See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/353166996

Google Colab (Python)

Article · July 2021

CITATIONS READS

0 3,471

1 author:

Ridha Maya Faza Lubis

Southern Taiwan University of Science and Technology
19 PUBLICATIONS 5 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Doctor of Philosophy View project

FORECASTING View project

All content following this page was uploaded by Ridha Maya Faza Lubis on 21 July 2021.

The user has requested enhancement of the downloaded file.

JUTISAL (Jurnal Teknik Informatika Komputer Universal)

PENGEMBANGAN ANALISA ALGORITMA AUTOREGRESSIVE

INTEGRATED MOVING AVERAGE (ARIMA-BOX JENKINS)
PEMODELAN MENGGUNAKAN GOOGLE COLAB (PHYTON)

Ridha Maya Faza Lubis

Akademi Manajemen Informatika dan Komputer Universal
Email: ridhamayafazalubis@gmail.com

Abstrak
Komoditas dalam strategis pertanian merupakan sebagai hasil dari hasil pertanian utama yang
berperan penting dalam kehidupan sehari-hari untuk memenuhi suatu kebutuhan. Permintaaan
dalam pasar terhadap komoditas ini bernilai sangat tinggi dikarenakan hasi dari pertanian
tersebut sangat dibutuhkan hampir setiap masyarakat. Sebagai contoh hasil dari komoditas
pertanian yaitu, cabai, bawang merah, bawang putih, beras, jagung dan sebagainya. Pada hal ini,
kebutuhan komoditas pertanian tersebut suatu kebutuhan untuk memenuhi kehidupan sehari-
hari sebagi contoh untuk makanan utama atau sebagai bumbu dalam masakan. Sebagai halnya,
dalam dunia perindustrian besar juga memberikan permintaan yang amat tinggi terhadap
komiditi tersebut. Sebagai contohnya yaitu seperti cabai. Dikarenakan cabai merupakan suatu
bumbu masakan yang dapat digunakan sebagai penyedap untuk dalam berbagai produk
makanan olahan sebagai contoh yaitu perusahaan mie instan dan perusahaan yang bergerak
dalam sambal instan dan masih banyak lagi. Penelitian ini untuk memperoleh hasil
pengembangan Algoritma ARIMA pada komoditas peramalan harga cabai dengan
menggunakan Google Colab (Phyton), Minitab, E-views 9, hasil yang diperoleh dari penelitian
tersebut tingkat kevalidan data untuk peramalan harga cabai merah 99%, untuk tingkat nilai
error yang didapat nilainya Mean Square Error (MSE) yaitu nilai tingkat yang paling kecil yaitu
senilai 0,23% dan hasil yang diapatkan untuk pemilihan metode terbaik dari ARIMA yaitu
(2,1,0) dikarenakan nilai MSE tersebut yang paling terbaik dan dapat menentukan untuk hasil
peramalan harga cabai untuk dalam peridoe 12 bulan kedepan pada bulan januari pada bulan
januari 2017 berkisar antara Rp. 12768,5 s.d Rp. 30765,8 dan begitu seterusnya sampai dengan
bulan desember 2017.
Kata Kunci: Algoritma ARIMA; Google Colab (Phyton), Cabai.

1. PENDAHULUAN
Peramalan merupakan suatu metode/teknik untuk menentukan suatu perkiraan
nilai pada masa yang akan datang dengan melihat data masa lalu maupun data pada saat
ini. Peramalan berperan ke berbagai banyak bidang contohnya seperti bidang ekonomi,
bidang keuangan, bidang pemasaran, bidang produksi, bidang riset operasional, bidang
administrasi negara, bidang meteorologi, bidang geofisika, bidang geofisika, bidang
kependudukan bahkan ke bidang pendidikan [1] Penelitian tentang peramalan harga
komoditas dengan menggunakan metode algoritma ARIMA telah banyak dilakukan
oleh penelitian sebelumnya (terdahulu). Salah satunya yaitu (Kuhar,2019) membuat
penelitian dengan peramalan suatu harga komoditas di pertanian India dengan
menggunakan metode algoritma ARIMA, hasil dari penelitian tersebut bahwasanya
model algoritma ARIMA (1,1,2) merupakan model terbaik dengan MAPE senilai 2,3%.
[2]

44
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

Dalam penelitian-penelitian terdahulu, dalam metode time series sering

digunakan dan telah diimplementasikan dalam memprediksi suatu penelitian (observasi)
yang selalu berkaitan oleh waktu yang memprediksi time series dalam berbasis
multivariet. Dalam penelitian tersebut metode dalam time series sering digunakan
dengan baik dalam meprediksi harga naik turunnya harga cabai di Indonesia, dan
sebagai upaya untuk mengantisipasi dalam permintaan konsumen di pasar.
Pemerintah sangat membutuhkan sebuah peramalan untuk melihat bagaimana
kondisi suatu ekonomi di negara untuk kedepannya dengan mengetahui pengetahuan
dari data pola tren yang telah sudah diperoleh atau dengan mencari cara yang disebut
dengan kebijakan suatu negara/nasional yang dapat mensejahterakan rakyatnya. Dalam
proses kegiatan ini, peramalan sangat dibutuhkan untuk dalam permintaan produk di
masa–masa yang akan datang yang merupakan hal yang sangat diperlukan yang
berkaitan dengan merencanakan suatu produksi, penjadwalan, penyediaan sumber daya,
bahkan yang berkaitan dengan logistik ke daerah - daerah pemasarannya. Demikian juga
yang dapat dilakukan dengan para ahli dalam bidang meteorologi, yang khususnya
untuk mengetahui suatu peramalan untuk beberapa hari ke depan yang berkaitan dengan
suatu kondisi-kondisi alam yang ada di suatu wilayah, contohnya yaitu: seperti suhu,
curah hujan dan kecepatan angin. [3][4][5] Model Autoregressive Integrated Moving
Average (ARIMA) telah dipelajari secara mendalam oleh George Box dan Gwilym
Jenkins (1976) dan kedua peneliti disinonimkan dengan proses ARIMA yang diterpakan
untuk analisis deret waktu, peramalan dan pengendalian. Box dan Jenkins secara efektif
telah berhasil mencapai kesepakatan mengenai informasi relevan yang diperlukan untuk
memahami dan menggunakan model-model ARIMA untuk deret waktu satu variabel
(univariate). Model ARIMA terdiri dari dua aspek, yaitu aspek Autoregressive dan
moving average (rata-rata bergerak). Secara umum, model ARIMA ini dituliskan
dengan notasi ARIMA (p, d, q), dimana p menyatakan orde dari proses pembedaan
(differencing), dan q menyatakan pembedaan orde dari proses moving average [6].
ARIMA (Autoregressive Integrated Moving Average) merupakan suatu metode
yang menggunakan analisis deret waktu (time series) yang banyak diperlukan untuk
peramalan suatu data untuk kedepannya. Metode algoritma ARIMA teknik
pengambilannya menggunakan nilai di masa lalu dan di masa sekarang dari suatu
variabel yang dependen untuk menghasilkan suatu metode peramalan yang akurat dalam
jangka yang pendek (Hirata et al.,2015). Model algoritma ARIMA terbagi ke dalam tiga
(3) kelompok metode yaitu model algoritma autoregressive (AR), model algoritma
moving average (MA) dan model metode campuran yaitu ARIMA (Autoregressive
Integrated Moving Average), salah satu komoditas dalam holtikultura yang sangat
berpotensial, dikarenakan mempunyai suatu nilai dalam ekonomi yang sangat
berpengaruh dan merupakan yang paling berkembang untuk sektor di Indonesia Salah
satu yang merupakan tanaman yang merupakan contoh dalam holtikultura yaitu seperti
buah, sayur, bunga dan satu lagi yaitu tanaman hias. Yang merupakan salah satu yang
dapat mempengaruhi dalam dunia perekonomian secara nasional seperti contoh yaitu
tanaman sayuran. Komoditas salah satu aset yang bernilai tidak homogen dan bersifat
beresiko dan nilai return-nya berkemungkinan berbeda dengan substansial antar
komoditas satu dengan yang lainnya. Komoditas dipengaruhi oleh suatu kondisi dimana
kondisi permintaan dan penawaran. Komoditas dapat dikelompokkan menjadi tiga
kategori yaitu kategori dalam komoditas energi, kategori dalam komoditas logam dan
kategori dalam komoditas pertanian. Komoditas dalam bidang energi contohnya sebagai
berikut yaitu minyak, gas, batu bara dan sebagainya. Komoditas dalam bidang logam

45
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

contohnya sebagai berikut yaitu emas, tembaga dan perak. Sedangkan, komoditas dalam
bidang pertanian yaitu kopi, jagung, kapas, minyak kelapa sawit, dan sebagainya. Dari
beberapa jenis komoditas yang paling sering diperdagangkan yaitu komoditas energy
dan komoditas logam [7].
Pada penelitian ini dilakukan pengembangan dari Algoritma ARIMA yang
menggunakan Google Colab (Phyton) untuk mengetahui bagaimana pengembangan
Algoritma ARIMA terhadap prediksi harga Cabai Merah di Indonesia.

2. METODE PENELITIAN
2.1 Proses Pengerjaan ARIMA (Box-Jenkins)
Langkah pertama identifikasi harga dan kapasitas dari produksi cabai merah
disetiap tahunnya dengan menggunakan minitab 19 dan E-views 9. Langkah kedua data
tersebut akan dibagi dalam dua pembagian yaitu, data in sample dan out sample. Setelah
itu lakukan utnuk identifikasi pola dari data cabai tersebut apakah sudah bisa dikatakan
nilai tersebut sudah stasioner atau belum. Apabila data tersebut belum belum stasioner
maka dilakukan namanya differencing. Setelah itu dilakukan pola dari ACF dan PACF.
Tentukan apabila pola ACF dan PACF tersebut memiliki model sementara dari model
ACF dan PACF. Mencari nilai dari RMSE dan MAPE yang paling terkecil dan tingkat
error nya yang paling kecil. Dilakukan pemilihan metode ARIMA untuk periode 12
bulan kedepan.

3. HASIL DAN PEMBAHASAN

3.1 Pengolahan data
Dilakukan pengumpulan data, yaitu berupa data harga Cabai Merah secara Nasional
dari Januari 2001 s.d Desember 2016.
Tabel 2. Daftar Harga Perkembangan Cabai Merah Januari 2001 S.D Desember 2016
Bulan - Tahun A1 A2 A3 A4
Januari- 2001 3,756.96 40278,56 23074,619 12002,57
Februari- 2001 3,756.96 42224,96 23315,288 11946,23
Maret- 2001 3,531.24 44028,9 23541,789 11900,08
….. ….. ….. ….. …..
Desember-2016 255884,8 166873,9 31786,600 20217,1

Keterangan :
A1 : Harga cabai
A2 : Produksi cabai (ton)
A3 : Permintaan cabai (ton)
A4 : Luas panen cabai (ha)

Dari tabel diatas, diperoleh data harga perkembangan harga Cabai Merah secara
Nasional sangat berfluktuasi, harga cabai dari tahun 2015 s.d tahun 2016 mengalami

46
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

sedikit perubahan signifikan yang akan menjadi patokan untuk peralaman harga cabai
untuk periode selanjutnya.

3.2 Pembuatan Proses Grafik Cabai Merah

Gambaran data masukan adalah gambaran grafik data setelah dilakukan pra-
proses dapat dilihat pada Gambar 1.

Gambar 1. Hasil Olahan Data Perkembangan Harga Cabai Merah pada tahun
2001-2016

Gambar 1. Dari grafik diatas bahwasanya terdapat harga yang mengalami fluktuasi
tinggi yang diakibatkan dari beberapa factor seperti musim paceklik yang membuat
harga cabai merah tersebut mengalami pelonjakan nilai yang tinggi berkisar harga
sampai Rp. 96.990,36/Kg.

SER01
90,000

80,000

70,000

60,000

50,000

40,000

30,000

20,000

10,000

0
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15

Gambar 2. Karakteristik Perkembangan Harga Cabai Merah pada tahun 2001-2016

dengan E-views 9

Gambar 2. Dari grafik diatas data diproses dengan menggunakan E-views 9 data
bahwasanya terdapat harga yang mengalami fluktuasi tinggi yang diakibatkan dari
beberapa faktor seperti musim paceklik yang membuat harga cabai merah tersebut
mengalami pelonjakan nilai yang tinggi berkisar harga sampai Rp. 96.990,36/Kg

47
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

3.2.1 Analisa Pengembangan Algoritma Autoregressive Moving Average

(ARIMA)

3.2.1.1 Proses Pengerjaan Algoritma ARIMA Menggunakan Minitab 19 dan E-views

9
Langkah Pertama kali yang dilakukan dalam identifikasi model yaitu dengan
melihat pola data dari harga cabai merah secara nasional dengan menggunakan data
time series plot.

Gambar 3. Proses Grafik Time Series Plot cabai Data 2001-2016

Gambar 3 Untuk dapat memperjelas kestasioneran data, maka dilakukan

analisis untuk data trend yang seperti gambar dibawah ini, yang menjelaskan
bahwaharga cabai merah secara nasional mengalami pola data trend yang menurun,
sehingga data harga cabai merah secara nasional tersebut dapat dikategorikan sebagai
data yang tidak stasioner, maka dengan ini dilakukan differencing dan hasil dari
differencing tersebut akan dilakukan Uji ACF dan PACF.

Gambar 4. Grafik Forecasting & Actuals Harga cabai merah tahun 2001-2016

48
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

Gambar 4. Yaitu dalam penelitian ini dilakukan Namanya uji stasionaritas yang
menggunakan empat metode yaitu metode grafik, metode uji Augmented Dickey Fuller
(ADF), uji Philips-Perron (PP) dan uji The Kwiatkowski, Philips, Schmidt and Shin
(KPPS). Sebenarnya ketiga uji stasionaritas tersebut sebenarnya tidak perlu semua
dikarenakan keempat metode ini merupakan metode yang popular yang digunakan
untuk menguji stasionaritas dalam peramalan ARIMA Box-Jenkins untuk
menghasilkan grafik forecasting dan actual
1) Metode Grafik
Dari gambar 4 dapat dilihat bahwasanya diketahui data cabai merah di atas
memilik nilai rata-ratanya yaitu 17573,95. Dari grafik cabai merah secara nasional
dapat memperlihatkan bahwa nilai dari fluktuasi data berada diantara nilai rata-rata
yang dapat dikatakan konstan dan dalam variansi nilainya data dari wkatu ke waktu
yang mempunyai nilai fluktuasi yang bernilai tetap atau konstan. Oleh karena itu,
dapat dilihat dengan menggunakan metode dalam grafik, data cabai merah secara
nasional merupakan data yang stasioner.

2) Pengujian Uji Augmented Dickey-Fuller (ADF)

Tabel dibawah ini merupakan tabel nilai dari pengujian Uji Augmented Dickey-
Fuller (ADF).

Tabel 3. Uji Stasionaritas dengan Uji Augmented Dickey-Fuller (ADF)

Augmented Statistik t P-Value

Dickey-Fuller
-4,635327 0,0002
(ADF)
Nilai Kritik 1% -3,466994
McKinnon
5% -2,877544
10% -2,575381
Sumber: Data Diolah

Langkah - langkah dalam hipotesis yang dilakukan dalam Uji Augmented Dickey-Fuller
(ADF), yaitu sebagai berikut:
a. Menentukan H0 dan Hα
H0 = Merupakan data Unit Root Test (Data yang tidak stasioner)
Hα= Merupakan data yang tidak Unit Root Test (Data Stasioner)
b. Menentukan nilai tingkatan signifikansi (α)
α = 0,05
c. Menentukan nilai Statistik Uji
Nilai |ADF| = 2,877544
Nilai |t – statistics| = 4,635327
d. Menentukan Wilayah Kritis
|ADF| < | t – statistics |
e. Menghitung Statistik Uji
Karena 2,877544 < 4,635327 maka H0 ditolak.
f. Kesimpulan

49
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

Jadi, dapat disimpulkan bahwasanya nilai dari signifikansi 5% didapatkan kesimpulan

bahwa data tersebut sudah stasioner.

3) Pengujian Uji Philips-Perron (PP)

Tabel dibawah ini merupakan tabel nilai dari pengujian Uji Augmented Dickey-
Fuller (ADF).

Tabel 4. Uji Stasionaritas dengan Uji Philips-Perron (PP)

Philips-Perron Statistik t P-Value

(PP)
-4,277790 0,0007
Nilai Kritik 1% -3,466994
McKinnon
5% -2,877544
10% -2,575381
Sumber: Data Diolah

Langkah - langkah dalam hipotesis yang dilakukan dalam Uji Philips-Perron (PP),
yaitu sebagai berikut:
a. Menentukan H0 dan Hα
H0 = Merupakan data Unit Root Test (Data yang tidak stasioner)
Hα= Merupakan data yang tidak Unit Root Test (Data Stasioner)
b. Menentukan nilai tingkatan signifikansi (α)
α = 0,05
c. Menentukan nilai Statistik Uji
Nilai |ADF| = 2,877544
Nilai |t – statistics| = 4,277790
d. Menentukan Wilayah Kritis
|ADF| < | t – statistics |
e. Menghitung Statistik Uji
Karena 2,877544 < 4,277790 maka H0 ditolak.
f. Kesimpulan
Jadi, dapat disimpulkan bahwasanya nilai dari signifikansi 5% didapatkan
kesimpulan bahwa data tersebut sudah stasioner.

4) Pengujian Uji Kwiatkowski, Philips, Schmidt and Shin (KPPS)

Tabel dibawah ini merupakan tabel nilai dari pengujian Uji Kwiatkowski, Philips,
Schmidt and Shin (KPPS)

50
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

Tabel 5. Uji Stasionaritas dengan Uji Kwiatkowski, Philips, Schmidt and Shin (KPPS)

Kwiatkowski, Philips, Schmidt Statistik t

and Shin (KPPS)
1,593286
Nilai Kritik 1% 0,739000
McKinnon
5% 0,463000
10% 0,347000
Sumber: Data Diolah

Langkah - langkah dalam hipotesis yang dilakukan dalam Uji Kwiatkowski, Philips,
Schmidt and Shin (KPPS), yaitu sebagai berikut:
a. Menentukan H0 dan Hα
H0 = Merupakan data Unit Root Test (Data yang tidak stasioner)
Hα= Merupakan data yang tidak Unit Root Test (Data Stasioner)
b. Menentukan nilai tingkatan signifikansi (α)
α = 0,05
c. Menentukan nilai Statistik Uji
Nilai |ADF| = 0,463000
Nilai |t – statistics| = 1,593286
d. Menentukan Wilayah Kritis
|ADF| < | t – statistics |
e. Menghitung Statistik Uji
Karena 0,463000 < 1,593286 maka H0 ditolak.
f. Kesimpulan
Jadi, dapat disimpulkan bahwasanya nilai dari signifikansi 5% didapatkan
kesimpulan bahwa data tersebut sudah stasioner.
4. Cek Diagnosa Residual Model
Pada pengujian cek doagnosa residual model ini digunakan nilai white noise dan
nilai yang berdistribusi normal dan yang model yang terbaik yaitu ARIMA
(2,1,0) beserta nilai dari statistik seperti tabel 5.6 dibawah ini. Untuk penguji
residual dilakukan menggunakan metode Ljung-Box berdasrakan nilai dari Chi-
Square untuk nilai white noise pada model ARIMA (2,1,0) beserta nilai dari
statistic yang ditampilkan pada tabel dibawah ini:
Tabel 6. Pengujian Ljung-Box pada ARIMA model (2,1,0)

Lag Chi - Square P -Value Kesimpulan

12 12,16 0,144 White Noise
24 21,40 0,374 White Noise
36 35,11 0,323 White Noise
48 42,67 0,529 White Noise
Sumber : Data Diolah

51
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

a. Hasil Peramalan Harga Cabai Merah secara Nasional

Hasil dari pengujian signifikansi parameter dari diagnose residual model maka
didapat model yang terbaik yaitu model ARIMA (3,1,0) maka dapat dihasilkan
peramalan untuk 12 periode kedepan seperti hasil ramalan dibawah ini:

Tabel 7 Peramalan Harga Cabai Merah Secara Nasional untuk tahun 2017

Bulan Batas Bawah Ramalan Batas Atas

(Lower) (Upper)
Januari 11868,2 25091,9 38315,5
Februari 9679,8 26274,9 42870,0
Maret 7414,1 25659,0 43903,9
April 5919,7 25294,0 44668,3
Mei 4569,6 25514,7 46459,9
Juni 3327,1 25863,7 48400,4
Juli 2052,8 25993,0 49933,2
Agustus 863,0 26036,4 51209,9
September -237,4 26130,5 52498,5
Oktober -1265,9 26273,7 53813,2
November -2258,8 26408,4 55075,6
Desember -3217,6 26523,9 56265,5
Sumber : Data Diolah

Tabel 7 dapat dilihat bahwa untuk peramalan harga cabai merah secara nasional pada
bulan januari berkisar antara Rp.11868,2 hingga Rp. 28315,5 begitu juga seterusnya
sampai dengan bulan desember 2017.

1. INPUT DATA
from datetime import datetime
import numpy as np #untuk perhitungan numerik s
eperti log, exp, sqrt dll
import pandas as pd #untuk membaca dan menyimpan
data, pre-processing
import matplotlib.pylab as plt #untuk visualisasi

#untuk memastikan plot matplotlib dibuat di notebook Jupyte

r itu sendiri
%matplotlib inline
from statsmodels.tsa.stattools import adfuller

52
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

from statsmodels.tsa.stattools import acf, pacf

from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.tsa.arima_model import ARIMA
from matplotlib.pylab import rcParams
rcParams['figure.figsize'] = 10, 6

2. MEMBACA DATA CSV

ataset = pd.read_csv('datatesis.csv')

#parsing string menjadi tipe data datetime

dataset['Bulan'] = pd.to_datetime(dataset['Bulan'],infer_da
tetime_format=True) #mengubah dari string menjadi datetime
indexedDataset = dataset.set_index(['Bulan'])
indexedDataset.head(5)

OUTPUT

dataset['Harga'] = dataset['Harga'].astype('float64')
dataset['Harga'].dtype

dataset["Harga"] = pd.to_numeric(dataset["Harga"])
#buat grafik
plt.xlabel('Tahun')
plt.ylabel('Harga')
plt.plot(indexedDataset)

OUTPUT:

53
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

#menentukan rolling statistic

rolmean = indexedDataset.rolling(window=12).mean()
rolstd = indexedDataset.rolling(window=12).std()
print(rolmean,rolstd)

Output:

#gambar rolling statistics

orig = plt.plot(indexedDataset, color='blue', label='Origi
nal')
mean = plt.plot(rolmean, color='red', label='Rolling Mean'
)
std = plt.plot(rolstd, color='black', label='Rolling Std')
plt.legend(loc='best')
plt.title('Rolling Mean & Standard Deviation')
plt.show(block=False)

OUTPUT:

54
JUTISAL (Jurnal Teknik Informatika Komputer Universal)

print('Hasil Uji Dickey Fuller:')

dftest = adfuller(indexedDataset['Harga'], autolag='AIC')

dfoutput = pd.Series(dftest[0:4], index=['Uji Statistik','

p-value','#Lags Used','Jumlah Observasi'])
for key,value in dftest[4].items():
dfoutput['Critical Value (%s)'%key] = value

print(dfoutput)

OUTPUT:
Hasil Uji Dickey Fuller:
Uji Statistik -0.656123
p-value 0.857790
#Lags Used 12.000000
Jumlah Observasi 167.000000
Critical Value (1%) -3.470126
Critical Value (5%) -2.879008
Critical Value (10%) -2.576083
dtype: float64

4. KESIMPULAN
Kesimpulan yang diperoleh dari penelitian ini bahwa tingkat keakuratan data
yang diproses tingkat validasi 99%, hasil peramalan 12 bulan kedepan model ARIMA
yang terbaik yaitu model ARIMA (2,1,0) dikarenakan mempunyai nilai MSE paling
terkecil dan hasil dari menggunak E-Views 9 menunjukan bahwasanya data yang paling
tertinggi pada tahun 2013 yang mengalami tingkat perubahan data yang signifikan
akibat musim paceklik.

55
 JUTISAL (Jurnal Teknik Informatika Komputer Universal)

REFERENCES
[1] A. Setiawan, A. Wibowo, and S. Wijaya, “APLIKASI PERAMALAN
PENJUALAN KOSMETIK DENGAN METODE ARIMA Alexander,” Konf.
Nas. Sist. Inf., pp. 1–10, 2013.
[2] A. Method, S. E. Smoothing, and L. T. Erlangga, “Peramalan Harga Cabai Rawit
Merah di Jakarta Pusat Mengunakan Metode Moving Average dan Single
Exponential Smoothing,” vol. 1, no. 2016, pp. 2016–2019, 2018.
[3] S. Aziz, A. Sayuti, and Mustakim, “Penerapan Metode ARIMA untuk Peramalan
Pengunjung Perpustakaan UIN Suska Riau Syarfi,” Semin. Nas. Teknol.
Informasi, Komun. dan Ind., vol. 9, no. January, pp. 186–193, 2017.
[4] A. R. Nisa, T. Tarno, and A. Rusgiyono, “Peramalan Harga Cabai Merah
Menggunakan Model Variasi Kalender Regarima Dengan Moving Holiday Effect
(Studi Kasus: Harga Cabai Merah Periode Januari 2012 Sampai Dengan
Desember 2019 Di Provinsi Jawa Barat),” J. Gaussian, vol. 9, no. 2, pp. 170–
181, 2020, doi: 10.14710/j.gauss.v9i2.27819.
[5] I. Milasari, “Peramalan Jumlah Penderita Demam Berdarah Menggunakan Model
ARIMA Musiman,” Tugas Akhir Mhs. Univ. Islam Negeri Malang, 2008.
[6] L. Hanum, “Studi Perbandingan Metode ARIMA ( Box- -Jenkins ) dan Metode
Backpropagation dalam Memprediksi Indeks Harga Saham Gabungan,” 2017.

56

View publication stats