Aplikasi Metode Singular Spectrum Analysis (SSA) dalam Peramalan Produksi Padi di Provinsi Sulawesi Tenggara

Ega Sarmita; Gusti Ngurah Adhi Wibawa; Bahridin Abapihi; Ruslan; Lilis Laome; Agusrawati

doi:10.59945/jpnm.v2i1.93

Authors

Ega Sarmita Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Halu Oleo, Kendari, Indonesia
Gusti Ngurah Adhi Wibawa Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Halu Oleo, Kendari, Indonesia
Bahridin Abapihi Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Halu Oleo, Kendari, Indonesia
Ruslan Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Halu Oleo, Kendari, Indonesia
Lilis Laome Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Halu Oleo, Kendari, Indonesia
Agusrawati Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Halu Oleo, Kendari, Indonesia

DOI:

https://doi.org/10.59945/jpnm.v2i1.93

Keywords:

ARIMA, Produksi Padi, Seasonality, Singular Spectrum Analysis(SSA), Tren

Abstract

Penelitian ini bertujuan untuk meramalkan produksi padi di Provinsi Sulawesi Tenggara menggunakan metode Singular Spectrum Analysis (SSA) dan membandingkannya dengan metode Autoregressive Integrated Moving Average (ARIMA). Data produksi padi di Provinsi Sulawesi Tenggara dari tahun 2018 hingga 2021 dijadikan dasar untuk peramalan tahun 2022. Metode SSA digunakan untuk meramalkan produksi padi, dan hasilnya dibandingkan dengan metode ARIMA untuk menilai akurasi peramalan. Hasil penelitian menunjukkan bahwa model SSA dengan window length (panjang jendela) L=25 merupakan model terbaik untuk meramalkan produksi padi di Provinsi Sulawesi Tenggara selama dua belas bulan ke depan (yi = yiT + yiS). Model ini memiliki nilai Mean Absolute Percentage Error (MAPE) sebesar 23,68%, menunjukkan tingkat akurasi yang tinggi dalam meramalkan produksi padi. Perbandingan akurasi peramalan antara metode SSA dan ARIMA menunjukkan bahwa SSA lebih unggul. Akurasi peramalan dengan SSA mencapai 23,68%, sementara ARIMA memiliki MAPE sebesar 48,16%. Hal ini menegaskan bahwa SSA lebih efektif dan akurat dalam meramalkan produksi padi di Provinsi Sulawesi Tenggara dibandingkan dengan ARIMA. Kesimpulan dari penelitian ini adalah bahwa metode SSA dapat menjadi pilihan yang lebih tepat dan efektif dalam meramalkan produksi padi di daerah ini. Keakuratan peramalan yang tinggi menunjukkan potensi aplikasi SSA dalam mendukung perencanaan dan pengambilan keputusan terkait produksi padi di Provinsi Sulawesi Tenggara.

References

Ahmad, F. (2020). Penentuan Metode Peramalan Pada Produksi Part New Granada Bowl St Di Pt.X. JISI: Jurnal Integrasi Sistem Industri, 7(1), 31. https://doi.org/10.24853/jisi.7.1.31-39

Aizzah, Z., Intan, P. K., & Utami, W. D. (2022). Prediksi Jumlah Gempa Tektonik di Wilayah Jawa Timur dengan Menggunakan Metode ARIMA Box Jenkins dan Kalman Filter. JRST (Jurnal Riset Sains Dan Teknologi), 5(2), 111. https://doi.org/10.30595/jrst.v5i2.9701

Amalia, I. R. (2022). Penerapan Metode Singular Spectrum Analysis dalam Peramalan Jumlah Produksi Beras di Kabupaten Gowa. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 4(2), 49–58. https://doi.org/10.35580/variansiunm40

Andhika, G. B., Sumarjaya, I. W., & Srinadi, I. G. A. M. (2020). Peramalan Nilai Tukar Petani Menggunakan Metode Singular Spectrum Analysis. E-Jurnal Matematika, 9(3), 171. https://doi.org/10.24843/mtk.2020.v09.i03.p295

Ariska, F. M., & Bagus, Q. (2021). Perkembangan Impor Bekas di Indonesia. Jurnal Agrimals, 1(1), 27–34. https://doi.org/10.25140/2411-5363-2021-2(24)-235-243

Arsani, A. M. (2020). the Future of Indonesia and Global Agriculture: Rice Consumption and Agricultural Modernization. Jurnal Litbang Sukowati : Media Penelitian Dan Pengembangan, 4(1), 8. https://doi.org/10.32630/sukowati.v4i1.132

Garini, F. C., & Anbiya, W. (2022). Application of GARCH Forecasting Method in Predicting The Number of Rail Passengers (Thousands of People) in Jabodetabek Region. Jurnal Matematika, Statistika Dan Komputasi, 18(2), 198–223. https://doi.org/10.20956/j.v18i2.18382

Habsari, H. D. P., Purnamasari, I., & Yuniarti, D. (2020). Peramalan Menggunakan Metode Double Exponential Smoothing Dan Verifikasi Hasil Peramalan Menggunakan Grafik Pengendali Tracking Signal. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 14(1), 013–022.

Harsyiah, L., Fitriyani, N., & Salwa, S. (2020). Peramalan Jumlah Siswa Baru Madrasah Aliyah (MA) Manhalul Ma’arif Darek-Lombok Tengah. Eigen Mathematics Journal, 3(2), 110–117. https://doi.org/10.29303/emj.v3i2.88

Ikram, A. S. M., Makkulau, M., Abapihi, B., Ruslan, R., & Baharuddin, B. (2022). Analisis Intervensi Fungsi Step Pada Peramalan Jumlah Kunjungan Wisatawan. Jurnal Matematika Komputasi Dan Statistika, 2(3), 181–186. https://doi.org/10.33772/jmks.v2i3.24

Kontopoulou, V. I., Panagopoulos, A. D., Kakkos, I., & Matsopoulos, G. K. (2023). A Review of ARIMA vs. Machine Learning Approaches for Time Series Forecasting in Data Driven Networks. Future Internet, 15(8), 1–31. https://doi.org/10.3390/fi15080255

Marjuni, A. (2022). Peramalan Harga Saham Serentak Menggunakan Model Multivariate Singular Spectrum Analysis. Jurnal Sistem Informasi Bisnis, 12(1), 17–25. https://doi.org/10.21456/vol12iss1pp17-25

Neog, B., Gogoi, B., & Patowary, A. N. (2022). Development of Hybrid Time Series Models for Forecasting Autumn Rice Using Arimax- Ann and Arimax-Svm. Annals of Forest Research, 65(1), 9119–9133.

Pradana, M. S., Rahmalia, D., & Prahastini, E. D. A. (2020). Peramalan Nilai Tukar Petani Kabupaten Lamongan dengan Arima. Jurnal Matematika, 10(2), 91. https://doi.org/10.24843/jmat.2020.v10.i02.p126

Purnama, J., & Juliana, A. (2020). Analisa Prediksi Indeks Harga Saham Gabungan Menggunakan Metode Arima. Cakrawala Management Business Journal, 2(2), 454. https://doi.org/10.30862/cm-bj.v2i2.51

Qadrini, L., Asrirawan, A., Mahmudah, N., Fahmuddin, M., & Amri, I. F. (2020). Forecasting Bank Indonesia Currency Inflow and Outflow Using ARIMA, Time Series Regression (TSR), ARIMAX, and NN Approaches in Lampung. Jurnal Matematika, Statistika Dan Komputasi, 17(2), 166–177. https://doi.org/10.20956/jmsk.v17i2.11803

Rahmad, C., Wibowo, R. S., & Puspitasari, D. (2019). Peramalan Penjualan Daging Sapi Menggunakan Metode Trend Least Square. Jurnal Teknologi Informasi Dan Terapan, 6(1), 7–11. https://doi.org/10.25047/jtit.v6i1.104

Salsabilla, S., Deksino, G. R., & Dewi, D. T. T. (2022). Pengelolaan Sumber Daya Air Dan Food Estate Sebagai Faktor Pendukung Penyediaan Logistik Wilayah Untuk Pertahanan Negara. Jurnal Kewarganegaraan, 6(2), 2436–2444. http://journal.upy.ac.id/index.php/pkn/article/view/3021

Sari, M. A. N., Sumarjaya, I. W., & Susilawati, M. (2019). Peramalan Jumlah Kunjungan Wisatawan Mancanegara Ke Bali Menggunakan Metode Singular Spectrum Analysis. E-Jurnal Matematika, 8(4), 303. https://doi.org/10.24843/mtk.2019.v08.i04.p269

Sarwo, & Hermawan. (2019). Prediksi Penerimaan Siswa Baru Pada Madrasah Aliyah Assayafi’Iyah 02 Menggunakan Metode Time Series. Petir: Jurnal Pengkajian Dan Penerapan Teknik Informatika, 9(2), 151–156. https://doi.org/10.33322/petir.v9i2.182

Susila, M. R., Jamil, M., & Santoso, B. H. (2023). Akurasi Model Hybrid ARIMA-Artificial Neural Network dengan Model Non Hybrid pada Peramalan Peredaran Uang Elektronik di Indonesia. Jambura Journal of Mathematics, 5(1), 46–58. https://doi.org/10.34312/jjom.v5i1.14889