Implementasi Model Generalized Space Time Autoregressive (Gstar) Dalam Peramalan Data Harga Beras (Studi Kasus: Data Harga Beras Pada Provinsi Jawa Timur, Jawa Tengah, Dan Jawa Barat Periode Agustus 2017 – Januari 2022)

Abstract

Sebagai negara ketiga penghasil beras terbanyak di dunia, produksi padi di Indonesia terus mengalami peningkatan yang cukup signifikan. Pada tahun 2020 Indonesia memproduksi padi sebesar 54,65 juta ton. Direktur Jendral Tanaman Pangan Kementan, menyebutkan bahwa Provinsi Jawa Tengah, Jawa Timur, dan Jawa Barat menjadi daerah penghasil beras terbesar di Indonesia. Setiap tahunnya jumlah konsumsi beras nasional terus mengalami peningkatan yang diiringi dengan meningkatnya jumlah penduduk setiap tahunnya. Fluktuasi harga beras sebagai kebutuhan pokok sangat mempengaruhi harga komoditas lain yang dapat menyebabkan inflasi dan deflasi yang cukup signifikan. Sebagai konsumen, tentunya masyarakat ingin mendapatkan harga beras yang relatif stabil dengan kualitas beras yang baik pula. Apabila harga beras naik, maka dapat menyebabkan pengeluaran rumah tangga pada masyarakat ikut naik. Dengan begitu, adanya peramalan terhadap harga beras perlu dilakukan. Salah satu alat penelitian peramalan yang mempertimbangkan keterkaitan antara waktu dan lokasi adalah model Generalized Space-Time Autoregressive (GSTAR). Penulis menggunakan dua jenis bobot lokasi pada model GSTAR, yaitu bobot lokasi seragam dan bobot lokasi invers jarak. Berdasarkan hasil analisis, diperoleh model GSTAR (81)I(1) dengan bobot lokasi seragam sebagai model terbaik. Hal ini karena model tersebut memenuhi asumsi white noise dan memiliki nilai MSE sebesar 45.223,45% dan MAPE sebesar 1,597351% yang lebih kecil dari model GSTAR (81)I(1) dengan bobot lokasi invers jarak.