Pemodelan ARIMA dan ARIMAX untuk Memprediksi Jumlah Produksi Padi di Kota Magelang

Ihsan Fathoni Amri  -  Universitas Muhammadiyah Semarang, Indonesia
Wulan Nur Ramadhan*  -  Universitas Muhammadiyah Semarang, Indonesia
Safira Ainurrofiah  -  Universitas Muhammadiyah Semarang, Indonesia
M. Al Haris  -  Universitas Muhammadiyah Semarang, Indonesia

(*) Corresponding Author
DOI: 10.21580/square.2023.5.2.17059

Memprediksi atau meramalkan perilaku observasi biasanya menggunakan pemodelan time series yang dilakukan secara berurutan. Prediksi jumlah produksi padi diharapkan dapat memberikan masukan bagi pemerintah dan dimanfaatkan oleh siapa saja sebagai pengembangan pada sektor pertanian serta sebagai bahan ajar penggunaan metode ARIMA (Autoregressive Integrated Moving Average) dan ARIMAX (Autoregressive Integrated Moving Average with Exogenous Variable). Tujuan dari penelitian ini sebagai perbandingan dalam menemukan model terbaik dari metode ARIMA dan ARIMAX untuk memprediksi jumlah produksi padi pada tahun 2023 di kota Magelang. Data yang digunakan merupakan data produksi padi dan luas lahan tanam sebagai variabel eksogen di Kota Magelang pada bulan Januari 2019 sampai Desember 2022. Berdasarkan hasil analisis, diperoleh model ARIMA terbaik untuk meramalkan jumlah produksi padi di kota Malang adalah ARIMA (0,1,1), sedangnkan model ARIMAX terbaik adalah ARIMAX (0,0,1). Perbandingan kedua model tersebut berdasarkan nilai MAPE, model ARIMAX (0,0,1) menjadi model terbaik untuk meramalkan jumlah produksi padi di Kota Malang karena menghasilkan MAPE terkecil 6,31%. Hasil peramalan menggunakan model ARIMAX (0,0,1) menunjukkan data cenderung mengalami pola trend turun. Hal ini dikarenakan lahan pertanian yang semakin sempit setiap tahunnya sehingga menyebabkan jumlah produksinya semakin menurun.

Kata Kunci: Pemodelan, metode ARIMA, metode ARIMAX, Produksi Padi.

  1. Adu, W. K., Appiahene, P., & Afrifa, S. (2023). VAR , ARIMAX and ARIMA Models for Nowcasting Unemployment Rate in Ghana Using Google Trends. Journal of Electrical Systems and Information Technology, 1–16. https://doi.org/10.1186/s43067-023-00078-1
  2. Amri, I. F., Sari, W., Widyasari, V. A., Nurohmah, N., & Haris, M. Al. (2024). The ARIMA-GARCH Method in Case Study Forecasting the Daily Stock Price Index of PT. Jasa Marga (Persero). Eigen Mathematics Journal, 7(1), 25–33. https://doi.org/10.29303/emj.v7i1.174
  3. Arianti, R., Sahriman, S., & Talangko, L. P. (2022). Model ARIMA dengan Variabel Eksogen dan GARCH pada Data Kurs Rupiah. Journal of Statistics and Its Application, 3(1), 41–48. https://doi.org/10.20956/ejsa.vi.11603
  4. Choiriyah, E., Syafitri, U. D., & Sumertajaya, I. M. (2020). Pengembangan Model Peramalan Space Time Studi Kasus: Data Produksi Padi di Sulawesi Selatan. Indonesian Journal of Statistics and Its Applications, 4(4), 579–589. https://doi.org/https://doi.org/10.29244/ijsa.v4i4.584
  5. Elvani, S. P., Utary, A. R., & Yudaruddin, R. (2016). Peramalan Jumlah Produksi Tanaman Kelapa Sawit dengan Menggunakan Metode ARIMA(Autoregressive Integrated Moving Average). Jurnal Manajemen, 8(1), 95–112.
  6. Hadiansyah, F. . (2017). Prediksi Harga Cabai dengan Menggunakan pemodelan Time Series ARIMA. Indonesian Journal on Computing (Indo-JC), 2(1), 71. https://doi.org/10.21108/indojc.2017.2.1.144
  7. Haris, M. Al, Setyaningsih, L. I., Fauzi, F., & Amri, S. (2024). Projection of PT Aneka Tambang Tbk Share Risk Value Based on Backpropagation Artificial Neural Network Forecasting Result. JTAM (Jurnal Teori Dan Aplikasi Matematika), 8(2), 578. https://doi.org/10.31764/jtam.v8i2.20267
  8. Hidayat, S., & Hakim, N. (2021). Peramalan Ekspor Luar Negeri Banten Menggunakan Model ARIMAX. Jurnal Ilmiah Pendidikan Matematika, Matematika Dan Statistika, 2(2), 204–2013. https://doi.org/https://doi.org/10.46306/lb.v2i2.75
  9. Hilalullaily, R., Kusnadi, N., & Rachmina, D. (2021). Analisis Efisiensi Usahatani Padi di Jawa dan Luar Jawa, Kajian Prospek Peningkatan Produksi Padi Nasional. Jurnal Agribisnis Indonesia (Journal of Indonesian Agribusiness), 9(2), 143–153.
  10. Kalsum, U., Sabat, E., & Imadudin, P. (2020). Analisis Hasil Rendemen Giling dan Kualitas Beras pada Penggilingan Padi Kecil Keliling. Jurnal Ilmu-Ilmu Pertanian, 2(2), 125–130.
  11. Kumila, A., Sholihah, B., Evizia, E., Safitri, N., & Fitri, S. (2019). Perbandingan Metode Moving Average dan Metode Naïve dalam Peramalan Data Kemiskinan. JTAM | Jurnal Teori Dan Aplikasi Matematika, 3(1), 65. https://doi.org/10.31764/jtam.v3i1.764
  12. Lestari, G. A. M., Sumarjaya, I. W., & Widana, I. N. (2021). Peramalan Produksi Padi di Kabupaten Bandung, Gianyar, dan Tabanan dengan Metode Vector Autoregression (VAR). E-Jurnal Matematika, 10(1), 32–40.
  13. Lestari, I. G. A. M., Sumarjaya, I. W., & Widana, I. N. (2021). Peramalan Produksi Padi Di Kabupaten Badung, Gianyar, Dan Tabanan Dengan Metode Vector Autoregression (Var). E-Jurnal Matematika, 10(1), 32. https://doi.org/10.24843/mtk.2021.v10.i01.p317
  14. Li, G., & Wang, Y. (2013). Automatic ARIMA Modeling-Based Data Aggregation Scheme in Wireless Sensor Networks. EURASIP Journal on Wireless Communications and Networking, 85(2013), 1–13. https://doi.org/https://doi.org/10.1186/1687-1499-2013-85
  15. Mafor, K. I. (2015). Analisis Faktor Produksi Padi Sawah di Desa Tompasobaru Dua Kecamatan Tompasobaru.
  16. Onibala, A. G., Sondakh, M. L., Sondakh, M. L., & Mandei, J. (2017). Analisis Faktor-Faktor yang Mempengaruhi Produksi Padi Sawah di Kelurahan Koya, Kecamatan Tondano Selatan. Agri-SosioEkonomiUnsrat, 13(2A), 237–242. https://doi.org/https://doi.org/10.35791/agrsosek.13.2A.2017.17015
  17. Pamularsih, L., Mustafid, M., & Hoyyi, A. (2021). Penerapan Seasonal Generalized Space Time Autoregressive Seemingly Unrelated Regression (SGSTAR SUR) pada Peramalan Hasil Produksi Padi. Jurnal Gaussian, 10(2), 241–249. https://doi.org/10.14710/j.gauss.v10i2.29435
  18. Pradana, M. S., Rahmalia, D., Dwi, E., & Prahastini, A. (2020). Peramalan Nilai Tukar Petani Kabupaten Lamongan dengan ARIMA. Jurnal Matematika, 10(2), 91–104. https://doi.org/10.24843/JMAT.2020.v10.i02.p126
  19. Riestiansyah, F., Damayanti, D., Reswara, M., & Susetyoko, R. (2022). Perbandingan metode ARIMA dan ARIMAX dalam Memprediksi Jumlah Wisatawan Nusantara di Pulau Bali. Jurnal Infomedia: Teknik Informatika, Multimedia & Jaringan, 7(2), 58–62. https://doi.org/http://dx.doi.org/10.30811/jim.v7i2.3336
  20. Rusyida, W. Y., & Pratama, V. Y. (2020). Prediksi Harga Saham Garuda Indonesia di Tengah Pandemi Covid-19. SQUARE : Journal of Mathematics and Mathematics Education, 2(1), 73–81. https://doi.org/10.21580/square.2020.2.1.5626
  21. Sofiyanti, E. N., Ulinuha, S., Okiyanto, R., Haris, M. Al, & Wasono, R. (2024). Peramalan Harga Emas Menggunakan Metode Fuzzy Time Series Chen dalam Investasi untuk Meminimalisir Risko. 7(1), 55–66.
  22. Suryani, A. R., Hendikawati, P., Februari, B., Maret, B., Suryani, A. R., Peramalan, H. P., & Hujan, C. (2018). Peramalan Curah Hujan dengan Metode Autoregressive Integrated Moving Average with Exogenous (ARIMAX). UNNES Journal of Mathematics, 7(1), 120–129.
  23. Wijaya, D. Y., Furqon, M. T., & Marji. (2022). Peramalan Jumlah Produksi Padi menggunakan Metode Backpropagation. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 6(3), 1129–1137. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10713/4743

Open Access Copyright (c) 2023 Square : Journal of Mathematics and Mathematics Education
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Square : Journal of Mathematics and Mathematics Education
Published by Mathematic and Mathematic Education Department of Science and Technology Faculty, Universitas Islam Negeri Walisongo Semarang, Indonesia
Jl Prof. Dr. Hamka Kampus III Ngaliyan Semarang 50185
Website: http://fst.walisongo.ac.id/
Email: square@walisongo.ac.id

ISSN: 2714-609X (Print)
ISSN: 2714-5506 (Online)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

apps