Jurnal Javanica Volume 5 Nomor 1: 61-77 .
PERAMALAN HARGA GABAH KERING PANEN MENGGUNAKAN METODE SEASONAL AUTOREGRESSIVE INTEGRATED MOVING
AVERAGE (SARIMA) DI KABUPATEN BANYUWANGI
Akmalia Zumarotul Karomah1.
Riza Rahimi Bachtiar1.
Nur Syamsi Aisyah1.
Aldy Bahaduri Indraloka1 Program Studi Agribisnis.
Politeknik Negeri Banyuwangi E-mail: akmaliazumarotulkaromah@gmail.
Informasi Artikel Jurnal Javanica https://jurnal.
/index.
php/javanica E-ISSN 2963-8186 https://doi.
org/10.
57203/java Draft awal 18 June 2026 Revisi 24 June 2026 Diterima 6 July 2026 Diterbitkan oleh Jurnal Javanica Program Studi Agribisnis Politeknik Negeri Banyuwangi ABSTRAK Gabah Kering Panen (GKP) merupakan komoditas strategis yang berperan penting dalam meningkatkan pendapatan petani dan menjaga stabilitas pangan di Kabupaten Banyuwangi.
Fluktuasi harga GKP yang dipengaruhi oleh perubahan produksi, musim panen, dan kondisi pasar menuntut adanya analisis serta peramalan harga untuk mendukung pengambilan keputusan.
Penelitian ini bertujuan menganalisis tren harga, mengidentifikasi pola musiman, dan meramalkan harga GKP tahun 2026 menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA).
Penelitian dilakukan dengan pendekatan kuantitatif deskriptif menggunakan data sekunder harga GKP bulanan periode 2020Ae2025 yang diperoleh dari Badan Pusat Statistik (BPS) Kabupaten Banyuwangi.
Analisis dilakukan menggunakan tahapan Box-Jenkins yang meliputi uji stasioneritas, identifikasi model, estimasi parameter, uji diagnostik, pemilihan model terbaik, dan peramalan.
Hasil penelitian menunjukkan bahwa harga GKP selama periode pengamatan berfluktuasi dengan kecenderungan meningkat serta memiliki pola musiman pada lag ke-12.
Data awal belum stasioner dengan nilai probabilitas ADF sebesar 0,1311 sehingga dilakukan differencing hingga data menjadi stasioner.
Model terbaik yang diperoleh adalah SARIMA .
,1,.
,1,.
Hasil peramalan menunjukkan bahwa harga GKP tahun 2026 diperkirakan berada pada kisaran Rp7.
137,47/kg hingga Rp9.
209,91/kg dengan kecenderungan berfluktuasi dan meningkat secara bertahap.
Kata kunci: Deret Waktu.
Gabah Kering Panen.
Peramalan Harga.
SARIMA
ABSTRACT
Harvested Dry Paddy is a strategic agricultural commodity that plays an important role in increasing farmers' income and maintaining food security in Banyuwangi Regency.
Fluctuations in Harvested Dry Paddy prices, influenced by changes in production, harvest seasons, and market conditions, require appropriate forecasting to support decision-making.
This study aimed to analyze price trends, identify seasonal patterns, and forecast Harvested Dry Paddy prices in 2026 using the Seasonal Autoregressive Integrated Moving Average (SARIMA) method.
descriptive quantitative approach was employed using monthly Harvested Dry Paddy price data from 2020 to 2025 obtained from Statistics Indonesia (BPS) of Banyuwangi Regency.
The analysis followed the BoxAeJenkins procedure, including stationarity testing, model identification, parameter estimation, diagnostic checking, model selection, and forecasting.
The results showed that Harvested Dry Paddy prices fluctuated during the observation period with an increasing trend and exhibited a seasonal pattern at lag 12.
The initial data were non-stationary, as indicated by an Augmented Dickey-Fuller (ADF) probability value of 0.
differencing was performed until stationarity was achieved.
The best forecasting model was SARIMA .
,1,.
,1,.
The forecasting results Jurnal Javanica Volume 5 Nomor 1: 61-77 .
indicated that Harvested Dry Paddy prices in 2026 are expected to range from IDR 7,137.
47/kg to IDR 9,209.
91/kg, with a gradual upward trend despite continuing fluctuations.
Keywords: Harvested Dry Grain.
Price Forecasting.
SARIMA.
Time Series PENDAHULUAN Sektor pertanian memiliki peran strategis dalam perekonomian Indonesia, terutama dalam penyediaan bahan pangan dan penyerapan tenaga kerja di wilayah Subsektor tanaman pangan memiliki posisi penting karena berkaitan langsung dengan kebutuhan pokok masyarakat.
Salah satu komoditas utama dalam subsektor ini adalah padi yang menjadi sumber pangan utama masyarakat Indonesia.
Bagi masyarakat Indonesia, padi merupakan sumber pangan utama sehingga ketersediaan dan kestabilan produksinya menjadi perhatian utama pemerintah.
GKP merupakan hasil panen yang pertama kali dipasarkan oleh petani dan menjadi sumber pendapatan utama bagi petani setelah panen.
Faillah .
menunjukkan bahwa harga gabah di tingkat petani memiliki pengaruh positif dan signifikan terhadap nilai tukar petani, yang berarti perubahan harga gabah akan langsung berdampak pada pendapatan petani.
Kabupaten Banyuwangi merupakan kabupaten terluas di Jawa Timur dengan luas wilayah mencapai 5.
782,50 kmA.
Pada tahun 2024, total luas lahan tanaman padi sebesar 651 ha dengan hasil produksi sebesar 395.
631,38 ton.
Sentra produksi terletak di beberapa kecamatan seperti: Singojuruh total produksi mencapai 62.
439 ton dan Srono total produksi mencapai 58.
027 ton (BPS, 2.
Besarnya luas lahan dan volume produksi padi menunjukkan bahwa komoditas padi memiliki peran strategis dalam perekonomian daerah Banyuwangi, sehingga dinamika harga gabah di wilayah ini menjadi isu penting yang perlu mendapat perhatian.
Keberlanjutan produksi padi menjadi faktor penting dalam memenuhi kebutuhan konsumsi masyarakat.
Namun demikian, produksi padi dapat mengalami perubahan dari waktu ke waktu.
Perubahan tersebut dipengaruhi oleh berbagai faktor seperti luas panen, produktivitas lahan, serta kondisi iklim.
Dalam kegiatan pertanian, produksi merupakan proses pemanfaatan berbagai faktor produksi seperti lahan, tenaga kerja, modal, dan teknologi untuk menghasilkan output pertanian (Widyantari et al.
, 2.
Pada saat musim panen raya, sebagian besar petani melakukan panen secara bersamaan sehingga jumlah produksi meningkat dan pasokan gabah di pasar menjadi Sebaliknya, pada periode di luar musim panen jumlah produksi cenderung menurun sehingga pasokan gabah menjadi lebih terbatas.
Kondisi tersebut menyebabkan harga gabah sering mengalami perubahan dari waktu ke waktu.
Amri et al.
, .
menjelaskan bahwa pola tanam serta luas lahan tanam memiliki pengaruh terhadap jumlah produksi padi yang dihasilkan di suatu wilayah.
Perubahan kondisi pasokan tersebut menyebabkan harga GKP ditingkat petani cenderung berfluktuasi.
Pada periode panen raya, pasokan gabah di pasar meningkat sehingga harga cenderung mengalami Sebaliknya, pada periode di luar musim panen atau masa paceklik, jumlah pasokan gabah menurun sehingga harga cenderung mengalami kenaikan.
Perbedaan How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
kondisi pasokan tersebut menyebabkan harga GKP sering mengalami perubahan dari waktu ke waktu.
Oleh sebab itu, dinamika harga GKP menjadi perhatian penting tidak hanya bagi petani, tetapi juga bagi pemerintah dalam upaya menjaga keberlanjutan usaha tani dan stabilitas ekonomi sektor pertanian (Sazuli et al.
, 2.
Melihat adanya pola fluktuasi harga tersebut, diperlukan suatu pendekatan analisis yang mampu memperkirakan pergerakan harga pada periode mendatang.
Peramalan harga merupakan proses memperkirakan nilai harga di masa mendatang dengan melihat pergerakan pola harga pada periode sebelumnya.
Lusiana dan Yuliarty .
menjelaskan bahwa peramalan dilakukan dengan menganalisis data masa lalu sehingga hasilnya dapat dimanfaatkan dalam perencanaan dan penentuan strategi di masa Peramalan harga dapat membantu petani dalam merencanakan jumlah produksi serta menentukan cara terbaik untuk memasarkan hasil pertanian.
Salah satu metode yang banyak digunakan dalam analisis peramalan deret waktu adalah Autoregressive Integrated Moving Average (ARIMA).
Metode ARIMA merupakan salah satu metode peramalan yang sering digunakan dalam analisis data runtut waktu .
ime serie.
Metode ini bekerja dengan memanfaatkan data historis untuk mempelajari pola perubahan data, sehingga dapat digunakan untuk menggambarkan kecenderungan tren dan fluktuasi yang terjadi dari waktu ke waktu.
Karakteristik tersebut menjadikan ARIMA relevan untuk diterapkan pada peramalan harga komoditas pertanian yang umumnya bersifat dinamis dan tidak stabil.
Sejumlah penelitian terdahulu menunjukkan bahwa metode ARIMA telah berhasil digunakan dalam peramalan harga komoditas pertanian.
Penelitian yang dilakukan oleh Ramadhani et al.
, .
menyatakan bahwa ARIMA mampu meramalkan harga gabah dengan memiliki tingkat akurasi yang cukup baik setelah dilakukan proses differencing agar data menjadi stabil.
Ria et al.
, .
juga menunjukkan bahwa ARIMA menghasilkan hasil peramalan dengan tingkat kesalahan yang relatif rendah.
Toy et al.
, .
menemukan bahwa penerapan model ARIMA pada peramalan harga beras di Kota Kupang mampu memprediksi pergerakan tren harga dengan tingkat akurasi yang cukup baik berdasarkan data historis.
Seiring dengan perkembangan metode peramalan deret waktu, model ARIMA kemudian dikembangkan menjadi Seasonal Autoregressive Integrated Moving Average (SARIMA) untuk mengakomodasi data yang mengandung pola musiman.
Menurut Yahya .
SARIMA merupakan pengembangan dari ARIMA yang mampu memodelkan komponen non-musiman dan musiman secara bersamaan sehingga lebih sesuai digunakan pada data yang menunjukkan pola berulang dalam periode tertentu.
Dengan kemampuan tersebut.
SARIMA banyak digunakan pada data deret waktu yang tidak hanya dipengaruhi oleh tren, tetapi juga oleh faktor musiman.
Sejalan dengan hal tersebut, penelitian Madani et al.
pada peramalan harga Gabah Kering Panen menunjukkan bahwa model SARIMA .
,1,.
,1,.
12 memiliki tingkat akurasi yang lebih baik dibandingkan metode Holt-Winters dengan nilai MAPE sebesar 7,334%.
Hasil tersebut menunjukkan bahwa SARIMA mampu menangkap pola How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
musiman tahunan pada data harga GKP dengan baik, sehingga efektif digunakan dalam peramalan komoditas pertanian yang memiliki karakteristik fluktuatif dan musiman.
Meskipun metode ARIMA telah banyak digunakan untuk meramalkan harga GKP dan beras di tingkat nasional maupun provinsi, penelitian yang secara khusus memfokuskan pada harga GKP di Kabupaten Banyuwangi dengan menggunakan data terbaru periode 2020Ae2025 sebagai dasar prediksi tahun 2026 masih terbatas.
Padahal, setiap daerah memiliki karakteristik produksi, pola panen, dan dinamika pasar yang berbeda sehingga diperlukan model peramalan yang berbasis data lokal.
Harga GKP tidak hanya menunjukkan kecenderungan tren, tetapi juga dipengaruhi oleh siklus musim tanam dan musim panen yang dapat menyebabkan pola pergerakan harga berulang pada periode tertentu.
Kondisi tersebut menunjukkan bahwa aspek musiman perlu diperhatikan dalam proses peramalan harga GKP.
Oleh karena itu, penelitian ini dilakukan untuk meramalkan harga Gabah Kering Panen (GKP) di Kabupaten Banyuwangi menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA).
Pemilihan metode SARIMA didasarkan pada kemampuannya dalam mengakomodasi komponen non-musiman dan musiman secara simultan sehingga diharapkan dapat menghasilkan peramalan yang sesuai dengan karakteristik data harga GKP di Kabupaten Banyuwangi.
II.
TINJAUAN PUSTAKA
Gabah Kering Panen Gabah Kering Panen (GKP) adalah gabah yang baru dipanen, secara umum mempunyai kadar air cukup tinggi, yaitu 22,9Ae29,1% (Ashar dan Muh, 2.
GKP
menjadi bentuk awal hasil produksi padi yang pertama kali dipasarkan oleh petani, sehingga harga GKP di tingkat petani memiliki peranan penting dalam menentukan pendapatan usaha tani padi.
Dalam rantai pasok beras.
GKP merupakan titik awal pembentukan harga sebelum melalui proses penggilingan dan distribusi ke pasar Oleh karena itu, perubahan harga GKP tidak hanya berdampak pada pendapatan petani, tetapi juga berpengaruh terhadap stabilitas harga beras di tingkat Rahman et al.
, .
menegaskan bahwa fluktuasi harga berpengaruh langsung terhadap pendapatan petani.
Faillah .
menjelaskan bahwa harga gabah memiliki pengaruh positif dan signifikan terhadap nilai tukar petani.
Dengan demikian, harga GKP tidak hanya berfungsi sebagai harga di tingkat produsen komoditas pertanian, tetapi juga mencerminkan kondisi ekonomi petani serta stabilitas pasar beras secara umum.
Fluktuasi Harga Fluktuasi merupakan suatu lonjakan atau ketidaktepatan .
ang tidak teratu.
mengenai segala sesuatu yang bisa digambarkan dalam sebuah grafik atau diagram (Amalia et al.
, 2.
Dalam konteks harga Gabah Kering Panen (GKP), fluktuasi harga menggambarkan naik turunnya harga dari periode ke periode yang tidak selalu teratur, sehingga dapat dianalisis menggunakan data historis untuk memahami pola dan kecenderungan pasar.
Harga Gabah Kering Panen (GKP) di tingkat petani cenderung How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
berfluktuasi karena dipengaruhi oleh berbagai faktor ekonomi, sosial, dan alam.
Faktor musiman, seperti panen raya, umumnya menyebabkan penurunan harga akibat pasokan gabah yang meningkat, sedangkan di luar musim panen, ketersediaan yang lebih rendah cenderung menaikkan harga (Sazuli et al.
, 2.
Selain faktor musiman, kebijakan pemerintah juga memiliki peran penting dalam menstabilkan harga GKP.
Kebijakan seperti subsidi pupuk dan pembelian gabah oleh Bulog dapat membantu menjaga stabilitas harga di pasar lokal dan nasional, sehingga melindungi pendapatan petani dari fluktuasi pasar yang tajam (RifaAoi, 2.
Fluktuasi harga tersebut berdampak langsung pada pendapatan petani dan strategi pengelolaan gabah.
Penurunan harga saat panen raya dapat menekan kesejahteraan petani, sedangkan kenaikan harga di luar musim panen memberikan peluang keuntungan apabila gabah disimpan atau dipasarkan secara tepat waktu.
Oleh karena itu, kemampuan untuk memprediksi harga GKP menjadi penting bagi petani, terutama untuk perencanaan produksi dan pengolahan.
Selain itu, prediksi harga juga membantu merancang strategi pemasaran dan intervensi kebijakan pemerintah yang lebih tepat sasaran (Anggita, 2.
Peramalan Peramalan merupakan upaya memperkirakan nilai harga di masa mendatang berdasarkan pola pergerakan data pada periode sebelumnya.
Lusiana dan Yuliarty .
menunjukkan bahwa peramalan dilakukan dengan menganalisis data masa lalu guna mengurangi ketidakpastian dalam pengambilan keputusan di masa depan.
Sejalan dengan hal tersebut.
Wanto dan Windarto .
menyatakan bahwa peramalan atau prediksi merupakan upaya menduga kejadian yang akan datang dengan menggunakan data historis serta metode ilmiah yang relevan.
Tujuan utama peramalan adalah menyediakan informasi yang dapat digunakan sebagai dasar pengambilan keputusan secara lebih Peramalan harga memiliki peranan penting karena harga komoditas cenderung Peramalan harga dapat membantu petani dalam menentukan waktu penjualan hasil panen secara optimal sehingga meminimalkan risiko kerugian akibat perubahan harga (Siswanti et al.
, 2.
Secara umum, metode peramalan dapat dibedakan menjadi dua kategori utama, yaitu peramalan kualitatif dan peramalan Peramalan kualitatif didasarkan pada penelitian subjektif, pengalaman ahli, serta opini pasar, sehingga biasanya digunakan ketika data historis tidak tersedia atau jumlahnya terbatas.
Contoh metode peramalan kualitatif antara lain metode Delphi, survei pakar, dan analisis skenario.
Peramalan kuantitatif memanfaatkan data historis dan teknik statistik atau matematis untuk memprediksi nilai di masa mendatang.
Metode peramalan kuantitatif umumnya digunakan apabila data masa lalu tersedia secara lengkap dan tersusun secara berkala.
Beberapa metode peramalan kuantitatif yang sering digunakan dalam peramalan harga gabah kering panen (GKP) antara lain Moving average.
Exponential Smoothing.
Fuzzy Time Series, dan Autoregressive Integrated Moving Average (ARIMA).
Metode-metode tersebut banyak diterapkan karena mampu menggambarkan pola pergerakan harga berdasarkan data runtut waktu.
How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
Analisis Deret Waktu Analisis deret waktu .
ime serie.
merupakan salah satu pendekatan analisis data yang digunakan untuk mempelajari perilaku suatu variabel berdasarkan urutan waktu tertentu dengan interval yang bersifat tetap.
Data deret waktu dikumpulkan secara berkelanjutan dari periode ke periode untuk menunjukkan bagaimana suatu fenomena berkembang dari waktu ke waktu (Sudrajat et al.
, 2.
Sihombing et al.
, .
menyatakan bahwa data runtut waktu adalah kumpulan nilai observasi yang dicatat secara teratur dalam periode waktu yang sama, sehingga dapat digunakan untuk mengamati perubahan dan kecenderungan data sepanjang waktu.
Kegiatan peramalan memanfaatkan analisis deret waktu untuk mengenali pola historis data masa lalu yang selanjutnya dimanfaatkan sebagai dasar dalam memperkirakan kondisi di masa mendatang.
Nurman et al.
, .
menjelaskan bahwa analisis deret waktu merupakan prosedur statistika yang bertujuan untuk memprediksi kejadian di masa depan guna mendukung proses pengambilan keputusan.
Dengan demikian, analisis deret waktu tidak hanya memperhatikan besarnya nilai data, tetapi juga pola pergerakan data dari waktu ke waktu.
Analisis deret waktu digunakan dalam penelitian ini untuk mengkaji pola pergerakan harga gabah kering panen (GKP) yang dicatat secara periodik dan menunjukkan fluktuasi harga dari waktu ke waktu.
Berdasarkan karakteristik data tersebut, metode peramalan berbasis model statistik, khususnya metode ARIMA, dinilai sesuai untuk digunakan dalam menganalisis serta meramalkan GKP.
Metode ARIMA Metode Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu metode peramalan kuantitatif yang digunakan untuk menganalisis dan memprediksi data runtut waktu .
ime serie.
berdasarkan pola historis data masa lalu.
Metode ini dikenal sebagai metode Box-Jenkis dan banyak digunakan dalam bidang ekonomi, keuangan, serta peramalan harga komoditas pertanian karena kemampuannya dalam menangkap pola fluktuasi data dari waktu ke waktu.
Rezaldi dan Sugiman .
menyatakan bahwa metode ARIMA adalah metode peramalan yang menghasilkan prediksi berdasarkan hubungan antara nilai data saat ini dengan nilai data pada periode sebelumnya serta kesalahan peramalan masa lalu.
Metode ini sesuai digunakan pada data yang bersifat fluktuatif dan dicatat secara periodik berdasarkan urutan waktu tertentu.
Model ARIMA tersusun atas tiga komponen utama, yaitu Autoregressive (AR).
Integrated (I), dan Moving Average (MA).
Komponen Autoregressive (AR) menunjukkan bahwa nilai suatu variabel pada periode tertentu dipengaruhi oleh nilai variabel pada periode sebelumnya.
Komponen Integrated (I) merupakan proses differencing yang bertujuan untuk menjadikan data bersifat stasioner, sedangkan komponen Moving Average (MA) menggambarkan hubungan antara nilai data saat ini dengan kesalahan peramalan pada periode sebelumnya (Sudrajat et al.
, 2.
Model ARIMA secara umum dinotasikan dalam bentuk ARIMA .
, d, .
, di mana p menunjukkan orde Autoregressive, d menunjukkan tingkat differencing, dan q menunjukkan orde Moving Average.
Penentuan nilai p, d, dan q dilakukan berdasarkan karakteristik data runtut waktu serta How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
analisis pola data yang terbentuk.
Pemilihan parameter yang tepat sangat berpengaruh terhadap tingkat akurasi hasil peramalan yang dihasilkan.
Metode ARIMA memiliki beberapa kelebihan yang menjadikan banyak digunakan dalam peramalan data runtut waktu.
Salah satu keunggulan ARIMA adalah kemampuannya dalam memodelkan pola data historis yang bersifat fluktuatif tanpa memerlukan variabel independen tambahan.
Selain itu.
ARIMA umumnya digunakan untuk peramalan jangka pendek hingga menengah dan memiliki prosedur pembentukan model sistematis serta terstruktur (Rezaldi dan Sugiman, 2.
Toy et al.
, .
menyatakan bahwa metode ARIMA mampu memberikan hasil peramalan dengan tingkat akurasi yang baik pada data harga komoditas pangan yang memiliki pola tren dan fluktuasi musiman.
Keunggulan tersebut menjadikan ARIMA relevan digunakan dalam peramalan harga komoditas pertanian, termasuk harga gabah kering panen (GKP), yang cenderung berfluktuasi akibat faktor musiman dan dinamika pasar.
Metode ARIMA juga memiliki keterbatasan.
Ngestisari et al.
, .
menjelaskan bahwa ARIMA hanya mengandalkan data historis dan tidak mempertimbangkan pengaruh faktor eksternal seperti kebijakan pemerintah, kondisi cuaca, maupun perubahan struktural pasar.
Selain itu, metode ARIMA memerlukan data yang bersifat stasioner sehingga diperlukan proses differencing yang tepat apabila data awal tidak mudah diasumsikan.
Metode ini juga kurang optimal untuk peramalan jangka panjang apabila terjadi perubahan pola data yang tidak konsisten (Akolo, 2.
Meskipun memiliki keterbatasan, metode ARIMA tetap relevan digunakan dalam peramalan harga gabah kering panen (GKP), terutama ketika tujuan penelitian difokuskan pada analisis pola historis data.
Harga GKP merupakan data runtut waktu yang dicatat secara periodik dan menunjukkan pola fluktuatif serta ketergantungan antar periode.
Oleh karena itu, penggunaan metode ARIMA dalam penelitian ini diharapkan mampu menggambarkan pola historis harga GKP di Kabupaten Banyuwangi serta menghasilkan prediksi yang dapat digunakan sebagai bahan pertimbangan dalam pengambilan keputusan bagi petani dan pemangku kepentingan terkait.
Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Model Seasonal Autoregressive Integrated Moving Average (SARIMA) merupakan pengembangan dari model Autoregressive Integrated Moving Average (ARIMA) yang dirancang khusus untuk menangani data runtut waktu .
ime serie.
yang memiliki pola musiman.
Model ini menggabungkan komponen Autoregressive (AR).
Integrated (I), dan Moving Average (MA) dengan komponen musiman untuk menangkap pola berulang dalam periode tertentu, seperti bulanan maupun tahunan (Junaedi et al.
Model SARIMA dituliskan dalam bentuk SARIMA .
,d,.
(P,D,Q)s, di mana parameter .
,d,.
menunjukkan komponen non-musiman, sedangkan parameter (P,D,Q) menunjukkan komponen musiman, dengan s sebagai panjang periode musiman.
Komponen musiman dalam model SARIMA digunakan untuk menangkap hubungan data pada periode tertentu yang berulang secara teratur, sehingga model ini mampu memberikan hasil peramalan yang lebih baik pada data yang memiliki pola musiman dibandingkan model ARIMA biasa.
How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
Dalam konteks analisis deret waktu, harga komoditas pertanian seperti Gabah Kering Panen (GKP) umumnya memiliki karakteristik fluktuatif dan dipengaruhi oleh faktor musiman, seperti musim tanam dan musim panen.
Pada saat musim panen raya, jumlah produksi gabah meningkat sehingga pasokan di pasar menjadi lebih besar dan harga cenderung menurun.
Sebaliknya, pada periode di luar musim panen, jumlah pasokan menurun sehingga harga cenderung mengalami kenaikan.
Kondisi tersebut menyebabkan adanya pola pergerakan harga yang berulang dalam periode tertentu.
Oleh karena itu, model SARIMA dinilai sesuai digunakan dalam menganalisis dan meramalkan harga GKP karena mampu mengakomodasi pola non-musiman dan musiman secara simultan, sehingga hasil peramalan yang diperoleh menjadi lebih akurat dan mampu menggambarkan pola pergerakan harga secara lebih baik (Yahya, 2.
METODOLOGI PENELITIAN
Penelitian ini dilaksanakan di Kabupaten Banyuwangi dengan menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Kabupaten Banyuwangi.
Data yang digunakan berupa data bulanan harga Gabah Kering Panen (GKP) periode Januari 2020 sampai Desember 2025 yang dipublikasikan oleh BPS Kabupaten Banyuwangi.
Pengumpulan dan pengolahan data dilakukan pada bulan MaretAeMei 2026.
Penelitian ini menggunakan pendekatan kuantitatif deskriptif dengan analisis deret waktu .
ime serie.
Pendekatan kuantitatif dipilih karena data yang digunakan berbentuk numerik dan dianalisis menggunakan teknik statistik untuk memperoleh model peramalan yang objektif dan terukur.
Analisis deret waktu digunakan untuk mengidentifikasi pola pergerakan harga GKP berdasarkan data historis sehingga dapat digunakan sebagai dasar dalam memprediksi harga pada periode yang akan datang.
Metode yang digunakan dalam penelitian ini adalah Seasonal Autoregressive Integrated Moving Average (SARIMA).
Pemilihan metode SARIMA didasarkan pada karakteristik data harga GKP yang diduga memiliki pola musiman akibat siklus produksi pertanian yang berlangsung secara periodik setiap tahun.
Model SARIMA merupakan pengembangan dari model ARIMA yang mampu mengakomodasi komponen nonmusiman dan komponen musiman secara simultan sehingga lebih sesuai digunakan pada data runtut waktu yang menunjukkan pola berulang dalam interval tertentu (Yahya.
Beberapa penelitian terdahulu juga menunjukkan bahwa model SARIMA memiliki kemampuan yang baik dalam memodelkan dan meramalkan data ekonomi maupun pertanian yang mengandung unsur musiman melalui pendekatan Box-Jenkins.
Analisis data dilakukan menggunakan perangkat lunak EViews 12 dengan mengikuti tahapan pemodelan Box-Jenkins yang meliputi identifikasi data, uji stasioneritas, identifikasi model, estimasi parameter, pengujian diagnostik, pemilihan model terbaik, dan peramalan.
Tahap pertama adalah analisis deskriptif melalui visualisasi grafik time series untuk mengamati pola umum data, termasuk kecenderungan tren, fluktuasi, dan indikasi musiman.
Selanjutnya dilakukan uji stasioneritas menggunakan Augmented Dickey-Fuller (ADF) untuk mengetahui apakah data telah memenuhi asumsi stasioneritas.
Hasil pengujian menunjukkan nilai ADF Test Statistic How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
sebesar -2,454045 dengan nilai p-value sebesar 0,1311 (>0,.
Nilai tersebut menunjukkan bahwa data belum stasioner sehingga diperlukan proses differencing sebelum dilakukan pemodelan.
Data yang tidak stasioner ditransformasikan melalui proses differencing hingga memenuhi asumsi stasioneritas yang diperlukan dalam pemodelan SARIMA.
Tahap berikutnya adalah identifikasi model dengan menganalisis pola Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF).
Analisis kedua grafik tersebut digunakan untuk menentukan nilai parameter non-musiman .
,d,.
dan parameter musiman (P,D,Q)s.
Setelah model tentatif diperoleh, dilakukan estimasi parameter menggunakan metode estimasi maksimum yang tersedia pada perangkat lunak EViews.
Parameter yang dihasilkan kemudian diuji signifikansinya untuk memastikan bahwa setiap komponen model memberikan kontribusi yang nyata terhadap pembentukan model peramalan.
Selanjutnya dilakukan uji diagnostik residual untuk mengevaluasi kelayakan model yang terbentuk.
Pengujian ini bertujuan memastikan bahwa residual model bersifat acak .
hite nois.
, tidak mengandung autokorelasi, serta memiliki rata-rata mendekati Dalam penelitian ini, tidak dilakukan uji normalitas residual karena fokus utama evaluasi model ARIMA/SARIMA adalah pada pemenuhan asumsi white noise.
Uji diagnostik dilakukan menggunakan Ljung-Box Test untuk menguji apakah residual model bersifat white noise, dengan kriteria bahwa model dinyatakan layak apabila nilai probabilitas lebih besar dari tingkat signifikansi yang digunakan ( = 0,.
Selain itu, pemilihan model terbaik dilakukan berdasarkan nilai Akaike Information Criterion (AIC) terkecil, signifikansi parameter, serta hasil uji diagnostik residual.
Model yang memiliki nilai AIC paling rendah dan memenuhi seluruh asumsi statistik dianggap mampu merepresentasikan pola data secara lebih baik dibandingkan model lainnya.
Tahap akhir penelitian adalah melakukan peramalan harga GKP tahun 2026 menggunakan model SARIMA terbaik yang diperoleh.
Hasil peramalan tidak hanya menghasilkan estimasi harga untuk beberapa periode mendatang, tetapi juga memberikan gambaran mengenai kecenderungan arah pergerakan harga GKP di Kabupaten Banyuwangi.
Informasi tersebut diharapkan dapat menjadi bahan pertimbangan bagi petani, pelaku usaha pertanian, serta pemerintah daerah dalam menyusun strategi produksi, pemasaran, dan pengambilan kebijakan yang berkaitan dengan komoditas IV.
HASIL DAN PEMBAHASAN
Analisis tren harga gabah kering panen (GKP) di Kabupaten Banyuwangi Analisis tren harga Gabah Kering Panen (GKP) periode 2020Ae2025 dilakukan menggunakan grafik deret waktu .
ime serie.
untuk mengamati pola pergerakan harga dari waktu ke waktu.
Hasil analisis menunjukkan bahwa harga GKP bersifat fluktuatif, namun secara umum memiliki kecenderungan meningkat.
Pada periode 2020Ae2021, harga relatif stabil pada kisaran Rp4.
400AeRp4.
800 per kilogram, meskipun sesekali mengalami penurunan yang diduga dipengaruhi oleh peningkatan pasokan saat musim How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
panen raya (Sazuli et al.
, 2.
Memasuki tahun 2022, harga mengalami kenaikan signifikan dan mencapai puncaknya pada Oktober 2022, yang diduga dipengaruhi oleh kenaikan harga bahan bakar minyak (BBM) dan inflasi yang berdampak pada meningkatnya biaya produksi dan distribusi (Agung, 2022.
BPS, 2.
Setelah mengalami penurunan, harga kembali menunjukkan tren meningkat pada periode 2023Ae 2025 meskipun masih disertai fluktuasi.
Secara keseluruhan, harga GKP selama periode penelitian menunjukkan tren naik dengan pergerakan yang dipengaruhi oleh faktor produksi, distribusi, serta dinamika penawaran dan permintaan pasar.
Kondisi ini menunjukkan pentingnya menjaga stabilitas harga untuk mendukung kesejahteraan petani dan stabilitas pangan (Hariyanti et al.
, 2.
Analisis pengaruh musiman pada harga GKP di Kabupaten Banyuwangi Analisis musiman dilakukan untuk mengidentifikasi adanya pola berulang pada data harga Gabah Kering Panen (GKP) di Kabupaten Banyuwangi.
Hasil analisis Autocorrelation Function (ACF) menunjukkan adanya lonjakan pada lag ke-12 yang mengindikasikan pola berulang setiap satu tahun.
Hal ini menunjukkan bahwa harga GKP pada suatu periode memiliki keterkaitan dengan harga pada periode yang sama di tahun Pola musiman tersebut diduga dipengaruhi oleh faktor yang terjadi secara berulang, seperti musim tanam dan panen, kondisi iklim, tingkat produksi, serta ketersediaan pasokan di pasar.
Oleh karena itu, keberadaan unsur musiman dalam data perlu diperhatikan dalam pembentukan model peramalan agar hasil yang diperoleh lebih Peramalan Peramalan harga Gabah Kering Panen (GKP) di Kabupaten Banyuwangi dilakukan untuk memperkirakan harga pada periode mendatang berdasarkan pola historis yang terkandung dalam data, seperti tren, fluktuasi, dan pola musiman.
Penelitian ini menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA) karena mampu mengakomodasi komponen non-musiman dan musiman pada data deret Model yang memenuhi kriteria diagnostik dan memiliki performa terbaik selanjutnya digunakan untuk memprediksi harga GKP tahun 2026.
Adapun tahapan peramalan yang dilakukan meliputi identifikasi pola data dan uji stasioneritas, proses differencing, identifikasi model menggunakan ACF dan PACF, estimasi parameter, uji diagnostik residual, pemilihan model terbaik, serta peramalan harga GKP.
Identifikasi Pola Data Analisis diawali dengan mengamati pola pergerakan harga Gabah Kering Panen (GKP) di Kabupaten Banyuwangi periode Januari 2020 hingga Desember 2025.
Berdasarkan grafik deret waktu, harga GKP menunjukkan pola fluktuatif dengan kecenderungan meningkat.
Kondisi tersebut mengindikasikan adanya komponen tren dan kemungkinan pola musiman pada data.
Pola pergerakan data harga GKP dapat dilihat pada Gambar 1 di bawah ini.
How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
Gambar 1.
Pola Pergerakan Data Harga GKP Selanjutnya dilakukan uji stasioneritas menggunakan Augmented Dickey-Fuller (ADF).
Hasil pengujian menunjukkan nilai probabilitas sebesar 0,1311 (>0,.
, sehingga data belum stasioner dan memerlukan proses differencing sebelum dilakukan pemodelan.
Stasioneritas Data Untuk memperoleh data yang stasioner, dilakukan differencing non-musiman dan Hasil pengujian ADF setelah differencing non-musiman menunjukkan nilai probabilitas sebesar 0,0000, sedangkan setelah differencing musiman sebesar 0,0012.
Kedua nilai tersebut lebih kecil dari 0,05, sehingga data dinyatakan telah stasioner dan memenuhi syarat untuk pemodelan SARIMA.
Hasil pengujian menunjukkan bahwa proses differencing berhasil menghilangkan unsur tren dan musiman pada data.
Identifikasi Model SARIMA Identifikasi model dilakukan menggunakan plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF).
Hasil correlogram menunjukkan adanya komponen non-musiman hingga lag ke-2 serta indikasi pola musiman pada lag ke-12.
Temuan tersebut menunjukkan bahwa data memiliki pola musiman tahunan sehingga model SARIMA lebih sesuai digunakan dibandingkan model ARIMA.
Correlogram ACF dan PACF dapat dilihat pada Gambar 2 di bawah ini.
How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
Gambar 2.
Correlogram ACF dan PACF Berdasarkan hasil identifikasi dan perbandingan nilai Akaike Information Criterion (AIC), diperoleh beberapa kandidat model terbaik sebagaimana disajikan pada Tabel 1.
Tabel 1 Hasil Identifikasi Model Model SARIMA .
,1,.
,1,.
SARIMA .
,1,.
,1,.
SARIMA .
,1,.
,1,.
AIC
Sumber: Data primer diolah, 2026 Model SARIMA .
,1,.
,1,.
12 memiliki nilai AIC terkecil dibandingkan model lainnya, sehingga dipilih sebagai kandidat utama untuk tahap pengujian berikutnya.
Uji Diagnostik Residual Pengujian diagnostik residual dilakukan menggunakan uji Ljung-Box untuk memastikan residual model bersifat white noise.
Hasil pengujian menunjukkan bahwa model SARIMA .
,1,.
,1,.
12 dan SARIM A .
,1,.
,1,.
12 memiliki nilai p-value lebih besar dari 0,05 pada seluruh lag pengujian.
Adapun hasil uji Ljung-Box dapat dilihat pada Tabel 2.
Tabel 2.
Hasil Uji Ljung-Box Model SARIMA .
,1,.
,1,.
SARIMA .
,1,.
,1,.
SARIMA .
,1,.
,1,.
Lag
(K)
(K=.
Statistik Ljung-Box Tabel Distribusi ycya How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
p-value Jurnal Javanica Volume 5 Nomor 1: 61-77 .
Model
Lag
(K)
(K=.
Statistik Ljung-Box Tabel Distribusi ycya p-value Sumber: Data primer diolah, 2026 Derajat bebas .
pada uji Ljung-Box ditentukan berdasarkan jumlah lag pengujian yang digunakan dikurangi jumlah parameter yang diestimasi dalam model SARIMA.
Parameter yang dimaksud meliputi parameter autoregressive (AR) dan moving average (MA) baik pada komponen non-musiman maupun musiman, sedangkan parameter differencing .
dan D) tidak termasuk dalam perhitungan karena bukan merupakan parameter yang diestimasi dalam model.
Hasil uji Ljung-Box menunjukkan bahwa model SARIMA .
,1,.
,1,.
12 memiliki nilai statistik Ljung-Box sebesar 15,053.
28,537.
40,290.
dan 44,233 pada lag 12, 24, 36, dan 48 dengan seluruh nilai p-value lebih besar dari 0,05.
Hasil tersebut menunjukkan bahwa residual model bersifat white noise dan tidak mengandung autokorelasi yang signifikan.
Uji normalitas residual tidak dilakukan karena pada pemodelan SARIMA yang berorientasi pada peramalan, asumsi utama yang harus dipenuhi adalah residual bersifat white noise dan tidak mengandung autokorelasi.
Hasil Peramalan Peramalan dilakukan menggunakan model terbaik SARIMA .
,1,.
,1,.
Hasil peramalan menunjukkan bahwa harga GKP di Kabupaten Banyuwangi pada tahun 2026 diperkirakan berada pada kisaran Rp7.
137,47/kg hingga Rp9.
209,91/kg.
Hasil peramalan dapat dilihat pada Tabel 3.
Tabel 3.
Hasil Peramalan 2026 Tahun Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Hasil Peramalan Rp7.
245,56
Rp7.
683,17
Rp7.
583,18
Rp7.
137,47
Rp7.
318,37
Rp7.
645,66
Rp7.
806,04
Rp7.
989,10
Rp8.
864,67
Rp9.
209,91
Rp9.
138,28
Rp8.
869,55
Confidence Interval/CI 95% Rp6.
056,74-8.
434,38
Rp5.
605,14-9.
761,19
Rp5.
029,35-10.
138,08
Rp4.
474,76-9.
800,19
Rp4.
407,13-10.
229,61
Rp4.
402,86-10.
888,46
Rp4.
438,03-11.
174,06
Rp4.
443,79-11.
534,40
Rp5.
288,68-12.
440,66
Rp5.
494,96-12.
924,87
Rp5.
410,51-12.
866,04
Rp5.
098,04-12.
641,06
Sumber: Data primer diolah, 2026 Hasil peramalan harga GKP tahun 2026 menunjukkan adanya fluktuasi pada setiap periode pengamatan.
Berdasarkan hasil estimasi model menggunakan EViews, diperoleh nilai peramalan yang bervariasi dari bulan ke bulan dengan kecenderungan How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
adanya peningkatan pada beberapa periode tertentu, khususnya pada pertengahan hingga akhir tahun.
Harga terendah diperkirakan terjadi pada bulan April sebesar Rp7.
137,47/kg, sedangkan harga tertinggi diperkirakan terjadi pada bulan Oktober sebesar Rp9.
209,91/kg.
Perbedaan harga antar bulan tersebut menunjukkan bahwa pola fluktuasi yang terdapat pada data historis masih diperkirakan akan memengaruhi pergerakan harga GKP pada tahun 2026.
Selain menghasilkan nilai peramalan .
, output model juga memberikan interval kepercayaan (Confidence interval/CI) 95% yang menunjukkan tingkat ketidakpastian dari hasil prediksi.
Interval kepercayaan tersebut menggambarkan bahwa nilai aktual harga GKP tidak hanya berada pada satu nilai tunggal hasil peramalan, tetapi berada dalam suatu rentang antara batas bawah (Lowe.
dan batas atas (Uppe.
yang dihasilkan secara otomatis dari output estimasi model pada EViews.
Sebagai contoh, pada bulan Januari 2026, hasil peramalan menunjukkan nilai 245,56 Rp/kg dengan interval kepercayaan 95% yang berada pada rentang 056,74 Rp/kg hingga 8.
434,38 Rp/kg.
Hal ini berarti bahwa harga aktual pada periode tersebut diperkirakan berada dalam rentang tersebut dengan tingkat keyakinan 95%.
Pola yang sama juga terjadi pada periode-periode berikutnya, di mana setiap hasil peramalan memiliki rentang ketidakpastian yang berbeda-beda sesuai dengan hasil estimasi model.
Penggunaan tingkat kepercayaan 95% merupakan standar umum dalam analisis statistik dan peramalan deret waktu.
Interval ini diperoleh secara otomatis dari output estimasi model pada EViews sebagai bentuk pengukuran ketidakpastian hasil prediksi.
Tingkat kepercayaan 95% dipilih karena mampu memberikan keseimbangan antara tingkat keyakinan dan lebar interval, sehingga hasilnya masih bersifat informatif dan dapat digunakan dalam analisis.
Sementara itu, tingkat kepercayaan 100% tidak digunakan dalam praktik statistik karena akan menghasilkan interval yang terlalu lebar sehingga kurang informatif dalam menjelaskan hasil peramalan.
Semakin jauh periode peramalan, interval kepercayaan cenderung semakin lebar.
Hal ini menunjukkan bahwa ketidakpastian hasil prediksi semakin meningkat seiring bertambahnya jarak waktu peramalan.
Kondisi ini merupakan hal yang umum dalam analisis deret waktu, karena semakin jauh dari data historis, tingkat akurasi model dalam memprediksi nilai cenderung menurun.
Secara keseluruhan, hasil peramalan ini tidak hanya memberikan gambaran mengenai arah pergerakan harga GKP pada tahun 2026, tetapi juga memberikan informasi mengenai tingkat ketidakpastian melalui interval kepercayaan 95%.
Informasi ini dapat menjadi acuan dalam pengambilan keputusan, khususnya terkait perencanaan dan stabilisasi harga di masa mendatang.
Hasil penelitian ini jika dibandingkan dengan Madani et al.
pada komoditas Gabah Kering Panen menunjukkan adanya kesesuaian hasil dalam penggunaan metode SARIMA.
Penelitian tersebut menunjukkan bahwa model SARIMA mampu digunakan untuk memodelkan data harga GKP yang memiliki pola fluktuatif dan Sejalan dengan hal tersebut, hasil penelitian ini juga menunjukkan bahwa metode SARIMA mampu menangkap pola fluktuasi harga dan kemungkinan adanya unsur How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
musiman pada data harga GKP di Kabupaten Banyuwangi.
Hal ini menunjukkan bahwa meskipun terdapat perbedaan lokasi dan periode pengamatan, kedua penelitian memiliki kesamaan dalam karakteristik data yang dapat dimodelkan dengan pendekatan SARIMA.
Dengan demikian, hasil kedua penelitian tersebut menunjukkan bahwa metode SARIMA sesuai digunakan untuk data deret waktu harga komoditas pertanian yang memiliki pola fluktuatif dan musiman.
Hasil peramalan harga GKP tahun 2026 dapat memberikan implikasi praktis bagi petani dalam pengambilan keputusan terkait pemasaran hasil panen.
Informasi mengenai tren harga dan fluktuasi yang diperkirakan terjadi dapat digunakan sebagai dasar dalam menentukan waktu penjualan yang lebih optimal.
Pada periode harga yang diperkirakan relatif rendah, petani dapat mempertimbangkan untuk tidak langsung menjual seluruh hasil panen dan melakukan penyimpanan gabah apabila kondisi memungkinkan.
Strategi penyimpanan ini bertujuan untuk menghindari kerugian akibat penjualan pada saat harga rendah, serta memberikan peluang untuk menjual pada periode dengan harga yang lebih Sebaliknya, pada periode yang diperkirakan mengalami peningkatan harga, petani dapat memanfaatkan kondisi tersebut untuk melakukan penjualan guna memaksimalkan Dengan demikian, hasil peramalan dapat membantu petani dalam menyusun strategi penjualan yang lebih adaptif terhadap fluktuasi harga.
Selain itu, informasi hasil peramalan juga dapat digunakan oleh penyuluh pertanian dan pihak terkait sebagai bahan rekomendasi dalam memberikan arahan kepada petani, khususnya terkait manajemen hasil panen dan strategi pemasaran yang lebih efisien.
KESIMPULAN DAN SARAN
Berdasarkan hasil penelitian peramalan harga Gabah Kering Panen (GKP) di Kabupaten Banyuwangi menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA), dapat disimpulkan bahwa harga GKP selama periode Januari 2020AeDesember 2025 menunjukkan pergerakan yang fluktuatif dengan kecenderungan meningkat dari waktu ke waktu, yang diduga dipengaruhi oleh perubahan kondisi pasar, tingkat produksi, distribusi hasil panen, serta faktor musiman tahunan yang teridentifikasi melalui lonjakan autokorelasi pada lag ke-12 dalam analisis ACF.
Model terbaik yang diperoleh adalah SARIMA .
,1,.
,1,.
12 dengan nilai AIC terkecil dan residual white noise, yang mampu merepresentasikan pola historis data dengan baik dan digunakan untuk meramalkan harga GKP tahun 2026, yang menunjukkan bahwa harga masih akan berfluktuasi namun cenderung meningkat secara bertahap.
Hasil peramalan ini diharapkan dapat dimanfaatkan oleh petani sebagai sumber informasi dalam menentukan waktu penjualan dan menyusun strategi produksi untuk memperoleh keuntungan optimal, serta bagi pemerintah daerah dan instansi terkait sebagai bahan pertimbangan dalam merumuskan kebijakan stabilisasi harga, pengelolaan pasokan, dan perlindungan kesejahteraan petani.
Adapun bagi peneliti selanjutnya, disarankan untuk menggunakan periode data yang lebih panjang, menambahkan variabel eksternal seperti curah hujan, luas panen, produksi padi, inflasi, harga pupuk, dan kebijakan pemerintah.
How to cite this article: Karomah.
Bachtiar.
Aisyah.
, & Indraloka.
Peramalan Harga Gabah Kering Panen Menggunakan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) Di Kabupaten Banyuwangi.
Jurnal Javanica.
: 6177.
https://doi.
org/10.
57203/javanica.
Jurnal Javanica Volume 5 Nomor 1: 61-77 .
serta membandingkan metode SARIMA dengan metode lain seperti SARIMAX.
VAR, atau machine learning guna memperoleh model dengan akurasi dan kemampuan prediksi yang lebih komprehensif.
DAFTAR PUSTAKA