Peramalan Harga Cabai Merah Besar di Provinsi Jawa Timur Menggunakan Metode ARIMA Box-Jenkins

Abstract

Cabai merah besar (Capsicum annuum L.) memainkan peranan penting dalam sektor pertanian Indonesia dan memiliki dampak ekonomi yang signifikan. Pada bulan November 2023, data dari BPS Jatim menunjukkan bahwa cabai merah besar berkontribusi signifikan terhadap inflasi, dengan kenaikan harga sebesar 46,69% dan kontribusi terhadap inflasi sebesar 0,0501%. Mengingat pentingnya cabai merah dalam ekonomi dan dampaknya terhadap inflasi, penelitian ini bertujuan untuk menganalisis perubahan harga cabai merah besar di Provinsi Jawa Timur dan menghasilkan prediksi harga untuk periode 12 bulan ke depan. Untuk mencapai tujuan tersebut, penelitian ini menggunakan metode ARIMA (Autoregressive Integrated Moving Average), yang merupakan teknik analisis deret waktu yang terkenal dalam memodelkan data. Model ARIMA memungkinkan pemodelan fluktuasi harga berdasarkan data historis dan menghasilkan proyeksi harga yang dapat digunakan untuk perencanaan dan pengambilan keputusan. Hasil dari analisis ini mengungkapkan bahwa harga cabai merah besar menunjukkan fluktuasi yang cukup signifikan sepanjang periode penelitian. Puncak harga terjadi pada bulan Juli dalam rentang waktu 2019 hingga 2023. Model ARIMA (2,0,0) teridentifikasi sebagai model yang paling efektif untuk meramalkan harga cabai merah besar, dengan proyeksi harga yang diperkirakan berada dalam rentang Rp. 28.205 hingga Rp. 34.005 per kilogram untuk 12 bulan ke depan. Model dugaan sementara dilakukan dengan mengidentifikasi plot ACF dan PACF. Plot ACF menunjukkan pola cut-off setelah lag 2 dengan penurunan eksponensial, sementara plot PACF menunjukkan pola cut-off setelah lag 2 dan kemudian turun drastis ke 0. Berdasarkan pola-pola ini, terdapat dua dugaan model potensial yang dapat dipertimbangkan: Model AR(2) dan AR(1). Model AR(2) mencakup dua komponen autoregresi, yang dapat menangkap kompleksitas hubungan temporal dalam data dengan lebih detail. Sebaliknya, Model AR(1) hanya melibatkan satu komponen autoregresi, yang mungkin lebih sederhana namun juga bisa cukup efektif dalam beberapa kasus. Perbedaan utama antara kedua model ini adalah jumlah komponen autoregresi yang digunakan untuk memprediksi nilai saat ini berdasarkan nilai sebelumnya. Model AR(2) mungkin lebih sesuai jika data menunjukkan pola yang kompleks atau memiliki keterkaitan yang lebih dalam dengan lag sebelumnya, sedangkan Model AR(1) bisa lebih efektif untuk data yang menunjukkan pola yang lebih sederhana. Untuk menentukan model mana yang lebih baik, analisis lebih lanjut diperlukan, termasuk evaluasi performa dan akurasi prediksi model terhadap data yang ada. Hal ini dapat dilakukan dengan mengukur kesalahan prediksi dan mengevaluasi apakah model tersebut memenuhi asumsi-asumsi yang diperlukan untuk analisis lebih lanjut. Pendekatan ini akan memastikan bahwa model yang dipilih tidak hanya sesuai dengan pola yang terlihat pada plot ACF dan PACF tetapi juga memberikan hasil yang optimal dalam praktek. Evaluasi akurasi model menunjukkan nilai RMSE (Root Mean Squared Error) sebesar 11.951,9, yang menandakan adanya tingkat kesalahan prediksi yang relatif besar. Meskipun demikian, nilai MAPE (Mean Absolute Percentage Error) sebesar 12,32% menunjukkan bahwa kesalahan peramalan rata-rata berada pada tingkat yang dapat diterima, mengindikasikan bahwa model ARIMA (2,0,0) mampu memberikan proyeksi yang cukup baik meskipun ada beberapa ketidakpastian. Penelitian ini memberikan wawasan mendalam mengenai dinamika harga cabai merah dan menunjukkan bahwa metode ARIMA dapat digunakan secara efektif untuk peramalan harga komoditas pangan. Hasil penelitian ini dapat membantu pembuat kebijakan, petani, dan pelaku pasar dalam merencanakan strategi yang lebih baik untuk mengelola harga cabai merah, mengurangi dampak inflasi, dan meningkatkan stabilitas harga. Dengan memahami pola harga dan efektivitas model peramalan, pihak terkait dapat mengembangkan strategi mitigasi yang lebih tepat dan responsif terhadap fluktuasi harga.