Peramalan Time Series Produksi Jagung DI Kabupaten Jember Dengan Arima Dan Model H2O Automl

Abstract

Produksi jagung di Kabupaten Jember memiliki peran strategis dalam sektor pertanian dan ketahanan pangan nasional. Sebagai salah satu komoditas utama, jagung banyak digunakan untuk bahan pangan, pakan ternak, dan industri. Namun, produksi jagung mengalami fluktuasi dari tahun ke tahun akibat berbagai faktor seperti perubahan cuaca, kebijakan pertanian, serta keterbatasan akses teknologi oleh petani. Oleh karena itu, diperlukan model peramalan yang efektif untuk membantu pengambilan keputusan dalam perencanaan produksi dan distribusi. Dalam penelitian ini, digunakan dua pendekatan peramalan, yaitu ARIMA dan H2O AutoML. Peramalan adalah teknik yang digunakan untuk memprediksi suatu kejadian di masa depan berdasarkan pola historis dalam data. Salah satu model yang umum digunakan dalam peramalan data time series adalah ARIMA (Autoregressive Integrated Moving Average), yang terdiri dari tiga komponen utama: 𝑝 (jumlah lag autoregressive), 𝑑 (tingkat differencing untuk membuat data stasioner), dan 𝑞 (jumlah lag moving average). Identifikasi parameter ini dilakukan dengan menganalisis grafik ACF dan PACF. Selain ARIMA, penelitian ini juga menggunakan H2O AutoML, sebuah platform machine learning otomatis yang mampu mengevaluasi berbagai model dan memilih model terbaik. Dua model utama dalam H2O AutoML yang digunakan dalam penelitian ini adalah Random Forest dan XGBoost. Evaluasi performa model dilakukan menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE), yang mengukur tingkat kesalahan prediksi dibandingkan dengan data aktual. Penelitian ini menggunakan data sekunder berupa produksi jagung tahunan di Kabupaten Jember selama 2001 hingga 2022, yang diperoleh dari Badan Pusat Statistik (BPS). Proses penelitian diawali dengan eksplorasi data menggunakan analisis deskriptif dan visualisasi tren produksi jagung. Model ARIMA dibangun menggunakan pendekatan Box-Jenkins, yang mencakup uji stasioneritas dengan Augmented Dickey-Fuller (ADF), analisis ACF dan PACF, serta pemilihan parameter (𝑝, 𝑑, 𝑞) berdasarkan kriteria Akaike Information Criterion (AIC). Model H2O AutoML diimplementasikan dengan memasukkan data produksi jagung ke dalam platform H2O, dimana model Random Forest dan XGBoost dievaluasi secara otomatis. Kinerja model dibandingkan berdasarkan nilai RMSE dan MAE, dengan model terbaik ditentukan berdasarkan tingkat kesalahan prediksi yang paling kecil. Analisis eksplorasi data menunjukkan bahwa produksi jagung di Kabupaten Jember mengalami fluktuasi dari tahun ke tahun, dengan tren umum yang meningkat. Model ARIMA yang digunakan dalam penelitian ini memiliki parameter ARIMA (0,1,0), yang dipilih berdasarkan hasil analisis ACF dan PACF. Model ini menunjukkan hasil peramalan dengan RMSE sebesar 31782,20 dan MAE sebesar 24824,81, menandakan bahwa tingkat kesalahan prediksi cukup besar. Sementara itu, H2O AutoML secara otomatis memilih Random Forest sebagai model terbaik dengan RMSE sebesar 8730,59 dan MAE sebesar 7233,73, yang jauh lebih rendah dibandingkan ARIMA. Random Forest menunjukkan keunggulan dalam menangkap pola non-linear dalam data produksi jagung, sehingga menghasilkan prediksi yang lebih dekat mengikuti data aktual dibandingkan ARIMA. Berdasarkan evaluasi performa, model Random Forest dari H2O AutoML lebih unggul dibandingkan ARIMA dalam mengikuti pola historis data produksi jagung. Penelitian ini menunjukkan bahwa H2O AutoML dengan Random Forest menghasilkan prediksi yang lebih mendekati data aktual dibandingkan ARIMA dalam meramalkan produksi jagung di Kabupaten Jember. Model ARIMA (0,1,0) mampu menangkap pola linear dalam data, tetapi memiliki tingkat kesalahan yang lebih tinggi berdasarkan perbandingan dengan data historis. Sebaliknya, model Random Forest yang dipilih secara otomatis oleh H2O AutoML mampu menangkap pola data yang lebih kompleks dan non-linear, menghasilkan nilai RMSE dan MAE yang lebih kecil. Model ini lebih sesuai untuk digunakan dalam analisis dan perencanaan produksi jagung. Ppenelitian selanjutnya disarankan untuk menggunakan variabel eksternal serta menggunakan model machine learning lainnya.