Penerapan Model Box Jenkins (Arima) Dalam Peramalan Harga Konsumen Bawang Merah Di Provinsi Jawa Tengah

Abstract

Bawang merah merupakan produk pertanian khususnya hortikultura yang memiliki peranan penting di Indonesia dengan dimasukkan sebagai salah satu bahan pangan utama. Permintaan bawang merah yang tinggi dan produksi yang bersifat musiman menjadikan harga bawang merah fluktuatif dan cenderung meningkat setiap tahunnya. Analisis ARIMA adalah salah satu metode yang digunakan untuk peramalan data time series. Tujuan dari penelitian ini adalah untuk peramalan harga konsumen bawang merah di Provinsi Jawa Tengah. Data yang digunakan dalam penelitian ini adalah data harga konsumen bawang merah di Provinsi Jawa Tengah dari aplikasi Pusat Informasi Harga Pangan Strategis (PIHPS) yang diakes pada lama hargapangan.id. Data yang digunakan untuk analisis ARIMA merupakan data harga konsumen bawang merah di Provinsi Jawa Tengah dari Bulan Juli tahun 2017 sampai Bulan April tahun 2021 dengan total jumlah data adalah 46 data harga konsumen. Berdasarkan hasil penelitian dapat disimpulkan bahwa model ARIMA terbaik yang digunakan untuk peramalan harga konsumen bawang merah di Provinsi Jawa Tengah adalah ARIMA c(3,1,2). Model harga konsumen bawang merah di Provinsi Jawa Tengah adalah D(Y)=-0.254657AR(3)-0.586703MA(2). Peramalan harga konsumen bawang merah di Provinsi Jawa Tengah sampai Bulan April tahun 2022 dengan menggunakan metode dinamis diperoleh data harga konsumen yang terus meningkat.

Forecast of Rice Reserves in Special Region of Yogyakarta

“…A stationary test can be performed using the following ways: a. Correlogram, i.e., by looking at the ACF (autocorrelation function) and PACF (partial autocorrelation function). Data are considered stationary when the autocorrelation and partial autocorrelation values decrease with time lags (Rosyid et al, 2021).…”

“…Diagnostic Checking is performed to test whether the model obtained is correct. Some of the methods that can be used are as follows: (Rosyid et al, 2021).…”

“…𝑘 If there are still more than one best models after this principle has been applied, then the next step is to look at the smallest Mean Square Error (MSE) value. If the MSE values of some of the best models are not significantly different, then all the models can be selected based on the results of ex post forecast(Al Rosyid et. al., 2021).…”

Penerapan Metode ARIMA Dalam Peramalan Harga Produksi Karet di Provinsi Riau

“…Jika ketiganya ada maka disebut autoregressiveintegratedmoving average dengan bentuk ARIMA (p,d,q). Metode ini banyak digunakan dalam melakukan peramalan jangka pendek, seperti penelitian untuk meramalkan harga konsumen bawang merah di Provinsi Jawa Tengah yang menghasilkan model ARIMA terbaik yakni ARIMA (3,1,2) [12], meramalkan jumlah penjualan buku pada toko buku AGP Gramedia [13], peramalan harga data saham PT. Telekomunikasi Indonesia yang menghasilkan model ARIMA terbaik yakni ARIMA (0,2,1) [14], peramalan penumpang kereta api [15], peramalan penggunaan kuota internet [16], prediksi jumlah sisiwa baru di MTs Swasta Thfidzul Qur'an Nurul Azmi [17], peramalan IHSG dengan model terbaiknya ARIMA (7,3,1) [18], meramalkan deret waktu meteorologi harian [10], peramalan jumlah penduduk yang menghasilkan model ARIMA terbaik yakni ARIMA (0,2,1) [19].…”

Komparasi Metode Regresi Linier, Exponential Smoothing dan ARIMA Pada Peramalan Volume Ekspor Minyak Kelapa Sawit di Indonesia

“…Hasil differencing 1 (d=1), plot ACF dan PACF dengan lag yang tidak melewati batas penerimaan dengan model sementara adalah ARIMA (p,1,q). Berdasarkan prinsip Parsimony yang menyatakan bahwa model dibuat sederhana dengan parameter sedikit dan menghasilkan model yang stabil[13], dan jika model banyak, maka dipilih yang memiliki MSE yang paling kecil[14], maka berdasarkan ACF dan PACF didapatkan alternatif model ARIMA yang dapat digunakan, yaitu ARIMA (2,1,0), ARIMA (0,1,2) dan ARIMA (1,1,2), ARIMA (2,1,1,), ARIMA (2,1,2), ARIMA (1,1,0), ARIMA (1,1,1), dan ARIMA (0,1,1). Model ARIMA (0,1,0) tidak digunakan karena tidak terdapat parameter AR dan parameter MA.…”