Implementasi Model Generalized Space Time Autoregressive (Gstar) dalam Peramalan Data Harga Beras
Abstract
Sebagai negara ketiga penghasil beras terbanyak di dunia, produksi padi di
Indonesia terus mengalami peningkatan yang cukup signifikan. Pada tahun 2020
Indonesia memproduksi padi sebesar 54,65 juta ton. Direktur Jendral Tanaman
Pangan Kementan, menyebutkan bahwa Provinsi Jawa Tengah, Jawa Timur, dan
Jawa Barat menjadi daerah penghasil beras terbesar di Indonesia. Setiap tahunnya
jumlah konsumsi beras nasional terus mengalami peningkatan yang diiringi
dengan meningkatnya jumlah penduduk setiap tahunnya. Fluktuasi harga beras
sebagai kebutuhan pokok sangat mempengaruhi harga komoditas lain yang dapat
menyebabkan inflasi dan deflasi yang cukup signifikan. Sebagai konsumen,
tentunya masyarakat ingin mendapatkan harga beras yang relatif stabil dengan
kualitas beras yang baik pula. Apabila harga beras naik, maka dapat menyebabkan
pengeluaran rumah tangga pada masyarakat ikut naik. Dengan begitu, adanya
peramalan terhadap harga beras perlu dilakukan. Salah satu alat penelitian
peramalan yang mempertimbangkan keterkaitan antara waktu dan lokasi adalah
model Generalized Space-Time Autoregressive (GSTAR). Penulis menggunakan
dua jenis bobot lokasi pada model GSTAR, yaitu bobot lokasi seragam dan bobot
lokasi invers jarak. Berdasarkan hasil analisis, diperoleh model GSTAR (81)I(1)
dengan bobot lokasi seragam sebagai model terbaik. Hal ini karena model tersebut
memenuhi asumsi white noise dan memiliki nilai MSE sebesar 45.223,45% dan
MAPE sebesar 1,597351% yang lebih kecil dari model GSTAR (81)I(1) dengan
bobot lokasi invers jarak.
Collections
- Statistics [901]