OPTIMALISASI KLASIFIKASI HARGA BERAS DI JAWA TIMUR MENGGUNAKAN BAYESIAN OPTIMIZATION DENGAN MODEL GAUSSIAN PROCESS NOISE

Abstract

Stabilisasi harga beras merupakan isu krusial di wilayah seperti Jawa Timur yang berperan sebagai daerah produsen sekaligus konsumen utama. Ketidakstabilan harga beras dapat mengganggu daya beli rumah tangga, menghambat efisiensi rantai pasok, dan melemahkan ketahanan pangan baik secara lokal maupun nasional. Penelitian ini bertujuan untuk merancang sistem klasifikasi harga beras yang efektif melalui integrasi model deep learning dengan pendekatan Bayesian Optimization (BO) berbasis Gaussian Process. Penelitian ini menghadapi tantangan berupa volatilitas pasar, dimensi data yang tinggi, serta ketidakstasioneran data. Metodologi yang digunakan mencakup pra-pemrosesan dan rekayasa fitur dari dataset harga komoditas historis yang terdiri dari 15.276 entri di Jawa Timur, mencakup variabel temporal, spasial, dan kategorikal. Model baseline dibangun menggunakan arsitektur multilayer dan diikuti dengan proses tuning hyperparameter (seperti learning rate, jumlah lapisan, dropout) menggunakan BO. Model terbaik mencapai akurasi validasi sebesar 66,27%, sedikit lebih rendah dari baseline (67,32%), namun menunjukkan peningkatan dalam kestabilan dan interpretabilitas. Evaluasi model menggunakan metrik akurasi, F1-score, dan AUC, serta analisis tambahan melalui confusion matrix dan SHAP untuk interpretasi kontribusi fitur. Hasil penelitian menekankan bahwa meskipun BO memberikan keuntungan dalam stabilitas dan penyetelan parameter, penerapannya masih terkendala oleh sumber daya komputasi dan keterbatasan data berbasis domain. Penelitian ini berkontribusi terhadap penerapan sistem klasifikasi harga cerdas untuk komoditas pertanian dan mendukung kebijakan pangan di tingkat regional.