IMPLEMENTASI SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE DALAM PERAMALAN PRODUKSI DAN KONSUMSI BERAS DI PROVINSI NUSA TENGGARA TIMUR TAHUN 2025-2027
DOI:
https://doi.org/10.64930/jstar.v5i2.136Kata Kunci:
Produksi Padi, Produksi Beras, Konsumsi Beras, Peramalan, ARIMA MusimanAbstrak
Swasembada pangan menjadi prioritas dalam program pemerintah saat ini, termasuk bagi pemerintah provinsi Nusa Tenggara Timur (NTT). Menurut data BPS, selama periode 2018-2024, produksi padi dalam negeri tidak mampu memenuhi kebutuhan konsumsi masyarakat NTT, meskipun berbagai upaya telah dilakukan oleh pemerintah. Penelitian ini bertujuan untuk meramalkan produksi padi dan gabah, serta kecukupannya dalam memenuhi kebutuhan konsumsi masyarakat NTT untuk periode 2025-2027. Data yang digunakan adalah data bulanan mengenai produksi padi, produksi beras, dan konsumsi beras untuk periode 2018-2024. Metode peramalan yang digunakan adalah ARIMA musiman (5,1,4)(1,1,0)12 untuk produksi padi dan (3,1,3)(1,1,1)12 untuk konsumsi padi, sedangkan produksi padi dihitung menggunakan hasil Survei Konversi Gabah ke Beras (SKGB) tahun 2018 dan konversi susut/cecer gabah/beras NBM tahun 2018-2020 terhadap produksi padi. Hasil peramalan menunjukkan bahwa produksi padi dan beras belum mampunmencukupi kebutuhan konsumsi beras pada tahun 2025-2026, sedangkan pada tahun 2027, beras akan mengalami surplus secara agregat.
Unduhan
Referensi
Annamalai, N. & Johnson, A. (2023). Analysis and Forecasting of Area Under Cultivation of Rice in India: Univariate Time Series Approach. Springer Nature Singapore.
Badan Meteorologi Klimatologi dan Geofisika (BMKG). (2024). Laporan Prakiraan Musim Tanam 2024–2025. Jakarta: BMKG.
Badan Pusat Statistik (BPS). (2025). Statistik Produksi Tanaman Pangan Provinsi Nusa Tenggara Timur 2025. Kupang: BPS NTT.
Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day.
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.
Brockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting (3rd ed.). Springer.
Enders, W. (2015). Applied Econometric Time Series (4th ed.). Wiley.
Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
Hemavathi, M. & Prabakaran, K. (2018). ARIMA Model for Forecasting of Area, Production and Productivity of Rice and Its Growth Status in Thanjavur District of Tamil Nadu, India. Int.J.Curr.Microbiol.App.Sci, 7(2): 149-156.
Huang, R., Pan, K., Cai, Q., Lin, F., Xue, H., Li, M., & Liao, Y. (2025). Prediction of monthly occurrence number of scrub typhus in Ganzhou City, China, based on SARIMA and BPNN models. Infectious Disease Modelling 10: 691-701.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts.
Jadhav, V., Reddy, B. V. C., & Gaddi, G. M. (2017). Application of ARIMA Model for Forecasting Agricultural Prices. J. Agr. Sci. Tech. Vol. 19: 981-992.
Maganga, J. M. (2025). ARIMA consumption forecasting models and ATDC technological optimizations: the case of rice, maize and vegetable production in Mozambique. Scienti African 28: e02762.
Mao L, Huang Y, Zhang X, Li S, Huang X (2022). ARIMA model forecasting analysis of the prices of multiple vegetables under the impact of the COVID-19. PLOS ONE 17(7): e0271594.
Rahman, A., & Razzaque, A. (2000). On Reaching the Hard Core Poor: Some Evidence on Social Exclusion in NGO Programs. The Bangladesh Development Studies, 26, 1-35.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Statistika Terapan (ISSN 2807-6214)
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
