Perbandingan Model ARIMA dan Hybrid ARIMA-Random Forest untuk Peramalan Harga Bawang Merah Harian di Provinsi Jawa Timur

khusniatul mawadah

doi:10.26877/imajiner.v8i2.26800

Perbandingan Model ARIMA dan Hybrid ARIMA-Random Forest untuk Peramalan Harga Bawang Merah Harian di Provinsi Jawa Timur

khusniatul mawadah

Abstract

Harga bawang merah merupakan salah satu komoditas hortikultura strategis yang sering mengalami fluktuasi tinggi, khususnya pada data berfrekuensi harian. Volatilitas harga tersebut menimbulkan tantangan dalam perencanaan distribusi, pengendalian inflasi pangan, serta perumusan kebijakan. Penelitian ini bertujuan untuk membandingkan kinerja model Autoregressive Integrated Moving Average (ARIMA) dan model hybrid ARIMA-Random Forest dalam meramalkan harga bawang merah harian di Provinsi Jawa Timur. Data yang digunakan berupa data harga bawang merah harian periode Januari 2018 hingga Desember 2025 yang diperoleh dari Pusat Informasi Harga Pangan Strategis (PIHPS) Bank Indonesia. Data dipra-pemrosesan menggunakan metode Last Observation Carried Forward (LOCF) untuk menangani nilai hilang. Analisis deret waktu meliputi pemeriksaan stasioneritas, identifikasi dan pemodelan ARIMA, serta pengembangan model hybrid berbasis Random Forest pada residual ARIMA. Evaluasi kinerja model dilakukan menggunakan skema walk-forward evaluation pada horizon peramalan 1, 7, dan 14 hari dengan indikator Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model hybrid ARIMA–Random Forest memberikan kinerja yang lebih baik pada peramalan jangka sangat pendek (horizon 1 hari), sedangkan model ARIMA(3,0,1) menunjukkan kinerja yang stabil dan kompetitif pada horizon peramalan 7 dan 14 hari. Selain itu, hasil peramalan multi-langkah menggunakan ARIMA(3,0,1) menunjukkan kecenderungan penurunan harga secara bertahap dengan interval kepercayaan yang semakin melebar seiring bertambahnya horizon. Temuan ini menunjukkan bahwa pemilihan model peramalan perlu disesuaikan dengan panjang horizon dan tujuan analisis.

Keywords

harga bawang merah; ARIMA; Random Forest; model hybrid; peramalan deret waktu

References

Bello-Angulo, D. (2022). Hybrid machine learning models for time series forecasting: A comparative study. Applied Soft Computing, 115. https://doi.org/10.1016/j.asoc.2021.108205

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324

Hartono, R., Rahman, M. S., Retnoningsih, D., & Shaleh, M. I. (2023). Price Volatility of Horticulture Commodity During the Pandemic in East Java, Indonesia. In Habitat (Vol. 34, Issue 3, pp. 277-288). https://doi.org/10.21776/ub.habitat.2023.034.3.25

Khashei, Mehdi., & Bijari, M. (2011). An artificial neural network (p, d, q) model for time series forecasting. Expert Systems with Applications, 38(1), 479-489. https://doi.org/10.1016/j.eswa.2010.06.044

Nursiyono, J. A., & Chotimah, C. (2021). Badan Pusat Statistik Provinsi Jawa Timur. In Jurnal Ilmiah Teori dan Aplikasi Statistika (Vol. 14, Issue 1).

Pai, P. F., & Lin, C. S. (2005). A hybrid ARIMA and support vector machines model in stock price forecasting. Omega, 33(6), 497-505. https://doi.org/10.1016/j.omega.2004.07.024

PIHPS Nasional. (2025). Informasi Harga Pangan Antar Daerah: Harga bawang merah. In PIHPS Nasional. Bank Indonesia. https://www.bi.go.id/hargapangan/

Riyadh, M. I. (2023). Factors Influencing the Prices of Red Chili and Shallots in Indonesia: Analysis of the Impact on the Global Market. International Journal of Social Service and Research, 3(10), 2470-2476. https://doi.org/10.46799/ijssr.v3i10.560

Syahrul. (2021). Rencana Strategis Kementerian Pertanian Tahun 2020-2024. Salinan Keputusan Menteri Pertanian Republik Indonesia, 1–161.

Zhang, P. G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. In Neurocomputing (Vol. 50). https://doi.org/10.1016/S0925-2312(01)00702-0

DOI: https://doi.org/10.26877/imajiner.v8i2.26800