Kajian Model Peramalan Clustering Time Series untuk Penggerombolan Provinsi di Indonesia berdasarkan Harga Beras

Abstract

Sebagian besar masyarakat Indonesia mengkonsumsi beras sebagai bahan pokok utama. Tinggi rendahnya harga beras berdampak kepada para petani dan masyarakat terutama yang tidak mampu. Jika harga beras tinggi dapat mengakibatkan kelangkaan bagi masyarakat yang tidak mampu, sebaliknya jika harga beras rendah akan mengurangi kesejahteraan para petani. Peramalan harga beras merupakan salah satu informasi penting diharapkan mampu menjadi bahan pertimbangan harga beras terbaik dimasa mendatang yang tidak merugikan pihak tertentu. Pemodelan data deret waktu dengan banyak provinsi dapat dilakukan satu persatu. Akan tetapi, semakin banyak provinsi yang digunakan menyebabkan proses pemodelan secara satu persatu menjadi tidak efisien. Proses pemodelan dapat menjadi lebih efisien dengan melakukan penataan provinsi yang cukup banyak kedalam suatu gerombol. Penggerombolan dapat diterima dan dilakukan apabila presisi nilai prediksi dan ramalan yang diperoleh sama baiknya dengan pemodelan yang dilakukan secara satu persatu. Sehingga menjadi ide dasar penelitian ini dengan melakukan penggerombolan provinsi di Indonesia berdasarkan karakteristik dari data, setelah itu melakukan pemodelan dan peramalan level individu dan level gerombol selanjutnya dilakukan peramalan 12 bulan kedepan untuk masing-masing gerombol. Analisis gerombol data deret waktu (TSClust) yang digunakan pada penelitian ini ialah hierarki dengan metode pautan rataan pada autokorelasi harga beras konsumen perdesaan 32 provinsi di Indonesia dengan menggunakan ukuran ketidakmiripan yaitu jarak korelasi. Teknik peramalan yang digunakan menggunakan pemodelan autoregressive integrated moving average (ARIMA). Penggerombolan hierarki dengan mencoba semua pautan diperoleh hasil pautan rataan menghasilkan koefisien cophenetic untuk jarak korelasi tertinggi dibandingkan dengan pautan lainnya yaitu sebesar 0.95. Jumlah gerombol yang di hasilkan 4 gerombol yaitu (A) pola musiman fluktuatif, (B) pola campuran (musiman dan non musiman) fluktuatifnya relatif stabil, (C) pola non musiman, kenaikan harga periode awal relatif tinggi dan (D) pola non musiman, kenaikan harga periode akhir relatif tinggi. Pemodelan ARIMA level individu dan gerombol menghasilkan rata-rata MAPE sebesar 3.38% dan 4.15%. Pemodelan ARIMA level gerombol dengan 4 gerombol memberikan efisiensi yang tinggi karena hanya dengan melakukan 4 kali pemodelan menghasilkan nilai keakuratan tidak jauh berbeda dengan pemodelan level individu. Nilai MAPE tidak melebihi 10% sehingga pemodelan level gerombol tergolong baik dan representatif untuk dilakukan peramalan. Hasil peramalan masing-masing gerombol untuk 12 periode kedepan untuk Gerombol A dan B berfluktuatif, sementara Gerombol C dan D konstan. Jika di urutkan peramalan harga beras tertinggi ke rendah berdasarkan hasil penggerombolan yaitu Gerombol D, Gerombol C, Gerombol B dan Gerombol A