net/publication/353166996
CITATIONS READS
0 3,471
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Ridha Maya Faza Lubis on 21 July 2021.
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)
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.
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.
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. 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)
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.
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)
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.
50
JUTISAL (Jurnal Teknik Informatika Komputer Universal)
Tabel 5. Uji Stasionaritas dengan Uji Kwiatkowski, Philips, Schmidt and Shin (KPPS)
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)
51
JUTISAL (Jurnal Teknik Informatika Komputer Universal)
Tabel 7 Peramalan Harga Cabai Merah Secara Nasional untuk tahun 2017
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
52
JUTISAL (Jurnal Teknik Informatika Komputer Universal)
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)
Output:
OUTPUT:
54
JUTISAL (Jurnal Teknik Informatika Komputer Universal)
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