MODEL TERPOPULER UNTUK PREDIKSI HARGA BAHAN POKOK: SEBUAH TINJAUAN LITERATUR

Abstract

Perkembangan sektor perdagangan bahan pokok sangat dipengaruhi oleh kemajuan teknologi informasi, khususnya dalam penerapan Machine Learning. Selama dekade terakhir, model prediksi harga bahan pokok berbasis algoritma seperti Random Forest, SVM, XGBoost, hingga LSTM menunjukkan potensi yang signifikan. Permasalahan utama terletak pada ketidakstabilan data pasar dan kebutuhan integrasi data secara real-time, yang menjadi tantangan dalam pengembangan model prediksi yang akurat. Tujuan makalah ini adalah memberikan kontribusi terhadap literatur ilmiah melalui pemetaan tantangan, metode, serta tren dan peluang masa depan dalam penggunaan Machine Learning untuk prediksi harga bahan pokok. Penelitian ini mengkaji 35 artikel ilmiah dari tahun 2014 hingga 2024 menggunakan pendekatan Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Hasil kajian menunjukkan bahwa LSTM merupakan model yang paling banyak digunakan dalam studi terkini, dengan arah penelitian yang berkembang ke arah model hybrid, penerapan algoritma berbasis deep learning, serta peningkatan akurasi melalui integrasi big data dan Internet of Things (IoT). Temuan ini diharapkan dapat menjadi dasar bagi pengembangan riset lanjutan yang lebih adaptif terhadap dinamika pasar.