Peramalan Nilai Tukar Petani di Provinsi Papua Menggunakan Model Hybrid ARIMA-NN

Bobi Frans Kuddi; Agung Dwi Saputro

doi:10.31605/saintifik.v10i1.477

Bobi Frans Kuddi
Agung Dwi Saputro Universitas Cenderawasih

DOI: https://doi.org/10.31605/saintifik.v10i1.477

Keywords: Peramalan, Nilai Tukar Petani, Time Series, ARIMA, Neural Network, Hybrid ARIMA-NN

Abstract

Nilai Tukar Petani (NTP) merupakan indikator Proxy kesejahteraan petani. Semakin tinggi NTP suatu daerah menandakan bahwa tingkat kesejahteraan daerah tersebut semakin baik. Sebagian penduduk di Provinsi Papua berprofesi sebagai petani hal ini dapat dilihat dari besarnya sumbangan sektor pertanian terhadap Produk Domestik Regional Bruto (PDRB) Provinsi Papua sebesar 9,91%. Untuk meningkatkan kesejahteraan petani di Provinsi Papua maka dibutuhkan pembangunan secara bertahap dan berkelanjutan sebagai upaya untuk meningkatkan hasil produksi pertanian semaksimal mungkin. Untuk itu pemerintah perlu melakukan peramalan NTP untuk mendapatkan gambaran NTP di masa yang akan datang, sehingga dapat dijadikan acuan dalam menentukan kebijakan pada sektor pertanian di Provinsi Papua.Tujuan dari penelitian ini untuk meramalkan Nilai Tukar Petani di Provinsi Papua menggunakan model Hybrid ARIMA-NN. Tahapan yang dilakukan pada penelitian ini diawali dengan mengumpulkan data Nilai Tukar Petani di Provinsi Papua kemudian mengidentifikasi pola data tersebut melalui plot data, setelah mengetahui pola data penjualan mobil tersebut kita melakukan pengolahan data untuk mendapatkan model yang tepat untuk dapat digunakan meramalkan Nilai Tukar Petani di Provinsi Papua pada periode berikutnya menggunakan model Hybrid ARIMA-NN. Luaran yang ditargetkan pada penelitian ini adalah jurnal nasional terakreditasi.

Downloads

Download data is not yet available.

References

Abdy, M. (2022). Pemodelan Matematika SIAS-SI pada Penyebaran Penyakit Malaria Asimtomatik dan Super Infeksi. SAINTIFIK, 8(1), 1-9. https://doi.org/10.31605/saintifik.v8i1.360 DOI: https://doi.org/10.31605/saintifik.v8i1.360

Ahmar, A. S. et al. (2018) “Modeling Data Containing Outliers using ARIMA Additive Outlier (ARIMA-AO)”. Journal of Physics: Conference Series, 954(1). doi: 10.1088/1742 - 6596/954/1/012010. DOI: https://doi.org/10.1088/1742-6596/954/1/012010

Badan Pusat Statistik (2022), “Nilai Tukar Petani Provinsi Papua”. Diakses dari https://papua.bps.go.id/subject/22/nilai-tukar-petani.html#subjekViewTab3. diakses pada tanggal 07 Desember 2022.

Box, G.E.P., Jenkins, G.M., & Reinsel, G.C., (1994). “Time Series Analysis Forecasting and Control”, 3 rd Edition, Prentice-Hall Inc., New Jersey.

Cowpertwait, P. S. P. & Metcalfe, A. V. (2009). Introductory Time Series with R (Use R!). New York: Springer. DOI: https://doi.org/10.1007/978-0-387-88698-5_1

Gurianto, R. N., Purnamasari, I., & Yuniarti, D. (2016). Peramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown. Eksponensial [S.l.], v. 7, N. 1, P. 23-32, Nov. 2017. ISSN 2085-7829.,7, No 1, 23–32.

Hanke, J.E., & Winchern, D.W. (2005). Business Forecasting. New Jersey: Pearson Education International.

Kingdon, J. (1997). Intelligent Systems and Financial Forecasting. New York: Springer. DOI: https://doi.org/10.1007/978-1-4471-0949-5

Margi S, K., & Pendawa W, S. (2015). Analisa Dan Penerapan Metode Single Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu. Prosiding SNATIF, 259-66.

Montgomery, D.C., Jennings, C.L., & Kulahci, M., (2008). “Introduction to time series analysis and forecasting”, Wiley Interscience, USA

Nangi, J., Indrianti, S. H., & Pramono, B. (2018). Peramalan Persediaan Obat Menggunakan Metode Triple Exponential Smoothing (Tes) (Studi Kasus: Instalasi Farmasi Rsud Kab. Muna). semanTIK, 4(1), 135–142.

Terasvirta, T. Tjostheim, D., & Granger, C.W.J., (1992). “Aspects Of Modelling Nonlinear Time Series”, Research Report 1992:1. Department of Statistics. University of Goteborg, Finland.

William W. S., W. (2005) “Time Series Analysis: Univariate and Multivariate Methods (2nd Edition) Addison Wesley (2005).pdf”.New York: Addison Wesley,p.634.

Zhang, G. (2003), “Time Series Forecasting using a Hybrid ARIMA and Neural Network Model”, Neurocomputing, 50, 159-175. DOI: https://doi.org/10.1016/S0925-2312(01)00702-0

Safitri Pratiwi, L. P., Ayuningsih, N. P. M., & Wijaya, I. M. P. P. (2022). Perbandingan Metode CV dan GCV pada Pemodelan MARS (Aplikasi Rata-Rata Lama Sekolah di Kabupaten Gianyar). SAINTIFIK, 8(2), 114 - 122. https://doi.org/10.31605/saintifik.v8i2.371 DOI: https://doi.org/10.31605/saintifik.v8i2.371