Kajian metode EMD untuk peramalan harga cabai merah keriting di Indonesia

Abstract

Total konsumsi cabai di Indonesia mencapai 90.000 ton perbulan, dan meningkat 10-20% pada hari besar keagamaan (Bappenas 2013). Kebutuhan terhadap cabai memberikan pengaruh terhadap fluktuasi harga cabai, salah satunya cabai merah keriting. Fluktuasi harga cabai selain karena fluktuasi kebutuhan terhadap cabai, juga disebabkan fluktuasi pasokan akibat perubahan musim serta distribusi dari daerah sentra penghasil cabai (Bappenas 2013). Tingginya fluktuasi harga cabai merah keriting memberikan pengaruh yang signifikan terhadap laju inflasi di Indonesia pada waktu-waktu tertentu seperti ketika terjadi kegagalan panen dan hari besar keagamaan. Untuk mengendalikan inflasi maka ketersediaan komoditi harus dijaga agar tidak mengakibatkan kelangkaan atau memberi konsekuensi harga menjadi tinggi, sehingga diperlukan kebijakan perencanan produksi dan manajemen pola produksi cabai merah keriting di Indonesia. Upaya stabilisasi pasokan dan harga cabai ini dapat dilakukan dengan mengetahui karakteristik dasar dari pergerakan harga serta peramalan yang tepat terhadap harga cabai merah keriting. Ensemble Empirical Mode Decomposition (EEMD) adalah suatu metode dekomposisi yang mampu mentransformasi serangkaian fungsi waktu dari suatu sinyal data menjadi sejumlah sub-sinyal yang mencerminkan keadaan fisik yang dimilikinya, sehingga sesuai dengan data harga cabai dipengaruhi banyak faktor. EEMD dikembangkan oleh Wu dan Huang (2005) menggunakan pendekatan ensemble untuk memperoleh sejumlah Intrinsic Mode Function (IMF) dan sisaan. Dalam penerapannya, proses merata-ratakan untuk memperoleh IMFs akhir pada EEMD mengganggu keortogonalan IMFs akhir. Untuk itu, Wijayanto et al. (2015) melakukan modifikasi sebagai upaya memperoleh komponen hasil dekomposisi yang saling ortogonal dengan memanfaatkan prinsip penggerombolan berhirarki. Data hasil dekomposisi dapat digunakan untuk memprediksi data awal dengan melakukan prediksi terhadap masing-masing komponen hasil dekomposisi, kemudian menjumlahkan semua hasil prediksi tersebut. Untuk memperoleh hasil prediksi digunakan metode ARIMA dan trend polinomial. Penelitian ini bertujuan untuk menelaah perilaku harga mingguan cabai merah keriting di Indonesia periode 1 Januari 2008 – 10 Mei 2015 dan mengkaji kestabilan hasil peramalan menggunakan ARIMA terhadap IMFs, serta peramalan dengan trend polinomial terhadap komponen sisaan hasil dekomposisi menggunakan metode EEMD dan EEMD yang dimodifikasi. Telaah terhadap harga cabai merah keriting di Indonesia yang dilakukan menggunakan EEMD yang dimodifikasi menghasilkan 4 IMFs dan sisaan. IMF3 merupakan komponen hasil dekomposisi yang memiliki korelasi paling tinggi yaitu 0.78. Persentase rasio ragam juga menunjukkan bahwa IMF3 memberikan kontribusi sebesar 42.1% terhadap harga mingguan cabai merah keriting di Indonesia. Hal ini menunjukkan bahwa faktor musim dan musim tanam merupakan faktor yang paling mempengaruhi perilaku harga mingguan cabai merah keriting di Indonesia. Kejadian-kejadian berperiode 0.5 tahunan ini dapat mempengaruhi perubahan harga dengan penurunan hingga Rp 10.000,- dan kenaikan harga mencapai Rp 20.000,-. Kebaikan suatu peramalan sangat bergantung pada deret data testing yang digunakan untuk evaluasi kebaikan model, sehingga dilakukan variasi pembagian data training dan data testing yakni 95:05, 90:10, 85:15, 80:20, 90:5, 85:10, 80:15, 85:5 dan 80:10 untuk melihat kestabilan nilai peramalan terhadap data yang telah di dekomposisi. Data training didekomposisi menggunakan EEMD dan EEMD yang dimodifikasi kemudian IMF hasil dekomposisi di prediksi menggunakan model Auto Regressive Integrated Moving Average (ARIMA) dan sisaannya menggunakan trend polinomial. Kebaikan peramalan dilihat menggunakan Mean Absolute Persentage Error (MAPE). Pada data training, data hasil dekomposisi menggunakan metode EEMD yang dimodifikasi mampu memberikan model ARIMA dan trend polinomial yang lebih baik pada penggunaan 80% data, namun pada penggunaan data yang lebih banyak MAPE yang lebih kecil dihasilkan dari penggunaan data hasil dekomposisi menggunakan EEMD. Prediksi dengan ARIMA dan trend polinomial terhadap data testing menggunakan data hasil dekomposisi dengan EEMD yang dimodifikasi menghasilkan nilai MAPE yang lebih kecil, artinya nilai prediksi lebih mendekati nilai aktualnya. Selain itu, pola yang dihasilkan lebih menyerupai pola data aktualnya dibandingkan EEMD pada keseluruhan kondisi data.

Total consumption of chili in Indonesia reached 90.000 tons per month, and increased by 10-20% on religious holidays (Bappenas 2013). The demand of chili affect the fluctuation of chili price, curly red chili is one of them. The fluctuations of chili price caused by the fluctuations in demand for chili, the fluctuations in supply due to the changing seasons and the distribution from center area of chili production (Bappenas 2013). The fluctuations of curly red chili price have a significant influence on the inflation rate in Indonesia at certain times such as when there is a harvest failure and religious holidays. To control the inflation, the commodities availability must be maintained in order to avoid rarity or price increases, so it takes the policy of production planning and production management of curly red chili production patterns in Indonesia. To stabilize the supply and chili price is conducted by study towards the basic characteristics of price movement and correctly prediction for curly red chili price. Ensemble Empirical Mode Decomposition (EEMD) is a decomposition method which is able to transform a series of data signal into a number of sub-signal that reflect the physical condition of the signal. So that, the chili price data that influenced by many factor can be analyzed using EEMD method. EEMD developed by Wu and Huang (2005) with ensemble approach to obtain a number of Intrinsic Mode Function (IMF) and residue. In practice, the averaging process to obtain the final IMFs on EEMD disturbs the orthogonality ff final IMFs. So that, Wijayanto et al. (2015) propose a modification to obtain orthogonal components of decomposition by utilizing the principle of hierarchical clustering. The decomposed data can be used to predict the actual data by predictiting each component, then acumulate all the results of these predictions. To obtain the prediction results used ARIMA and polynomial trend method. The aims of this study are to examines the behavior of weekly price of curly red chili in Indonesia during January 1st, 2008 until May 10th, 2015, and investigates the stability of forecasting results using ARIMA to the IMFs, as well as forecasting the trend polynomial to residual component of decomposition using EEMD and modified EEMD methods. The review of curly red chili prices in Indonesia that performed by modified EEMD produce 4 IMFs and residue. IMF3 is a component of decomposition which has the highest correlation about 0.78. The percentage of variance ratios also indicate that IMF3 contributed about 42.1% of the weekly price of curly red chili in Indonesia. This suggests that season and growing season are the most influence factors for the behaviour of the weekly price of curly red chili in Indonesia. The 0.5 annual events period can affect the price change with a reduction up to Rp 10.000, - and increase in price to Rp 20.000, -.