Anda di halaman 1dari 7

JTech 7(1),20 - 26 Akolo I. R.

PERBANDINGAN EXPONENTIAL SMOOTHING HOLT-WINTERS DAN ARIMA


PADA PERAMALAN PRODUKSI PADI DI PROVINSI GORONTALO

Ingka Rizkyani Akolo1)


1
Program Studi Teknologi Hasil Pertanian, Politeknik Gorontalo
Email: inkarizkyani05@gmail.com 1)

ABSTRAK

Gorontalo merupakan salah satu provinsi di Indonesia yang memiliki lahan pertanian yang besar yang
sebagian besar ditanami padi. Kebutuhan bahan pangan padi di Gorontalo bertambah dari tahun ke tahun sesuai
dengan pertambahan penduduk. Akan tetapi, karena terjadi perbedaan hasil panen padi di setiap daerah
mengakibatkan kelangkaan beras sehingga mempengaruhi pemenuhan kebutuhan dan stabilitas penyediaan
pangan di Gorontalo. Untuk membuat perencanaan terkait komoditas akan pangan diperlukan model matematika
khusus untuk peramalan. Salah satunya model yang sering digunakan untuk peramalan adalah dalam peramalan
adalah metode metode exponential smoothing Holt-Winters dan Autoregressive Integrated Moving Average
(ARIMA). Tujuan dari penelitian ini adalah untuk mengetahui model peramalan produksi padi di Provinsi
Gorontalo menggunakan metode exponential smoothing Holt-Winters dan ARIMA sehingga dapat memberikan
masukan kepada Pemerintah Daerah dalam mengambil kebijakan yang berkaitan dengan ketahanan pangan di
Provinsi Gorontalo. Hasil analisis menunjukkan bahwa model peramalan terbaik adalah Model peramalan
produksi padi dengan metode ARIMA (3,1,3) yang memberikan nilai RMSE lebih kecil dibandingkan metode
exponential smoothing Holt-Winters.

Kata kunci: arima, exponential smoothing Holt-Winters, gorontalo, peramalan, produksi padi

ABSTRACT

Gorontalo is one of the provinces in Indonesia that has large agricultural land which is mostly planted
with rice. The food demand for rice in Gorontalo increases from year to year according to population growth.
However, due to differences in rice yields in each region resulting in scarcity of rice, it affected the fulfillment of
the needs and stability of food supply in Gorontalo. To plan for commodities related to food, a special
mathematical model for forecasting is needed. One model that is often used for forecasting are Holt-Winters
exponential smoothing method and the Autoregressive Integrated Moving Average (ARIMA) method. The purpose
of this study was to determine the forecasting model of rice production in Gorontalo Province using the Holt-
Winters and ARIMA exponential smoothing method so that it could provide input to the Regional Government in
taking policies related to food security in Gorontalo Province. The results of the analysis show that the best
forecasting model is ARIMA (3,1,3) which gives a smaller RMSE value than the exponential smoothing Holt-
Winters method.

Keywords: arima, exponential smoothing Holt-Winters, gorontalo, prediction, rice production.

1. PENDAHULUAN merupakan komoditas pangan yang diolah menjadi


Indonesia merupakan salah satu negara bahan makanan pokok yaitu beras. Kebutuhan bahan
berkembang yang mayoritas penduduknya pangan padi di Indonesia khususnya Gorontalo
menggantungkan hidupnya pada sektor pertanian dan bertambah dari tahun ke tahun sesuai dengan
menjadikannya sebagai sumber mata pencaharian. pertambahan penduduk (Aisha, 2016).
Gorontalo merupakan salah satu provinsi di Berdasarkan data Badan Pusat Statistika
Indonesia yang memiliki lahan pertanian yang besar. (BPS) provinsi Gorontalo, produksi padi di Provinsi
Tanaman pangan yang banyak diusahakan oleh Gorontalo tahun 2014 mencapai 303.627 ton
rumah tangga petani di Gorontalo adalah padi. Padi meningkat dibandingkan dengan produksi padi tahun

doi:https://doi.org/10.30869/jtech.v7i1.314, p-issn/e-issn:2252-4002/2546-558X 20
Perbandingan Exponential Smoothing Holt-Winters dan Arima Pada Peramalan
Produksi Padi di Provinsi Gorontalo
JTech 7(1),20 - 26 Akolo I. R.

2013 yang produksinya sebanyak 290.231 ton. Pemerintah Daerah dalam mengambil kebijakan yang
Peningkatan produksi padi tahun 2014 disebabkan berkaitan dengan ketahanan pangan di Provinsi
karena meningkatnya luas panen tanaman padi Gorontalo.
(Badan Pusat Statistik, 2018). Hal ini berarti bahwa
sebenarnya negara Indonesia mampu untuk 2. TINJAUAN PUSTAKA
memenuhi kebutuhan pangan terutama beras secara 2.1. Produksi Padi
mandiri. Ironisnya, Indonesia yang menduduki Menurut Assauri (2006) dalam Nurrohmah
peringkat ketiga tertinggi dalam penghasil beras (2016) Produksi merupakan segala kegiatan dalam
terbesar di dunia ternyata juga memenuhi kebutuhan menciptakan dan menambah kegunaan (utility) suatu
dan menjaga stabilitas penyediaan pangan nasional barang dan jasa. Produksi pada dasarnya merupakan
dengan mengimpor dari negara lain. Selain itu, kegiatan yang dimaksudkan untuk menghasilkan
perbedaan hasil panen di setiap daerah barang/jasa untuk dapat memenuhi kebutuhan
mengakibatkan kelangkaan beras karena tidak manusia. Sedangkan definisi padi Menurut Sugeng
optimalnya teknik pertanian yang digunakan (1992) dalam Krismiasari (2012) merupakan
(Ramadhona dkk, 2018). tanaman yang membutuhkan air cukup banyak dan
Menurut Wei (2006), data pertanian termasuk berasalah dari golongan rumput-rumputan.
dalam kategori data timeseries. Dengan demikian Berdasarkan definisi para ahli diatas, diketahui
untuk membuat perencanaan terkait komoditas akan bahwa produksi padi adalah kegiatan yang
pangan diperlukan model matematika salah satunya dimaksudkan untuk menghasilkan padi guna
model yang sangat populer yaitu Time Series atau memenuhi kebutuhan manusia.
runtun waktu. Time series adalah suatu deret data
yang dikumpulkan berdasarkan urutan waktu dengan 2.2. Peramalan
interval yang sama. Data time series banyak dicatat Menurut Subagyo (1986) dalam Krismiasari
dalam berbagai bidang seperti pertanian, pariwisata, (2012) Peramalan adalah perkiraan atau prediksi
ekonomi dan bisnis, kesehatan dan lain lain. Metode mengenai sesuatu yang belum terjadi pada waktu
time series yang sering digunakan dalam peramalan yang akan datang. Pendapatan perkapita, jumlah
adalah metode metode exponential smoothing Holt- penduduk, produksi, dan sebagainya selalu berubah-
Winters dan Autoregressive Integrated Moving ubah. Perubahan ini dipengaruhi oleh faktor-faktor
Average (ARIMA). yang sangat kompleks. Misalnya penghasilan
Data pertanian seperti data hasil produksi keluarga, tenaga kerja, kebudayaan masyarakat,
biasanya mempunyai pola musiman (Aisha, 2016). lahan dan sebagainya. Perubahan tersebut sulit untuk
Pola musiman mampu dianalisis dengan metode ditentukan sebelumnya secara pasti. Oleh karena itu
exponential smoothing Holt-Winters dan perlu adanya prediksi, dengan kata lain prediksi
Autoregressive Integrated Moving Average bertujuan untuk mendapatkan ramalan pada waktu
(ARIMA). Kelebihan dari metode exponential yang akan datang dengan sedikitnya kesalahan dalam
smoothing Holt-Winters adalah metode ini sangat meramal.
baik meramalkan pola data yang berpengaruh
musiman dengan unsur trend yang timbul secara 2.3. Time Series
bersamaan, metode yang sederhana dan mudah Time series merupakan serangkaian
dimasukkan ke dalam praktek dan kompetitif pengamatan yang terjadi secara berurutan pada
terhadap model peramalan yang lebih rumit (Safitri, interval waktu yang tetap (Wei, 2006).Menurut
2016). Sedangkan kelebihan ARIMA adalah Makridakis, et al (1999) dalam Safitri (2016) langkah
memiliki sifat fleksibel (mengikuti pola data), tingkat penting dalam memilih suatu metode runtun waktu
akurasi peramalan cukup tinggi dan cocok digunakan (time series) yang tepat adalah dengan
untuk memprediksi dengan cepat, sederhana, akurat mempertimbangkan jenis pola data, sehingga metode
dan murah (Hutasuhut 2014). yang paling tepat dengan pola data tersebut dapat
Tujuan dari penelitian ini adalah untuk diuji. Pola data dapat dibedakan menjadi empat,
mengetahui model peramalan produksi padi di yaitu. (1) Pola horizontal terjadi pada saat ini data
Provinsi Gorontalo menggunakan metode berfluktuasi di sekitar nilai ratarata konstan (deret
exponential smoothing Holt-Winters dan ARIMA seperti itu adalah stasioner terhadap nilai rata-
sehingga dapat memberikan masukan kepada ratanya); (2) Pola musiman terjadi jika suatu deret

doi:https://doi.org/10.30869/jtech.v7i1.314, p-issn/e-issn:2252-4002/2546-558X 21
Perbandingan Exponential Smoothing Holt-Winters dan Arima Pada Peramalan
Produksi Padi di Provinsi Gorontalo
JTech 7(1),20 - 26 Akolo I. R.

dipengaruhi oleh faktor musiman. Pola musiman ( 0    1) ,  =konstanta pemulusan pola musiman
merupakan fluktuasi dari data yang terjadi secara
periodik dalam kurun waktu satu tahun, seperti
( 0    1) ,  =konstanta pemulusan pola trend
triwulan, kuartalan, bulanan, mingguan, atau harian. ( 0    1) , L = panjang musiman, bt =
Pola ini sulit dideteksi dan tidak dapat dipisahkan konstanta pemulusan musiman pada waktu t, m =
dari pola trend. Seperti pada penjualan minuman jumlah periode yang akan diramalkan, Yˆt − m =
ringan, es krim, bahan bakar pemanas ruangan; (3)
nilai peramalan untuk m periode ke depan.
Pola siklis terjadi bilamana datanya dipengaruhi oleh
fluktuasi ekonomi jangka panjang seperti yang
berhubungan dengan silkus bisnis; (4) Pola trend
2.3.2. ARIMA
terjadi jika data terdapat pertambahan atau kenaikan
Metode time series yang paling popular dan
atau penurunan sekuler jangka panjang dalam data.
banyak digunakan dalam peramalan adalah
Autoregressive Integrated Moving Average atau yang
2.3.1. Metode exponential smoothing Holt-
dikenal dengan model ARIMA. asumsi yang harus
Winters
dipenuhi dalam pemodelan ARIMA adalah
Exponential smoothing Holt-Winters tepat
stasioneritas data dan error atau residual bersifat
digunakan jika data hanya dipengaruhi pola trend.
white noise. White noise berarti residual tidak
Namun, jika data tidak hanya dipengaruhi pola trend,
berautokorelasi dan berdistribusi normal. Uji yang
tetapi juga pola musiman, maka Eksponensial Holt
digunakan untuk menguji kondisi stasioneritas data
smoothing tidak tepat digunakan untuk melakukan
adalah uji Augmented Dickey Fuller sedangkan uji
peramalan karena tidak dapat mendeteksi adanya
yang digunakan untuk mendeteksi kondisi white
pola musiman. Oleh karena itu, Winters
noise dan normalitas masing-masing adalah uji
menyempurnakan eksponensial Holt smoothing
Ljung-Box dan uji Kolmogorov-Smirnov (Nugraha
dengan menambahkan satu parameter untuk
dkk, 2018).
mengatasi pola musiman pada data. Metode yang
Bentuk umum ARIMA (p,d,q) dengan d
memuat parameter trend dan musiman ini dinamakan
merupakan orde dari differencing adalah sebagai
metode exponential smoothing Holt-Winters. Metode
berikut.
ini dibagi menjadi dua model, yaitu model aditif dan
 p ( B )(1 − B ) Yt = q ( B ) et
d
multiplikatif. Perhitungan dengan model aditif (0.5)
dilakukan jika plot data asli menunjukkan fluktuasi dengan  p ( B ) = (1 − 1 B − 2 B2 − − p B p )
musim yang relatif stabil, sedangkan model
multiplikatif digunakan jika plot data asli q ( B ) = (1 − 1 B − 2 B2 − − q B q )
menunjukkan fluktuasi musim yang bervariasi
(Safitri, 2016) 3. METODOLOGI PENELITIAN
Menurut Makridakis, et.al (1999) dalam Data yang digunakan dalam penelitian ini
Safitri (2016), ada tiga persamaan yang digunakan adalah data produksi padi di Provinsi Gorontalo
dalam metode ini, yaitu: tahun 2009 – 2018. Metode peramalan yang
• Pemulusan eksponensial data asli digunakan dalam penelitian ini ada dua, yakni
X metode Eksponensial Winter Smoothing dan metode
St =  t + (1 +  ) + ( St −1 + bt −1 ) (0.1)
It − L ARIMA.
• Pemulusan pola trend Tahapan penelitian yang digunakan dalam
bt =  ( St − St −1 ) + (1 −  ) bt −1 (0.2) penelitian ini adalah sebagai berikut.
a. Melakukan plot data produksi padi terhadap
• pemulusan pola musiman
Xt
waktu
It =  + (1 −  ) I t − L (0.3)
St b. Melakukan pemodelan data menggunakan
metode exponential smoothing Holt-Winters
• Ramalan m periode ke depan:
c. Melakukan pemodelan data menggunakan
Yˆ = ( S + b m ) I
t −m t t t −L+m (0.4) metode ARIMA dengan tahapan berikut.
dengan I t = nilai pemulusan musiman waktu ke-t, St - Melakukan uji stasioner data
= nilai pemulusan eksponensial waktu ke-t, Xt = - Jika data belum stasioner dalam rata-rata
maka dilakukan differencing dan uji
data ke-t,  = konstanta pemulusan data asli
stasioner kembali

doi:https://doi.org/10.30869/jtech.v7i1.314, p-issn/e-issn:2252-4002/2546-558X 22
Perbandingan Exponential Smoothing Holt-Winters dan Arima Pada Peramalan
Produksi Padi di Provinsi Gorontalo
JTech 7(1),20 - 26 Akolo I. R.

- Menentukan model tentative ARIMA ini dapat menggunakan nilai MAPE. Model yang
(p,d,q) dari pola ACF dan PACF diambil adalah model yang memiliki nilai MAPE
- Uji parameter model ARIMA menggunakan terkecil. Berikut ini beberapa model peramalan
uji-t. produksi padi menggunakan metode exponential
- Uji independensi, uji normalitas, dan white smoothing Holt-Winters multiplikatif.
noise pada residual model ARIMA
- Jika diperoleh model ARIMA lebih dari Winters' Method Plot for produksi padi
Multiplicative Method

Variable
300000
satu, maka dilakukan pemilihan model 250000
Actual
Fits
Forecasts
95.0% PI

ARIMA terbaik menggunakan kriteria, 200000


Smoothing Constants

produksi padi
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2
150000
RMSE 100000
Accuracy Measures
MAPE
MAD
33
31470
MSD 1619188086

- Melakukan peramalan menggunakan model 50000

ARIMA terpilih. 4 8 12 16 20 24
Index
28 32 36 40

d. Membandingkan metode Eksponensial Winter (a)


Smoothing dan ARIMA serta memilih model
terbaik menggunakan kriteria RMSE. Winters' Method Plot for produksi padi
Multiplicative Method
300000 Variable
Actual
Fits
250000 Forecasts
95.0% PI

4. HASIL DAN PEMBAHASAN 200000 Smoothing Constants

produksi padi
Alpha (level) 0.1
Gamma (trend) 0.2
150000 Delta (seasonal) 0.3

4.1. Karakteristik Produksi Padi di Gorontalo 100000


Accuracy Measures
MAPE
MAD
30
30514
MSD 1508339029

50000

Time Series Plot of produksi padi 0


4 8 12 16 20 24 28 32 36 40
160000 Index

140000

120000
(b)
produksi padi

100000

80000

Winters' Method Plot for produksi padi


60000
Multiplicative Method

40000 400000 Variable


Actual
Fits
20000 300000 Forecasts
2 4 6 8 10 12 14 16 18 20 95.0% PI
Index
200000 Smoothing Constants
produksi padi

Alpha (level) 0.1


Gamma (trend) 0.2
100000 Delta (seasonal) 0.7

Accuracy Measures
MAPE 26
0 MAD 26440
Gambar 1. Produksi padi provinsi Gorontalo per-caturwulan MSD 1056082262

-100000

tahun 2009-2015 -200000


4 8 12 16 20 24 28 32 36 40
Index

Gambar 1 menunjukkan bahwa produksi padi (c)


di Provinsi Gorontalo ada pola trend dan musiman. Gambar 2. (a) Plot model peramalan produksi padi dengan
pola musimannya adalah 3 periode. Produksi padi metode winters (α = 0.2,  = 0.2,  = 0,2); (b) Plot
juga terlihat meningkat dibandingkan tahun-tahun model peramalan produksi padi dengan metode
winters (α = 0.1,  = 0.2,  = 0,3); (c) Plot model
sebelumnya, khususnya pada periode 7, 13, 16 dan 19 peramalan produksi padi dengan metode winters
atau produksi padi mengalami peningkatan pada (α = 0.1,  = 0.2,  = 0,7).
periode Januari-April tahun 2011, Januari-April
tahun 2013, Januari-April tahun 2014, dan Januari- Gambar 2 menunjukkan bahwa setelah proses
April tahun 2015. Setelah periode tersebut, produksi trial-error dilakukan, diperoleh 3 model terbaik
padi mengalami penurunan produksi. Hal ini untuk peramalan produksi padi di Provinsi Gorontalo
memberikan gambaran bahwa produksi padi di menggunakan metode eksponensial Winters
Provinsi Gorontalo cukup fluktuatif. smoothing. Berdasarkan Gambar 2 diketahui bahwa
model terbaik yang memberikan nilai MAPE terkecil
adalah model peramalan yang ditunjukkan oleh
4.2. Peramalan Produksi Padi menggunakan Gambar 2c. Model peramalan produksi padi dengan
Metode exponential smoothing Holt- metode eksponensial Winters smoothing (α = 0.1,
Winters  = 0.2,  = 0,7) memberikan nilai MAPE sebesar 26.
Metode exponential smoothing Holt-Winters Dengan demikian, model peramalan produksi padi di
ini menggunakan 3 parameter, yakni parameter level, Provinsi Gorontalo dengan metode eksponensial
parameter trend dan parameter musiman. Oleh karena Winters smoothing multiplikatif (α = 0.1,  = 0.2,
itu, akan diperoleh beberapa model peramalan  = 0,7) adalah sebagai berikut.
dengan parameter yang berbeda. Penentuan model
terbaik pada peramalan produksi padi dengan metode

doi:https://doi.org/10.30869/jtech.v7i1.314, p-issn/e-issn:2252-4002/2546-558X 23
Perbandingan Exponential Smoothing Holt-Winters dan Arima Pada Peramalan
Produksi Padi di Provinsi Gorontalo
JTech 7(1),20 - 26 Akolo I. R.

• Pemulusan eksponensial data asli Tabel 2 menunjukkan bahwa nilai p-value ternyata
X
St = 0.1 t + (1 + 0.1) + ( St −1 + bt −1 ) (0.6) <0.0001. Sehingga p-value < α = 0.05 sehingga tolak
It − L H0. Hal ini mengindikasikan bahwa data produksi
• Pemulusan pola trend padi setelah dilakukan differencing 1 kali, ternyata
bt = 0.2 ( St − St −1 ) + (1 − 0.2) bt −1 (0.7) sudah stasioner.
• pemulusan pola musiman
Xt
3. Menentukan model tentative ARIMA (p,d,q)
I t = 0.7 + (1 − 0.7 ) I t − L (0.8)
St dari pola ACF dan PACF

Autocorrelation Function for C7


4.3. Peramalan Produksi Padi menggunakan 1.0
(with 5% significance limits for the autocorrelations)

0.8
Metode ARIMA 0.6
0.4

Autocorrelation
Peramalan produksi padi dengan metode 0.2
0.0
-0.2
ARIMA melalui beberapa tahapan. Tahapannya -0.4
-0.6

diuraikan sebagai berikut. -0.8


-1.0

2 4 6 8 10 12 14 16 18 20
1. Tahapan pertama adalah memeriksa Lag

kestasioneran data melalui plot data produksi (a)


padi dan uji stasioner menggunakan uji Partial Autocorrelation Function for C7
(with 5% significance limits for the partial autocorrelations)

Augmented Dickey Fuller. 1.0


0.8

Hipotesis: 0.6

Partial Autocorrelation
0.4
0.2
H0: data produksi padi merupakan unit root 0.0
-0.2

(tidak stasioner) -0.4


-0.6
-0.8
H0: data produksi padi tidak unit root (data -1.0

2 4 6 8 10 12 14 16 18 20

stasioner) Lag

(b)
Berikut adalah hasil uji stasioner menggunakan
Gambar 3. (a) Plot ACF setelah differencing 1 kali; (b) Plot
uji unit root dengan bantuan software SAS yang
PACF setelah differencing 1 kali
disajikan dalam Tabel 1.
Berdasarkan Gambar 3, diketahui ada beberapa
Tabel 1. Nilai Statistik Uji Augmented Dickey-Fuller Data Produksi
Padi model ARIMA yang bias digunakan untuk peramalan
produksi padi. Penentuan model ARIMA terbaik
Data  hitung p_value ditentukan berdasarkan nilai RMSE atau nilai MAPE
Produksi Padi -1.40 0.146 terkecil. Model ARIMA yang dapat dibentuk
berdasarkan plot ACF dan PACF diatas ditunjukkan
Tabel 1 menunjukkan bahwa nilai p-value = 0.146 > pada Tabel 3.
α = 0.05 sehingga gagal tolak H0. hal ini
Tabel 3. Model tentative ARIMA produksi padi di Provinsi
mengindikasikan bahwa data produksi padi belum Gorontalo
stasioner.
Model parameter RMSE
2. Oleh karena data belum stasioner, maka ARIMA (1,1,1) signifikan 14237.41
alternative solusi yang dapat dilakukan adalah ARIMA (1,1,2) Tidak signifikan 14288.92
differencing untuk menstasionerkan data ARIMA (3,1,1) Tidak signifikan 16219.58
terhadap rata-rata. Differencing dilakukan 1 kali ARIMA (3,1,3) signifikan 13160.35
setelah itu dilakukan uji stasioner kembali.
Tabel 4. Uji asumsi white noise
Tabel 2. Nilai Statistik Uji Augmented Dickey-Fuller Data Produksi
Padi setelah differencing 1 kali Model p-value α keterangan
ARIMA (1,1,1) 0.000 0.05 Tidak terpenuhi
Data  hitung p_value ARIMA (1,1,2) 0.001 0.05 Tidak terpenuhi
Produksi Padi* -9,37 <0.0001 ARIMA (3,1,1) 0.012 0.05 Tidak terpenuhi
ARIMA (3,1,3) 0.180 0.05 Terpenuhi

doi:https://doi.org/10.30869/jtech.v7i1.314, p-issn/e-issn:2252-4002/2546-558X 24
Perbandingan Exponential Smoothing Holt-Winters dan Arima Pada Peramalan
Produksi Padi di Provinsi Gorontalo
JTech 7(1),20 - 26 Akolo I. R.

Berdasarkan Tabel 3 diketahui bahwa model ARIMA


terbaik adalah model arima (3,1,3) karena 5. Uji independensi, uji normalitas, dan white noise
mempunyai RMSE terkecil. Hal ini didukung juga pada residual model ARIMA
oleh Tabel 4 dimana diketahui bahwa model ARIMA Uji indepedensi residual ini dilakukan dengan
(3,1,3) memenuhi asumsi white noise. Oleh karena melihat pasangan plot ACF dan PACF residual yang
itu, model ARIMA terbaik yang dipilih adalah model dihasilkan oleh model. Selanjutnya membandingkan
ARIMA (3,1,3) karena memenuhi asumsi residual nilai p-value pada output Ljung Box dengan taraf
white noise dan memiliki RMSE terkecil. signifikansi yang digunakan.

4. Uji parameter model ARIMA menggunakan uji- Autocorrelation Function for RESIDUAL ARIMA (3,1,3)
(with 5% significance limits for the autocorrelations)
Partial Autocorrelation Function for RESIDUAL ARIMA (3,1,3)
(with 5% significance limits for the partial autocorrelations)

1.0 1.0

t. 0.8
0.6
0.8
0.6

Partial Autocorrelation
0.4 0.4

Autocorrelation
Berikut ini merupakan hasil estimasi parameter 0.2
0.0
0.2
0.0
-0.2
-0.2

ARIMA (3,1,2) menggunakan Minitab 16. -0.4


-0.6
-0.8
-0.4
-0.6
-0.8
-1.0 -1.0

2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
Lag Lag

Tabel 5. Estimasi parameter ARIMA (3,1,2) untuk peramalan


(a) (b)
produksi padi di Provinsi Gorontalo
Gambar 4. (a) Plot ACF residual ARIMA (3, 1, 3); (b) Plot
Estimasi PACF residual ARIMA (3, 1, 3)
Model parameter p_value
ARIMA 𝜙1 -2.0088 0.000
Gambar 4 menunjukkan bahwa residual tidak saling
(3,1,3) 𝜙2 -1.9581 0.000
berkorelasi. Hal ini dibuktikan dengan tidak adanya
𝜙3 -0.8259 0.000
lag yang melewati garis merah (cut-off) pada plot
𝜃1 -0.9443 0.000
ACF dan plot PACF.
𝜃2 -0.4397 0.084
𝜃3 -0.6460 0.006
Tabel 6. Uji Asumsi normalitas dan white noise

Asumsi p-value α keterangan


Tabel 5 diatas menunjukkan bahwa untuk taraf
normalitas >0.150 0.05 Terpenuhi
signifikansi (α = 5%) hampir semua parameter
White noise 0.180 0.05 Terpenuhi
signifikan, kecuali parameter MA(2) yang memiliki
p-value > α = 5%. Berdasarkan estimasi parameter
diatas, dapat dibentuk model ARIMA (3,1,3) sebagai Selain menggunakan plot ACF dan PACF, untuk
berikut. mengetahui apakah asumsi independensi dan white noise
terpenuhi, dapat dilihat dari output Ljung Box. Nilai
3 ( B )(1 − B ) Yt = 3 ( B ) et
1
(0.9)
p-value dari Ljung Box (asumsi white noise pada Tabel 6)
yang dapat diuraikan menjadi: adalah 0.180. Hal ini berarti bahwa asumsi white noise
3 ( B ) = (1 + 2.0088B + 1.9581B2 + 0.8259B3 ) terpenuhi. Begitupun untuk asumsi normalitas yang
3 ( B ) = (1 + 0.9443B + 0.4397 B2 + 0.6460B3 ) menghasilkan nilai p-value > 0.150 sehingga
menunjukkan bahwa asumsi normalitas terpenuhi. Oleh
atau dapat dituliskan dalam bentuk berikut. karena semua asumsi terpenuhi, maka model ARIMA
(3,1,3) layak digunakan untuk melakukan peramalan
Yt = k1 + k2 (0.10) produksi padi di Provinsi Gorontalo
dimana:
k1 = 3.0088Yt −1 − 0.0507Yt − 2 − 1.1322Yt −3 − 0.8259Yt − 4 4.4. Perbandingan Akurasi Model Peramalan
k2 = (1 + 0.9443et −1 + 0.4397et − 2 + 0.6460et −3 ) Produksi Padi di Provinsi Gorontalo
Untuk memilih model terbaik dalam peramalan
Yt = merupakan ramalan produksi padi tahun ke-t produksi padi di Provinsi Gorontalo, peneliti
Yt-1 = merupakan produksi padi tahun ke t-1 menggunakan nilai RMSE (Root Mean Square Error)
Yt-2 = merupakan produksi padi tahun ke t-2 sebagai dasar pengambilan keputusan. Model peramalan
Yt-3 = merupakan produksi padi tahun ke t-3 yang dipilih adalah model yang memiliki nilai RMSE
terkecil. Perbandingan akurasi model peramalan produksi
model peramalan ARIMA (3,1,3) menunjukkan padi ditampilkan pada Tabel 7.
bahwa produksi padi di Gorontalo dipengaruhi oleh
produksi padi pada 1, 2, 3, dan 4 tahun sebelumnya.

doi:https://doi.org/10.30869/jtech.v7i1.314, p-issn/e-issn:2252-4002/2546-558X 25
Perbandingan Exponential Smoothing Holt-Winters dan Arima Pada Peramalan
Produksi Padi di Provinsi Gorontalo
JTech 7(1),20 - 26 Akolo I. R.

Tabel 7. Estimasi parameter ARIMA (3,1,2) untuk peramalan


produksi padi di Provinsi Gorontalo
DAFTAR PUSTAKA
Model Peramalan RMSE Aisha, S.M. (2016). Pemodelan Seasonal
Holt-Winters (multiplikatif) 19859.60 Generalized Space Time Autoregressive
ARIMA (3,1,2) 13160.35 (SGSTAR) studi kasus: produksi padi di
Kabupaten Demak, Kabupaten Boyolali dan
Berdasarkan Tabel 7 diketahui bahwa model terbaik Kabupaten Grobogan. Semarang: Universitas
untuk peramalan produksi padi di Provinsi Gorontalo Diponegoro [skripsi].
adalah model peramalan dengan metode Badan Pusat Statistik [BPS}. (2018). Badan Pusat
ARIMA (3,1,3) karena model ini memberikan nilai Statistik Provinsi Gorontalo.
RMSE terkecil yakni 13160,35. Hutasuhut, A.H., W. Anggraeni, dan R. Tyasnurita.
2014. Pembuatan aplikasi Pendukung
Hasil peramalan produksi padi ditampilkan pada Keputusan untuk Peramalan Persediaan
Tabel 8. Bahan Baku Produksi Plastik Blowing dan
Inject menggunakan Metode ARIMA Di CV.
Tabel 7. Hasil peramalan produksi padi di Provinsi Gorontalo Asia. Jurnal Teknik ITS 3(2), 169-174.
Tahun 2019 Krismiasari, S. 2012. Prediksi produksi padi di
Kabupaten Kapar dengan metode Box-
Periode Produksi Padi
Jenkins. Pekanbaru: UIN Sultan Syarif Kasim
Januari – April 2019 52816
Riau [skripsi]
Mei – Agustus 2019 133084
Nugraha, D., Made, OA. I Putu, W. (2018).
September – Desember 2019 126174
Pendugaan Produksi dan Tantangan
Usahatani Kedelai di Indonesia menggunakan
5. KESIMPULAN Metode ARIMA. Jurnal Penelitian Pertanian
Berdasarkan uraian pembahasan dapat Tanaman Pangan, 22(3), 155-163.
disimpulkan bahwa model peramalan terbaik untuk Nurrohmah, N. (2016). Analisis produksi dan
produksi padi di Provinsi Gorontalo adalah model pendapatan petani padi sawah Kecamatan
peramalan dengan metode metode ARIMA (3,1,3) Mowila Kabupaten Konawe Selatan. Kendari;
karena memberikan nilai RMSE terkecil. Hasil Universitas Halu Oleo [skripsi].
proyeksi menunjukkan bahwa produksi padi di Ramadhona, G., Budi, D.S. Fitri, A.B. (2018).
Provinsi Gorontalo untuk tahun 2019 untuk periode Prediksi Produktivitas Padi menggunakan
januari-april cenderung menurun dibandingkan tahun Jaringan Syaraf Tiruan Backpropagation.
sebelumnya, akan tetapi pada periode selanjutnya Jurnal Pengembangan Teknologi Informasi
produksi padi meningkat dibandingkan periode mei- dan Ilmu Komputer, 2(12), 6048-6057.
desember pada tahun sebelumnya. Produksi padi Safitri, T. (2016). Perbandingan peramalan
tidak hanya bergantung pada musim atau keadaan menggunakan metode exponential smoothing
cuaca, tapi juga dipengaruhi oleh kebijakan dari Holt-Winters dan ARIMA. Semarang:
pemerintah setempat dalam bidang pertanian. UNNES [skripsi].
Wei, W.W.S. (2006). Time Series Analysis
Univariate and Multivariate Methods second
6. SARAN edition. USA: Pearson Education, inc.
Dalam menyusun model peramalan produksi
padi sebenarnya perlu memperhatikan faktor-faktor
lain yang turut mempengaruhi produksi padi, seperti
luas tanam, luas panen, serangan penyakit, keadaan
iklim dan cuaca, dll. Oleh karena itu, disarankan
dalam penelitian selanjutnya mungkin dapat
menggunakan metode ARIMAX untuk peramalan
sehingga faktor-faktor yang mempengaruhi produksi
padi dapat dimasukkan dalam model peramalan
produksi padi selanjutnya.

doi:https://doi.org/10.30869/jtech.v7i1.314, p-issn/e-issn:2252-4002/2546-558X 26
Perbandingan Exponential Smoothing Holt-Winters dan Arima Pada Peramalan
Produksi Padi di Provinsi Gorontalo

Anda mungkin juga menyukai