Fluktuasi harga beras di Indonesia dipengaruhi oleh berbagai faktor, seperti
kondisi musim, distribusi, dan keadaan ekonomi yang bervariasi antarprovinsi. Perbedaan
karakteristik wilayah menyebabkan pola harga beras tidak seragam di setiap provinsi,
sehingga diperlukan metode prediksi yang dapat menangkap pola data deret waktu secara
lebih akurat. Penelitian ini bertujuan untuk memprediksi harga beras bulanan di tingkat
provinsi menggunakan dua metode deep learning, yaitu Gated Recurrent Unit (GRU) dan
Long Short-Term Memory (LSTM), serta membandingkan kinerja kedua model tersebut.
Data yang digunakan adalah harga beras bulanan dari seluruh provinsi di Indonesia pada
periode 2022–2025. Penelitian ini meliputi tahapan pra-pemrosesan data, normalisasi,
pembentukan data deret waktu, pelatihan model, dan evaluasi menggunakan metrik
MAE, RMSE, dan MAPE. Hasil evaluasi menunjukkan bahwa model GRU menghasilkan
nilai MAE 0.24, RMSE 0.38, dan MAPE 4.1%, menunjukkan tingkat akurasi yang tinggi
dan kestabilan prediksi yang lebih baik dibandingkan dengan model LSTM, yang
memperoleh nilai MAE 0.28, RMSE 0.42, dan MAPE 4.7%. Selain itu, model GRU juga
terbukti lebih efisien dalam waktu pelatihan, dengan kestabilan yang lebih tinggi dalam
mengikuti pola pergerakan harga beras. Berdasarkan hasil tersebut, dapat disimpulkan
bahwa model GRU merupakan alternatif yang lebih efisien dan akurat untuk memprediksi
harga beras bulanan pada tingkat provinsi di Indonesia.

The fluctuation of rice prices in Indonesia is influenced by various factors, such
as seasonal conditions, distribution, and economic conditions that vary across provinces.
The differences in regional characteristics cause rice price patterns to be uneven across
provinces, requiring a prediction method that can accurately capture time-series data
patterns. This study aims to predict monthly rice prices at the provincial level using two
deep learning methods, namely Gated Recurrent Unit (GRU) and Long Short-Term
Memory (LSTM), and to compare the performance of both models. The data used consists
of monthly rice prices from all provinces in Indonesia for the period 2022–2025. The
research includes several stages, including data preprocessing, normalization, time
series data formation, model training, and evaluation using the MAE, RMSE, and MAPE
metrics. The evaluation results show that the GRU model produces MAE of 0.24, RMSE
of 0.38, and MAPE of 4.1%, indicating high accuracy and better prediction stability
compared to the LSTM model, which yields MAE of 0.28, RMSE of 0.42, and MAPE of
4.7%. Additionally, the GRU model proves to be more efficient in training time, with
higher stability in following the rice price trend. Based on these results, it can be
concluded that the GRU model is a more efficient and accurate alternative for predicting
monthly rice prices at the provincial level in Indonesia.