![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
ABSTRAK Muhamad Ridho Zul Khoiri
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Penelitian ini bertujuan untuk membangun model prediksi harga udang seratus hari ke depan
bagi PT. X yang menghadapi tantangan dalam menetapkan harga forward contract yang
akurat untuk komoditas udang vaname karena volatilitas pasar yang tinggi.
Variabel prediktor yang digunakan berasal dari transaksi historis udang vaname dari PT. X
selama 499 hari (9.182 transaksi) dan variabel eksternal, seperti faktor makroekonomi dan
harga ekspor-impor udang. Proses pengolahan data meliputi pembersihan, transformasi, dan
pembagian data menjadi data pelatihan dan pengujian.
Model yang dibangun adalah multiple linear regression (MLR) dengan teknik regresi lasso,
random forest regression (RFR), extreme gradient boosting (XGBoost), dan agregasi ketiga
model dengan metode averaging.
Pembangunan model MLR lasso dimulai dengan menyeleksi variabel independen relevan
dan mengatasi overfit dengan nilai alpha optimal pada 257,721. Model menunjukkan
terdapat hubungan harga udang dengan faktor internal (ukuran udang, tanggal), faktor
eksternal (kondisi pasar global), dan faktor regional (lokasi Sulawesi Selatan dan Sulawesi
Tenggara), dengan RMSE sebesar Rp5.168/kg pada data pelatihan.
Model RFR dan XGBoost dievaluasi melalui eksperimen yang mempertimbangkan
hyperparameter (n_estimators, max_depth, min_samples_split, min_samples_leaf, gamma,
colsample_bytree, lambda, alpha, dan learning_rate). Dengan menggunakan algoritma
pencarian Bayes, RMSE terbaik yang berhasil diperoleh untuk model RFR adalah sebesar
Rp3.259/kg dengan nilai hyperparameter secara berurutan (207, 10, 33, 35), sementara
untuk model XGBoost sebesar Rp4.578/kg dengan nilai hyperparameter secara berurutan
(89, 3, 0.057, 0.0925, 600.815, 389.357, 0.0296).
Model MLR lasso, RFR, dan XGBoost memberikan prediksi lebih akurat daripada model
internal perusahaan dengan model RFR dan XGboost menunjukkan performa terbaik (5,29%
dan 5,02% secara berurutan) pada data testing.
Paired-t sample test membuktikan penggunaan model yang lebih kompleks dan penambahan
variabel eksternal meningkatkan akurasi prediksi model. Peningkatan signifikan dalam
akurasi terlihat dari model MLR biasa ke MLR lasso. Penambahan data eksternal juga
signifikan dalam meningkatkan akurasi prediksi model, meskipun efeknya bernilai marginal
(MAPE 5,84% menjadi 5,81%).
Backtesting menunjukkan model prediksi lebih selektif dalam menginisiasi forward contract
dengan memilih 373 posisi kontrak ( dari total 976 keputusan historis, namun berpotensi
meningkatkan win-rate (dari 37,19% menjadi 75,87% dengan adopsi model RFR), Sharpe
Ratio (dari -0,26 menjadi 0,33 dengan adopsi model XGB), dan potensi keuntungan (dari -
Rp6,86 milyar menjadi Rp2,18 milyar dengan adopsi model XGB). Model ini juga dapat
menurunkan risiko kerugian per transaksi (dari Rp16,7 juta menjadi Rp4,9 juta),
menandakan potensi perbaikan dalam kinerja dan pengelolaan risiko.
Dengan adopsi model prediksi yang lebih akurat yang dihasilkan penelitian ini, PT. X dapat
melakukan penetapan harga forward contract yang lebih baik, meminimalkan risiko, dan
proaktif menyesuaikan strategi perusahaan sesuai dengan dinamika pasar di masa depan.