PREDIKSI HARGA CABAI RAWIT MERAH DI KOTA SURABAYA MENGGUNAKAN METODE ARIMA
Abstrak
Harga cabai rawit merah di Kota Surabaya cenderung berfluktuasi disebabkan tingginya permintaan cabai rawit merah tidak diimbangi oleh produksi lokal yang memadai sehingga ketergantungan terhadap pasokan dari daerah lain. Fluktuasi harga yang tinggi menimbulkan ketidakpastian bagi pelaku usaha dan konsumen sehingga diperlukan suatu model prediksi yang mampu menggambarkan pergerakan harga di masa mendatang. Penelitian ini bertujuan memprediksi harga cabai rawit merah di Kota Surabaya menggunakan metode Autoregressive Integrated Moving Average (ARIMA). Data yang digunakan berupa data historis harga cabai rawit merah di Kota Surabaya yang diperoleh dari Sistem Informasi Ketersediaan dan Perkembangan Harga Bahan Pokok (SISKAPERBAPO). Tahapan penelitian meliputi identifikasi pola data, uji stasioneritas menggunakan Augmented Dicker-Fuller (ADF), identifikasi parameter melalui plot ACF dan PACF, penentuan kombinasi parameter dengan Akaike Information Criterion (AIC), dan diakhiri dengan evaluasi performa menggunakan MAPE. Berdasarkan hasil identifikasi dan estimasi parameter, ARIMA(2,0,1) dipilih sebagai model terbaik karena memiliki nilai AIC terendah dengan nilai evaluasi MAPE sebesar 12,73%. Nilai evaluasi tersebut menunjukkan bahwa model cukup baik dalam memodelkan harga cabai rawit merah di Kota Surabaya. Dengan adanya penelitian ini, masyarakat dapat menggunakan prediksi harga sebagai informasi awal sebagai bahan pertimbangan dalam menghadapi fluktuasi harga.
Referensi
[1] F. N. Sofiarani and E. Ambarwati, “Pertumbuhan dan Hasil Cabai Rawit (Capsicum frutescens L.) pada Berbagai Komposisi Media Tanam dalam Skala Pot,” Vegetalika, vol. 9, no. 1, pp. 292–304, 2020, doi: 10.22146/veg.44996.
[2] T. S. Wahyuni, R. Satriani, and A. N. Mandamdari, “Pengaruh Fluktuasi Harga Cabai Rawit Merah Terhadap Inflasi di Kabupaten Banyumas,” Mimbar Agribisnis: Jurnal Pemikiran Masyarakat Ilmiah Berwawasan Agribisnis, vol. 10, no. 2, pp. 1866–1877, 2024, [Online]. Available: www.antara.jatengnews,
[3] Z. T. Alunia Dwi, N. Susantinah Wisnujati, and E. Siswati, “Analisis Produksi dan Produktivitas Cabai Rawit (Capsicum frutescens L) di Indonesia,” vol. 21, no. 1, 2021.
[4] DISPERINDAG JATIM, “Harga Komoditas Jawa Timur,” SISKAPERBAKO.
[5] M. Rama Samudra, D. Marcellina, E. Yulianti, J. Roni Coyanda, and I. Pratiwi Putri, “Penerapan Metode Forecasting Dalam Menentukan Prediksi Jumlah Mahasiswa Baru Dengan Menggunakan Single Exponential Smoothing,” JURNAL ILMIAH INFORMATIKA GLOBAL, vol. 15, no. 2, 2024.
[6] Furizal et al., “Understanding Time Series Forecasting: A Fundamental Study,” Buletin Ilmiah Sarjana Teknik Elektro, vol. 7, no. 3, pp. 554–571, 2025, doi: 10.12928/biste.v7i3.13318.
[7] J. E. Saputra and W. Febrianti, “Application of Autoregressive Integrated Moving Average (ARIMA) for Forecasting Inflation Rate in Indonesia,” Jurnal Matematika, Statistika dan Komputasi, vol. 21, no. 2, pp. 382–396, 2025, doi: 10.20956/j.v21i2.36609.
[8] J. B. Mihardja, “Application of ARIMA Modeling to forecast the Weekly Stock Price per Share of (Persero) PT Telekomunikasi Indonesia Tbk,” Journal of Actuarial, Finance and Risk Management (JAFRM), vol. 4, no. 1, p. 2025, 2025, [Online]. Available: http://e-journal.president.ac.id/presunivojs/index.php/JAFRM/index
[9] V. Komaria, N. El Maidah, and M. A. Furqon, “Prediksi Harga Cabai Rawit di Provinsi Jawa Timur Menggunakan Metode Fuzzy Time Series Model Lee,” Komputika : Jurnal Sistem Komputer, vol. 12, no. 2, pp. 37–47, 2023, doi: 10.34010/komputika.v12i2.10644.
[10] Bisri and H. W. Setianingrum, “ANALISIS FAKTOR INTERNAL DAN EKSTERNAL YANG MEMPENGARUHI DANA PIHAK KETIGA BANK SYARIAH DI INDONESIA,” JURNAL ILMIAH M-PROGRESS, vol. 9, no. 1, 2019.
[11] K. Pawluszek-Filipiak and A. Borkowski, “On the importance of train-test split ratio of datasets in automatic landslide detection by supervised classification,” Remote Sens. (Basel)., vol. 12, no. 18, 2020, doi: 10.3390/rs12183054.
[12] F. E. Mokorimban, N. Nainggolan, and Y. A. R. Langi, “Penerapan Metode Autoregressive Integrated Moving Average (ARIMA) dalam Model Intervensi Fungsi Step terhadap Indeks Harga Konsumen di Kota Manado,” d’Cartesian: Jurnal Matematika dan Aplikasi, vol. 10, no. 2, pp. 91–99, 2021, [Online]. Available: https://ejournal.unsrat.ac.id/index.php/decartesian
[13] E. I. Sihombing, C. D. Suhendra, and L. F. Marini, “Analisis Data Time Series Untuk Prediksi Harga Komoditas Pangan Menggunakan Autoregressive Integrated Moving Average,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 6, 2024, doi: 10.30865/klik.v4i6.1863.
[14] I. G. P. O. I. Wijaya, M. S. Kristi, N. S. Maharani, and J. Raharjo, “Data Adjustment for ARIMA Method to Investigate the Impact of Pandemic on Electricity Consumption Prediction in Indonesia,” Emitor: Jurnal Teknik Elektro, vol. 25, no. 1, pp. 47–53, 2025, doi: 10.23917/emitor.v25i1.8676.
[15] L. Alifa Maura, N. Handayani, D. Nadifa Nur Aulia, M. Al Haris, and U. Muhammadiyah Semarang, “ANALISIS PERAMALAN CUACA KOTA SURABAYA MENGGUNAKAN PENDEKATAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA),” RAGAM: Journal of Statistics and Its Application, vol. 3, no. 2, 2024.
[16] G. Arinda Maulidya, N. Satyahadewi, and N. Miftahul Huda, “Analisis Autoregressive Integrated Moving Average (ARIMA) dengan Intervensi Double Input pada Prediksi Harga Saham,” IJAS: Indonesian Journal of Applied Statistics, vol. 7, no. 1, pp. 60–72, 2024, doi: 10.13057/ijas.v7i1.85299.
| Keywords | : |
Kata Kunci:
Cabai Rawit Merah, Prediksi Harga, Fluktuasi, ARIMA, Surabaya
|
| Galleys | : | |
| Diterbitkan | : |
2026-07-31
|
| Terbitan | : |