Hapsari, Elva Ayu and Dr. Rachman Hartono,, S.P., M.P. (2023) Prediksi Harga Cabai Rawit Merah Menggunakan Model Autoregressive Distributed Lags (ARDL) dengan Menggunakan Pembelajaran Mesin (Machine Learning) (studi harga cabai rawit merah di Pasar Blimbing, Kota Malang). Sarjana thesis, Universitas Brawijaya.
Abstract
Pada masyarakat terdapat komoditas yang bukan merupakan bapok tetapi sangat dicari dan bahkan kadang tidak peduli dengan harganya yang sangat mahal, komoditas itu adalah cabai. Jenis cabai bermacam-macam diantaranya yaitu cabai merah besar, cabai keriting, dan cabai rawit merah. Cabai rawit merah adalah yang memiliki rasa paling pedas dan merupakan cabai yang memiliki fluktuasi harga yang sangat ekstrim sehingga cabai merupakan salah satu bahan pangan yang memiki harga sangat berfluktuasi. Adanya fluktuasi harga cabai rawit yang ekstrim ini menjadikan pemodelan harga cabai rawit menjasi issue yang menarik. Penelitian ini termasuk kategori penelitian kuantitatif dengan dataset multiple time series. Data time series (deret waktu) ialah serangkaian data yang diperoleh dari pengamatan atau kegiatan yang dilakukan selama periode waktu tertentu dan direkam secara berurutan dalam interval waktu yang tetap. Time series mampu mengatasi satu variabel yang bergantung pada waktu. Namun demikian, pemodelan ekonometrika (ARDL) yang dilakukan menggunakan pendekatan pembelajaran mesin. Pada dasarnya, pemodelan ARDL serupa dengan regresi berganda. Perbedaan utamanya adalah variabel respon (dependent variable) merupakan data time series, sedangkan variabel predictor/penjelas (independent variable) bisa berupa lag-lag dari faktor faktor yang berpengaruh terhadap variable respon dan (atau) lag-lag dari data time series lainnya dan laglag time seris variable respon. Variabel prediktornya adalah lag-lag dari data time series lain (harga cabai keriting dan cabai merah) dan lag-lag dari data time series variabel respon (harga cabai rawit). Harga konsumen harian dari 3 jenis cabai yaitu keriting, besar dan rawit di Pasar Blimbing kota Malang yang disajikan oleh SISKAPERBAPO dapatviii dipandang sebagai data multiple time series yaitu data time series ganda yang saling berkorelasi satu dengan lainnya. Pasar Blimbing kota Malang memiliki letak yang stategis yaitu dekat dengan kampus-kampus besar yang padat penduduk ataupun tempat kost mahasiswa. Selain itu pedagamg sayuran (termasuk cabai) di pasar Blimbing, ada beberapa shift yang hampir 24 jam beroperasi. Harga cabai keriting, cabai merah dan cabai rawit yang dijadikan sample pada penelitian ini adalah harga harian komoditas tersebut ditingkat konsumen mulai tanggal 1 Maret 2020 sampai tanggal 31 Maret 2023 yang terdiri atas sebanyak 1007 amatan. Tanggal permulaan pengambilan data dipertimbangkan sesuai dengan mulai terjadinya pandemic COVID 19 dan tanggal terakhir pengambilan data adalah hari terakhir data tersedia saat pengambilan data. Model ARDL yang dihasilkan pada lag p=3, 5, dan 7 memiliki variable prediktor dan nilai koefisien yang berbeda-beda, ketiga model ARDL memiliki kenerja RMSE, MAPE dan R2 yang hampir sama. Khususnya nilai R2 nya adalah sekitar 0.94 atau 94% yang mana nilai ini menunjukkan tingkat keberhimpitan antara nilai aktual dan nilai prediksi sebesar 94%. Model ARDL pada lag p = 3 menghasilan nilai kinerja RMSE dan MAPE terkecil yaitu sebesar 3371.537 dan 2.5% dan nilai kinerja R2 terbesar yaitu 94.4%.
English Abstract
In society there is a commodity that is not a staple but is highly sought after and sometimes doesn't even care about the very high price, that commodity is chili. There are various types of chilies including large red chilies, curly chilies, and red cayenne peppers. Cayenne pepper is the one that has the hottest taste and is a chili that has very extreme price fluctuations, so chili is one of the foodstuffs that has a very fluctuating price. The existence of extreme fluctuations in the price of cayenne pepper makes modeling the price of cayenne pepper an interesting issue. This research is included in the category of quantitative research with multiple time series datasets. Time series data is a series of data obtained from observations or activities carried out over a certain period of time and recorded sequentially at fixed time intervals. Time series is able to overcome one variable that depends on time. However, econometric modeling (ARDL) is carried out using a machine learning approach. Basically, ARDL modeling is similar to multiple regression. The main difference is that the response variable (dependent variable) is time series data, while the predictor/explanatory variable (independent variable) can be in the form of lags from factors that influence the response variable and (or) lags from other time series data and lags -lag time series variable response. The predictor variables are the lags of the other time series data (price of curly chili and red chili) and the lags of the response variable time series data (price of cayenne pepper). The daily consumer prices of 3 types of chilies, namely curly, large and cayenne at the Blimbing Market in Malang city presented by SISKAPERBAPO (https://siskaperbapo.jatimprov.go.id/) can be seen as multiple time series data, namely multiple time series data that are mutually exclusive. correlate with one another. The Blimbing market in Malang has a strategic location, which is close tox large, densely populated campuses or student boarding houses. Apart from that, there are vegetable traders (including chilies) at the Blimbing market, there are several shifts that operate almost 24 hours a day. The prices of curly chilies, red chilies and cayenne pepper which were sampled in this study were the daily prices for these commodities at the consumer level from March 1 2020 to March 31 2023 which consisted of 1007 observations. The start date of data collection is considered according to the start of the COVID 19 pandemic and the last date of data collection is the last day the data is available when data is collected. The ARDL models produced at lag p = 3, 5, and 7 have different predictor variables and coefficient values, the three ARDL models have almost the same RMSE, MAPE and R2 performance. In particular, the R2 value is around 0.94 or 94%, which indicates a degree of overlap between the actual value and the predicted value of 94%. The ARDL model at lag p = 3 produces the smallest RMSE and MAPE performance values of 3371.537 and 2.5% and the largest R2 performance values of 94.4%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 052304 |
| Divisions: | Fakultas Pertanian > Agribisnis |
| Depositing User: | Unnamed user with username chikyta |
| Date Deposited: | 15 Jan 2024 03:01 |
| Last Modified: | 15 Jan 2024 03:01 |
| URI: | http://repository.ub.ac.id/id/eprint/209782 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Elva Ayu Hapsari.pdf Restricted to Registered users only until 31 December 2025. Download (3MB) |
Actions (login required)
 |
View Item |