03.012.
D. Gunning, M. Stefik, J. Choi, T. Miller, S. Stumpf, dan G.-Z. Yang, "XAI4Explainable artificial intelligence," Sci Robot, vol. 4, no. 37, hlm. eaay7120, 2019, doi: 10.1126/scirobotics.aay7120.
