Analisis Tren Produksi Tanaman Pangan Di Indonesia Menggunakan Data Time Series
DOI:
https://doi.org/10.58738/jaf.v2i1.1043Keywords:
perubahan iklim, menganalisis tren dan pola musiman, tanaman pangan utamaAbstract
Sektor pertanian merupakan salah satu penopang utama perekonomian Indonesia, terutama dalam menjaga ketahanan pangan dan stabilitas ekonomi nasional. Namun, fluktuasi produksi tanaman yang disebabkan oleh perubahan iklim, kebijakan pemerintah, serta faktor sosial ekonomi menimbulkan tantangan dalam perencanaan dan pengambilan keputusan. Penelitian ini bertujuan untuk menganalisis tren produksi tanaman utama di Indonesia menggunakan pendekatan time series analysis guna mengetahui pola pertumbuhan, kestabilan, serta proyeksi produksi di masa mendatang. Metode penelitian yang digunakan adalah analisis data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) selama periode 2010–2024. Data meliputi komoditas padi, jagung, kedelai, dan kelapa sawit. Analisis dilakukan menggunakan model Autoregressive Integrated Moving Average (ARIMA) dan SARIMA untuk mengidentifikasi pola tren, musiman, dan fluktuasi produksi setiap komoditas. Uji stasioneritas dilakukan menggunakan Augmented Dickey-Fuller Test serta evaluasi model menggunakan parameter AIC, RMSE, dan MAPE. Hasil penelitian menunjukkan bahwa sebagian besar komoditas mengalami tren peningkatan produksi, meskipun terdapat variasi antar komoditas. Produksi padi dan kelapa sawit menunjukkan tren positif yang relatif stabil, sedangkan jagung dan kedelai cenderung fluktuatif akibat perubahan cuaca dan ketergantungan impor. Model ARIMA dan SARIMA yang dihasilkan mampu memprediksi tren produksi dengan tingkat akurasi tinggi sehingga dapat digunakan sebagai alat bantu perencanaan kebijakan pertanian nasional.
References
Ahmed, A. S. (2024). Modeling of ARIMA for Maize Production in India from 1980–2022. Journal of Data Science & Technology, 8(4), 61–66.
Ghosh, S., Mukhoti, S., & Sharma, P. (2025). Impact of Rainfall Risk on Rice Production: Realized Volatility in Mean Model.
Hasan, M. R. (2024). Selection of the Best Time Series ARIMA Model to Forecast Onion Production in Bangladesh. SAARC Journal of Agriculture, 22(2).
Kesuma, A. R., Siringoringo, M., & Mahmuda, S. (2024). Forecasting the Total of Paddy Production in Indonesia Using Time Series Regression Model. ARRUS Journal of Mathematics and Applied Science, 4(2), 78–88.
Maurya, A. K., Rai, R. K., Gautam, Y., Ojha, P. K., & Shukla, G. (2025). Forecasting of Gram Production in Bundelkhand Region Using ARIMA Model.
Özden, C. (2024). Forecasting Agricultural Input Price Index Using Statistical and Deep Learning Methods.
Poudel, B. (2024). Predicting Cultivation Area, Production and Yield of Maize in Nepal: An ARIMA Model Approach.
Rai, N. P., & Basak, S. (2024). Application of Univariate Time Series Models for Forecasting Area, Production, and Productivity of Aman Rice.
Rozy, A. F., & Syalsabilla, A. F. (2024). Optimization of Average Rice Price Forecasting in East Java Using Decomposition-Weighted Fuzzy Time Series.
Smitha, P., & Sumathy, M. (2023). ARIMA Model for Forecasting Area, Production and Productivity of Oilseeds in India.
Sujatha, P., & Sivasankari, B. (2023). Forecasting Area, Production and Productivity of Rice in Tamil Nadu Using Time Series Model.
Thapa, R., Devkota, S., Subedi, S., & Jamshidi, B. (2022). Forecasting Area, Production and Productivity of Vegetable Crops in Nepal Using the Box–Jenkins ARIMA Model.
Vučković, D., Janković Šoja, S., & Paunović, T. (2024). Forecasting Maize Production in Republic of Serbia Using ARIMA Model.
Yan, Y., Wang, Y., Li, J., Zhang, J., & Mo, X. (2025). Crop Yield Time-Series Data Prediction Based on Multiple Hybrid Machine Learning Models.
Zubair, M., Salim, M. S., Mustafy, M., et al. (2024). Agricultural Recommendation System Based on Deep Learning.
