Peramalan Harga Beras Grosir Indonesia Menggunakan SARIMA, Triple Exponential Smoothing, dan Time Series Regression

Magh Heryan Tudaan; Mega Silfiani

doi:10.59945/jpnm.v3i1.358

Authors

Magh Heryan Tudaan Institut Teknologi Kalimantan
Mega Silfiani Institut Teknologi Kalimantan

DOI:

https://doi.org/10.59945/jpnm.v3i1.358

Keywords:

Harga Beras, MAPE, Regresi Time Series, RMSE, SARIMA

Abstract

Peramalan harga beras grosir di Indonesia merupakan hal penting dalam mendukung ketahanan pangan dan stabilitas ekonomi. Tujuan dari penelitian ini adalah untuk mendapatkan metode terbaik dalam melakukan peramalan terhadap harga beras grosir di Indonesia. Penelitian ini menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA), Triple Exponential Smoothing, dan Regresi Time Series. Data yang digunakan berupa data bulanan harga beras grosir di Indonesia periode Januari 2010-Desember 2020. Root Mean Absolute Error (RMSE) dan Mean Percentage Absolute Error (MAPE) digunakan untuk membandingkan akurasi ketiga metode dalam melakukan peramalan. Model SARIMA yang dihasilkan untuk data harga beras grosir di Indonesia, yaitu SARIMA (1,1,0)(0,1,1)[12] dengan RMSE dan MAPE sebesar 501,88 dan 3,56%. Triple Exponential Smoothing diperoleh α, β, γ, dan φ masing masing sebesar 0,9999, 0,0766, 1e-04, dan 0,9777 dengan RMSE dan MAPE sebesar 181,515 dan 1,18%. Model Regresi Time Series yang dihasilkan untuk data harga beras yaitu Z_t= 7116,49 + 49,325X dengan RMSE dan MAPE sebesar 1121,93 dan 8,95%. Metode yang terbaik untuk melakukan peramalan pada harga beras grosir di Indonesia adalah Triple Exponential Smoothing.

Author Biography

Mega Silfiani, Institut Teknologi Kalimantan

Mega Silfiani, S.Si., M.Si., M.Sc
Program Studi Statistika, Fakultas Sains dan Teknologi Informasi, Institut Teknologi Kalimantan

References

Abdy, M., Irwan, & Mayangsari. (2024). Penerapan metode triple exponential smoothing Holt Winters dalam meramalkan jumlah keberangkatan penumpang kapal di Pelabuhan Soekarno-Hatta Makassar. SAINTIFIK: Jurnal Matematika, Sains, Dan Pembelajarannya, 10(2). https://doi.org/10.31605/saintifik.v10i2.533

BPS. (2023). Statistik Pangan dan Pertanian. Badan Pusat Statistik.

Cryer, J., & Chan, K. (2011). Time series analysis. New York: Springer.

Gaweł, B., & Paliński, A. (2024). Global and local approaches for forecasting of long-term natural gas consumption in Poland based on hierarchical short time series. Energies, 17(2), 347. https://doi.org/10.3390/en17020347

Guidolin, M., & Pedio, M. (2018). Essentials of Time Series for Financial Applications. Academic Press.

Jabnabillah, F., Reza, W., & Program Studi Matematika, Fakultas Teknologi Informasi, Institut Teknologi Batam. (2023). PENGARUH PERUBAHAN IKLIM TERHADAP PRODUKSI PERIKANAN TANGKAP DI KOTA BATAM MENGGUNAKAN ANALISIS REGRESI TIME SERIES. Jurnal Ilmiah Pendidikan Matematika, Matematika Dan Statistika, 4(1). https://doi.org/10.46306/lb.v4i1

Klugman, S. A., Panjer, H. H., & Willmot, G. E. (2019). In Loss models: From data to decisions (pp. 203–218). essay, John Wiley & Sons, Inc.

Kementerian Pertanian. (2022). Laporan Tahunan Harga Pangan. Kementerian Pertanian Republik Indonesia.

Kumar, R. R., & Baishya, M. (2020). Forecasting of potato prices in India: an application of ARIMA model. Journal of Agricultural Science and Technology, 65(4). https://doi.org/10.46852/0424-2513.4.2020.1

Naya, F. P., Berlianti, S. S., Parcha, N., & Kayla. (2024). PERAMALAN HARGA BERAS INDONESIA MENGGUNAKAN METODE ARIMA. INTELEKTIVA, 6.

Pinheiro, A. C., & Rodrigues, P. C. (2024). Hierarchical Time Series Forecasting of fire spots in Brazil: A Comprehensive approach. Stats.

Priyadi, D., & Mardhiyah, I. (2021). Model Autoregressive Integrated Moving Average (Arima) Dalam Peramalan Nilai Harga Saham Penutup Indeks LQ45. Jurnal Ilmiah Informatika Komputer, 26(1), 78-94.

Salfina, Hernanda, Y., & Silfiani, M. (2024). Comparison of several univariate time series methods for inflation rate forecasting. Eigen Mathematics Journal, 7. https://doi.org/10.29303/emj.v7i2.200

Wei, W. W. S. (1990). Time series analysis: Univariate and multivariate methods. Redwood City, Calif: Addison-Wesley Pub.

Wulansari, R. E., Suryanto, E., Ferawati, K., & Andalita, I. (2014). Penerapan time series regression with calendar variation effect pada data netflow uang Kartal Bank Indonesia sebagai solusi kontrol likuiditas perbankan di Indonesia. Statistika, 14(2).