| dc.description.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 | id |
