Peramalan Harga Gandum di Tengah Invasi Rusia ke Ukraina dengan Pendekatan Intervensi Fungsi Step

Abstract View: 707, PDF Download: 306

Authors

  • Marcel Laverda Subiyanto Universitas Airlangga
  • Sediono Sediono Universitas Airlangga
  • Elly Ana Universitas Airlangga
  • M. Fariz Fadillah Mardianto Universitas Airlangga
  • Elly Pusporani Universitas Airlangga

DOI:

https://doi.org/10.32665/james.v6i2.1824

Keywords:

analisis intervensi, analisis runtun waktu, fungsi step, gandum, perang rusia-ukraina, intervention analysis, time series analysis, step function, wheat, russia-ukraine war

Abstract

Semenjak konflik antara Federasi Rusia dan Ukraina terjadi, perekonomian dunia terdampak cukup parah terutama harga komoditas dunia. Akibat dari perang di Ukraina, beberapa rantai-pasok komoditas pangan dunia mengalami hambatan, hingga berujung pada krisis pangan di sejumlah wilayah di Afrika dan mulai merambat ke beberapa negara khususnya di Asia. Gandum merupakan salah satu komoditas pangan yang mengalami kenaikan harga akibat dari konflik yang terjadi di Ukraina. Kenaikan harga gandum tersebut berdampak pula terhadap kenaikan harga produk turunan dari gandum, seperti tepung yang merupakan bahan baku pembuatan roti dan mie. Produk mie dan roti di Indonesia merupakan salah satu makanan pokok pengganti nasi, sehingga jika kondisi kenaikan harga gandum tidak diatasi, dikhawatirkan akan terjadi krisis pangan di Indonesia. Penelitian ini akan memodelkan dan memprediksi harga gandum dunia di tengah konflik antara Rusia dan Ukraina dengan pendekatan model intervensi fungsi step. Hasil penelitian menunjukkan bahwa prediksi harga komoditas gandum dunia di tengah invasi Rusia ke Ukraina dengan pendekatan model intervensi fungsi step menunjukkan hasil yang akurat. Model ARIMA(1,1,0) dengan b=0, s=2, dan r=2 menjadi model intervensi fungsi step paling baik. Nilai MAPE yang ditentukan dari pengujian data adalah 14,27%.

References

UNCTAD, “The impact on trade and development of the war in Ukraine,” 2022. [Online]. Available: https://unctad.org/webflyer/impact-trade-and-development-war-ukraine

J. D. Cryer and K.-S. Chan, Time Series Analysis With Applications in R 2nd Edition. New York: Springer, 2008.

G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time Series Analysis: Forecasting and Control. New Jersey: John Wiley & Sons, Inc., 2016.

R. W. Maharsi and N. A. N. Roosyidah, “Analisis Perbandingan Kebaikan Model Intervensi Fungsi Step dan ARIMA Box-Jenkins,” Jurnal Ilmiah Komputasi dan Statistika (JIKOSTIK), vol. 1, no. 2, pp. 1–10, 2022.

I. Lestari, B. Sumargo, and F. Ladayya, “Pemodelan ARIMA Intervensi untuk Meramalkan Harga Minyak Mentah Dunia,” Statistika, vol. 22, no. 2, pp. 133–146, 2022.

G. E. P. Box and G. C. Tiao, “Intervention Analysis with Applications to Economic and Environmental Problems,” J Am Stat Assoc, vol. 70, no. 349, pp. 70–79, 1975.

F. Hikmawati, E. Setyowati, and P. Dewanti, “Pemodelan Intervensi pada Jumlah Kedatangan Wisatawan Mancanegara ke Indonesia Tahun 1989-2018,” Jurnal Ilmiah Komputasi dan Statistika, vol. 1, no. 1, pp. 1–16, 2021.

H. Prabowo and I. R. Afandy, “Intervention Analysis and Machine Learning to Evaluate the Impact of COVID-19 on Stock Prices,” Inferensi, vol. 4, no. 1, pp. 13–27, 2021.

B. Herlina, “Gapmmi: Menaikkan Harga Mi Instan Jadi Pilihan Terakhir.” Accessed: Oct. 08, 2023. [Online]. Available: https://www.dw.com/id/gapmmi-menaikkan-harga-mi-instan-jadi-pilihan-terakhir/a-61001673

A. Crystine, A. Hoyyi, and D. Safitri, “ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 – 2011),” Jurnal Gaussian, vol. 3, no. 3, pp. 293–302, 2014.

D. N. Gujarati, Basic Econometrics, 4th ed. New York: The McGraw-Hill Companies, 2009.

Rusdi, “Uji Akar-Akar Unit dalam Model Runtun Waktu Autoregresif,” Statistika, vol. 11, no. 2, pp. 67–78, 2011.

J. D. Hamilton, Time Series Analysis. New Jersey: Princeton University Press, 1994.

W. W. S. Wei, Time Series Analysis: Univatiate and Mulivariate Method, 2nd ed. New York: Pearson Addison Wesley, 2006.

W. W. Daniel, Applied Nonparametric Statistics 2nd Edition. California: Duxbury Press, 2000.

H. Akaike, “Information Theory and an Extension of the Maximum Likelihood Principle,” in Proceeding 2nd International Symposium on Information Theory (Eds. B. N. Petrov and F. Csaki), Budapest: Akademiai Kiado, pp. 267–281, 1973.

C. D. Lewis, Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. London: Butterworth Scientific, 1982.

X. Guo, Y. Gao, Y. Li, D. Zheng, and D. Shan, “Short-term household load forecasting based on Long- and Short-term Time-series network,” Energy Reports, vol. 7, pp. 58–64, Apr. 2021, doi: 10.1016/J.EGYR.2021.02.023.

J. W. Tukey, “On the Comparative Anatomy of Transformations,” The Annals of Mathematical Statistics, vol. 28, no. 3, pp. 602–632, Sep. 1957, doi: 10.1214/aoms/1177706875.

J. E. Hanke and D. Wichern, Business Forecasting, 9th ed. New Jersey: Pearson, 2014.

Downloads

Published

2023-10-25

How to Cite

[1]
M. L. Subiyanto, S. Sediono, E. Ana, M. F. F. Mardianto, and E. Pusporani, “Peramalan Harga Gandum di Tengah Invasi Rusia ke Ukraina dengan Pendekatan Intervensi Fungsi Step”, JaMES, vol. 6, no. 2, pp. 167–175, Oct. 2023.
Abstract View: 707, PDF Download: 306

Most read articles by the same author(s)