Evaluasi Performa Model Peramalan Harga Beras Medium Bulanan di Jawa Barat: Pendekatan Expanding Window Out-of-Sample
Abstract
Studi peramalan harga beras menengah di Jawa Barat selama ini sebagian besar mengandalkan pendekatan satu model tanpa evaluasi out-of-sample yang sistematis, sehingga kinerja prediktif komparatif dari berbagai model deret waktu yang bersaing dalam kondisi peramalan yang realistis belum diteliti. Penelitian ini mengatasi kesenjangan tersebut dengan membandingkan lima model deret waktu, yaitu Seasonal Naïve, ARIMA (1,1,1), Additive Holt-Winters ETS, SARIMA (0,1,1) (0,1,1,12), dan SARIMA (1,1,1) (1,1,1,12) untuk harga beras medium bulanan di Provinsi Jawa Barat. Data diperoleh dari Pusat Informasi Harga Pangan Strategis Nasional (PIHPS) yang mencakup periode April 2017 hingga November 2025, terdiri dari 104 pengamatan bulanan. Kinerja model dievaluasi menggunakan prosedur jendela yang diperluas selama periode uji 21 bulan (Maret 2024 – November 2025) berdasarkan tiga metrik akurasi: MAE, RMSE, dan MAPE. Hasil menunjukkan bahwa ARIMA (1,1,1) secara konsisten mengungguli semua model pesaing, dengan mencapai MAE sebesar Rp 92,63/kg, RMSE sebesar Rp 169,47/kg, dan MAPE sebesar 0,62%, yang diklasifikasikan sebagai sangat akurat berdasarkan kriteria Lewis (1982). Temuan ini menunjukkan bahwa, dalam periode evaluasi yang ditandai oleh gangguan pasokan akibat El Niño dan perubahan kebijakan HET pemerintah, spesifikasi ARIMA non-musiman mencapai akurasi out-of-sample yang lebih unggul dibandingkan model SARIMA yang memasukkan komponen musiman historis, pola ini sejalan dengan kemungkinan bahwa gangguan musiman selama periode anomali membatasi keunggulan prediktif spesifikasi model musiman. Model dengan kinerja terbaik kemudian diterapkan untuk meramalkan harga beras untuk periode Desember 2025 - November 2026, dengan proyeksi harga yang relatif stabil di sekitar Rp. 14.809/kg. Temuan ini memberikan informasi awal yang dapat ditindaklanjuti bagi pemangku kepentingan regional dalam pemantauan dan pengelolaan harga beras jangka pendek.
References
Aini, F., & Yurisinthae, E. (2025). Rice market integration in Kubu Raya Regency, West Kalimantan, Indonesia. Agriecobis: Journal of Agricultural Socioeconomics and Business, 8(02), 201-210.
Andila, P. A. (2025). Penerapan model ARMA (autoregressive moving average) dalam meramalkan harga cabai di Kota Bukittinggi. Jurnal Informatika Dan Teknik Elektro Terapan, 13(2). https://doi.org/10.23960/jitet.v13i2.6148
Angkak, A. A. B., Mauritsius, D., & Jacob, Y. M. Y. (2024). Tinjauan yuridis terhadap ketidakstabilan harga beras berdasarkan Undang-Undang Nomor 8 Tahun 1999 tentang Perlindungan Konsumen. Artemis Law Journal, 1(2), 671–686. https://doi.org/10.35508/alj.v1i2.15994
Antonio, R. J., Valera, H. G., Mishra, A. K., Pede, V. O., Yamano, T., & Vieira, B. O. (2025). Rice price inflation dynamics in the Philippines. Australian Journal of Agricultural and Resource Economics, 69(2), 440-452. https://doi.org/10.1111/1467-8489.70012
Aryani, D. (2021). Instrumen pengendalian harga beras di Indonesia: Waktu efektif yang dibutuhkan. PANGAN, 30(2), 75–86. https://doi.org/10.33964/jp.v30i2.538
Awalloedin, N., Gata, W., & Setiawan, H. (2023). Prediksi harga beras super dan medium menggunakan LSTM dan BILSTM (moving average smoothing). Jurnal Ilmu Komputer, 16(1), 32–43. https://doi.org/10.24843/JIK.2023.v16.i01.p04
BPS Jawa Barat. (2021). Hasil Sensus Penduduk 2020 Provinsi Jawa Barat. Badan Pusat Statistik Provinsi Jawa Barat.
Feng, M. (2025). Forecasting sales of new energy vehicles: A comparative analysis based ETS-Holt-Winters-SARIMA model. In X. Li, C. Yuan, & L. Vartiak (Eds.), Proceedings of the 8th International Conference on Economic Management and Green Development (ICEMGD 2024). Applied Economics and Policy Studies (pp. 301–313). Springer. https://doi.org/10.1007/978-981-96-3236-7_28
Hariyanti, P., Iryani, N., & Ayu, P. (2023). Fluktuasi harga komoditas pangan dan pengaruhnya terhadap inflasi di Sumatera Barat. Jurnal Ekuilnomi, 5(1), 99-108.
Hermanto, S. (2017). Kebijakan harga beras ditinjau dari dimensi penentu harga. Forum Penelitian Agro Ekonomi, 35(1), 31–43. https://doi.org/10.21082/fae.v35n1.2017.31-43
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International journal of forecasting, 22(4), 679-688.
Lewis, C. D. (1982). Industrial and business forecasting methods. Butterworths.
Makridakis, S. (1993). Accuracy measures: theoretical and practical concerns. International journal of forecasting, 9(4), 527-529.
Moffat, I. U., & Akpan, E. A. (2019). White noise analysis: a measure of time series model adequacy. Applied Mathematics, 10(11), 989–1003. https://doi.org/10.4236/am.2019.1011069
Muchtar, I. R., & Afiyati. (2024). Comparison of linear regression and random forest algorithms for premium rice price prediction (case study: West Java). Jurnal Indonesia Sosial Teknologi, 5(7), 3122–3132.
Muzakir, N. A., & Yahya, M. Z. (2025). Analisis perbandingan model double exponential smoothing dan ARIMA untuk prediksi harga beras di Indonesia. VARIANSI: Journal of Statistics and Its application on Teaching and Research, 7(01), 7-20.
Pham, H. (2019). A new criterion for model selection. Mathematics, 7(12). https://doi.org/10.3390/MATH7121215
PIHPS. (2025). Data harga beras Provinsi Jawa Barat. Pusat Informasi Harga Pangan Strategis Nasional. https://www.bi.go.id/hargapangan/Home
Putra, A. W., Supriatna, J., Koestoer, R. H., & Soesilo, T. E. B. (2021). Differences in local rice price volatility, climate, and macroeconomic determinants in the indonesian market. Sustainability (Switzerland), 13(8). https://doi.org/10.3390/su13084465
Rahman, M. S., Chowdhury, A. H., & Amrin, M. (2022). Accuracy comparison of ARIMA and XGBoost forecasting models in predicting the incidence of COVID-19 in Bangladesh. PLOS global public health, 2(5), e0000495. https://doi.org/10.1371/journal.pgph.0000495
Rathod, S., Chitikela, G., Bandumula, N., Ondrasek, G., Ravichandran, S., & Sundaram, R. M. (2022). Modeling and forecasting of rice prices in India during the COVID-19 lockdown using machine learning approaches. Agronomy, 12(9), 2133. https://doi.org/10.3390/agronomy12092133
Sihombing, E. I., Suhendra, C. D., & Marini, L. F. (2024). Analisis data time series untuk prediksi harga komoditas pangan menggunakan autoregressive integrated moving average. KLIK: Kajian Ilmiah Informatika Dan Komputer, 4(6), 2711–2720. https://doi.org/10.30865/klik.v4i6.1863
Sukmawati, D., Firmanda, J. E., Amaliya, N. M., Khasanah, K., Jannah, N., & Susetyo, A. B. (2025). Aplikasi model ARIMA untuk peramalan produksi susu segar: Studi kasus data nasional Indonesia tahun 2000–2024. Jurnal Media Akademik (JMA), 3(12). https://doi.org/10.62281/7d0zgk81
