Simulasi dan Penerapan Model Seasonal Autoregressive pada Peramalan Harga Cabai Merah Besar di Lima Provinsi di Pulau Jawa

Abstract

Komoditas cabai merah besar merupakan komoditas yang perlu mendapatkan penanganan serius karena menjadi salah satu penyumbang inflasi. Salah satu upaya penanganan dari sudut pandang statistika adalah dengan melakukan peramalan. Peramalan harga cabai merah besar dapat dilakukan dengan metode Seasonal Autoregressive Integrated Moving Average (SARIMA), dikarenakan terdapat pola musiman pada data. Metode SARIMA merupakan gabungan dari berbagai macam model, salah satunya adalah model seasonal autoregressive (seasonal AR). Pada data harga cabai merah besar terdapat permasalahan yaitu adanya pencilan aditif dan minimnya ketersediaan data bulanan. Pencilan aditif merupakan suatu tipe pencilan yang memberikan pengaruh pada satu periode saja dalam data deret waktu. Pengaruh dari faktor-faktor tersebut dapat lebih terlihat, apabila dilakukan simulasi yang dirancang dengan pendekatan rancangan faktorial. Simulasi dilakukan dengan pendekatan rancangan faktorial tiga faktor yaitu faktor pencilan, ukuran contoh dan variasi parameter. Masing-masing faktor tersebut memiliki level yang berbeda-beda. Faktor persentase pencilan memiliki empat level yaitu 0%, 2,5%, 5%, dan 7,5%, faktor ukuran contoh memiliki tiga level yaitu 84, 204, dan 504, dan faktor variasi parameter memiliki empat level yaitu pp,np,pn, dan nn. Dengan demikian penelitian ini terbagi menjadi dua bagian yaitu melakukan simulasi dan melakukan analisis data empirik. Tujuan simulasi untuk mengetahui kinerja metode seasonal AR sehingga dapat digunakan sebagai dasar keputusan untuk melakukan analisis data aktual dimana karakteristik datanya mengandung pencilan aditif hingga sebesar 3,5% dan jumlah data yang kecil (N=84). Hasil simulasi memberikan kesimpulan bahwa, ketiga faktor berpengaruh nyata terhadap bias parameter sehingga perlu diperhatikan ketiga faktor tersebut ketika melakukan penerapan pada data empirik. Selanjutnya, berdasarkan tingkat akurasi model diperoleh kesimpulan bahwa model seasonal AR dapat digunakan dengan baik pada berbagai data dengan ukuran contoh sebesar 84, 204, dan 504, serta memiliki persentase pencilan aditif maksimal sebesar 5% dengan besaran pencilan sama dengan ambang batas minimal yaitu 1,5k. Hasil pemodelan data empirik menunjukkan bahwa, model seasonal AR tidak selalu unggul pada setiap provinsi sehingga model terbaik pada setiap provinsi menyesuaikan dengan hasil identifikasi model beserta pengujian asumsi yang menyertai. Hasil peramalan model terbaik menunjukkan bahwa pada periode Januari 2021 – Mei 2022 harga ramalan mendekati harga aktual dengan rata-rata nilai MAPE menunjukkan angka 2,8%. Namun mulai Juni 2022 – September 2022 harga aktual melonjak naik dan memiliki selisih yang terbilang jauh dari harga ramalan sehingga dapat menjadi catatan bahwa metode SARIMA tidak memiliki performa yang baik ketika digunakan untuk melakukan peramalan jangka panjang.

Big red chilli commodity is a commodity that needs serious handling because it is one of the contributors to inflation. One of the handling efforts from a statistical point of view is forecasting. Forecasting the price of big red chillies can be done using the Seasonal Autoregressive Integrated Moving Average (SARIMA) method because there is a seasonal pattern in the data. The SARIMA method combines various models, including the seasonal autoregressive (AR). There are problems with the big red chilli price data, namely the presence of additive outliers and the need for more availability of monthly data. An additive outlier is an outlier that gives effect to only one period in time series data. The influence of these factors can be seen more clearly if a simulation is carried out using a factorial design approach. The simulation was carried out using a three-factor factorial design approach: the outlier factor, sample size and parameter variation. Each of these factors has a different level. The percentage outlier factor has four levels, namely 0%, 2.5%, 5%, and 7.5%, the sample size factor has three levels, namely 84, 204, and 504, and the parameter variation factor has four levels, namely pp, np, pn, and nn. Thus, this research is divided into two parts: conducting simulations and conducting empirical data analysis. The purpose of the simulation is to determine the performance of the seasonal AR method so that it can be used as a basis for decisions to carry out actual data analysis where the characteristics of the data contain additive outliers of up to 3.5% and the amount of data are small (N=84). The simulation results conclude that the three factors significantly affect parameter bias, so it is necessary to pay attention to these three factors when applying them to empirical data. Furthermore, based on the level of accuracy of the model, it can be concluded that the seasonal AR model can be used well on a variety of data with sample sizes of 84, 204, and 504 and has a maximum additive outlier percentage of 5% with an outlier size equal to the minimum threshold of 1, 5k. The results of empirical data modelling show that the seasonal AR model is only sometimes superior in some provinces. Hence, the best model in each province adjusts to model identification results along with the accompanying assumption tests. The best model forecasting results show that in the period January 2021 – May 2022, the forecast price is close to the actual price, with an average MAPE value showing 2.8%. However, from June 2022 – September 2022, the actual price increased. It has a relatively large difference from the forecast price, so it can be noted that the SARIMA method does not perform well when used for long-term forecasting.