Analisis Outlier Pada Data Produksi Pertanian Untuk Validasi Statistik Nasional
DOI:
https://doi.org/10.58738/jaf.v4i1.1078Keywords:
outlier, produksi pertanian, validasi data, statistik nasional, Z-Score, IQRAbstract
Validitas data statistik nasional menjadi elemen krusial dalam penyusunan kebijakan publik, terutama di sektor pertanian yang berkontribusi besar terhadap perekonomian nasional. Namun, akurasi data produksi pertanian seringkali terganggu oleh adanya outlier atau data pencilan yang dapat mempengaruhi estimasi rata-rata, varians, dan hasil analisis statistik lainnya. Penelitian ini bertujuan untuk menganalisis keberadaan outlier pada data produksi pertanian sebagai upaya validasi dan peningkatan kualitas data statistik nasional. Metode penelitian menggunakan pendekatan kuantitatif dengan penerapan teknik deteksi outlier berbasis statistik deskriptif dan inferensial, seperti metode Z-Score, Boxplot Analysis, dan Interquartile Range (IQR). Data penelitian diperoleh dari publikasi resmi Badan Pusat Statistik (BPS) mengenai produksi beberapa komoditas pertanian utama di Indonesia selama periode 2015–2023. Hasil analisis menunjukkan bahwa sejumlah data provinsi memiliki nilai produksi ekstrem yang berpotensi sebagai outlier akibat faktor seperti kesalahan pencatatan, fluktuasi iklim ekstrem, serta perbedaan metode pelaporan di tingkat daerah. Identifikasi outlier melalui kombinasi metode Z-Score dan IQR menghasilkan tingkat akurasi deteksi lebih tinggi dibandingkan penggunaan tunggal salah satu metode. Dengan demikian, deteksi dan penanganan outlier menjadi langkah strategis dalam memastikan reliabilitas data pertanian nasional, sekaligus meningkatkan konsistensi laporan statistik lintas wilayah dan waktu. Temuan penelitian ini menegaskan pentingnya validasi data berbasis analisis statistik dalam mendukung perumusan kebijakan pertanian yang berbasis bukti (evidence-based policy).
References
Botero-Valencia, J. S., Pérez-Rivera, H., & Rojas, A. (2025). Hybrid outlier detection methods for agricultural datasets using machine learning and robust statistics. Computers and Electronics in Agriculture, 226, 108727. https://doi.org/10.1016/j.compag.2025.108727
Du, X., Zhang, H., & Li, Y. (2023). An improved Z-score model for detecting extreme values in agricultural production data. Journal of Statistical Computation and Simulation, 93(12), 2391–2405.
McKechnie, J., & Adams, T. (2024). Integrating human-in-the-loop validation in national agricultural data systems. Data Science for Policy, 6(2), 77–94.
Rahman, M., Hossain, A., & Karim, R. (2023). Outlier impact on crop yield estimation using robust regression models. Agricultural Systems, 209, 103668.
Li, C., Wang, S., & Zhao, L. (2022). Detecting anomalies in agricultural statistics using interquartile range and modified Z-score methods. Environmental Modelling & Software, 158, 105519.
Siregar, D. A., & Pratama, H. (2023). Penerapan metode IQR dan Z-Score dalam mendeteksi pencilan pada data produksi padi nasional. Jurnal Statistika dan Komputasi, 9(1), 45–57.
Widodo, S., & Nuraini, F. (2022). Validasi data pertanian berbasis statistik robust untuk pengambilan keputusan kebijakan pangan. Jurnal Ekonomi Pertanian Indonesia, 11(3), 215–230.
Kurniawan, A., & Handoko, B. (2021). Analisis keakuratan data statistik pertanian Indonesia menggunakan pendekatan deteksi pencilan spasial. Jurnal Informatika Pertanian, 30(2), 95–107.
Liu, Y., Chen, J., & Xu, D. (2020). Local Outlier Factor application for spatial anomaly detection in crop yield data. IEEE Access, 8, 199841–199852.
Lee, H., & Park, J. (2022). Robust statistical validation of national agricultural data under climate variability. Journal of Agricultural Economics, 73(4), 921–938.
Sato, T., & Kobayashi, M. (2021). Comparative analysis of IQR and MAD methods in detecting anomalies in agricultural census data. Statistics and Data Analysis, 45(2), 153–169.
Nugroho, R., & Sulastri, M. (2024). Pengaruh anomali iklim terhadap pencilan data hasil panen di Indonesia. Jurnal Agromet Indonesia, 38(1), 11–28.
Gomez, F., & Torres, E. (2020). Automated outlier detection systems for national statistical offices. International Journal of Data Quality, 12(3), 210–225.
FAO. (2023). Improving reliability of agricultural production statistics through data validation and anomaly detection. FAO Statistical Development Series, 18, 1–52.
Badan Pusat Statistik (BPS). (2023). Statistik Pertanian Indonesia 2015–2023. Jakarta: BPS RI.
Shrestha, R., & Adhikari, P. (2022). Outlier-aware modeling for yield forecasting in developing economies. Computers and Industrial Engineering, 168, 108095.
Hermawan, D., & Rachmawati, L. (2020). Analisis deteksi pencilan data hasil pertanian untuk mendukung validasi statistik nasional. Jurnal Statistika dan Analisis Data, 12(4), 233–247.
Yuliani, S., & Prasetyo, R. (2019). Evaluasi kesalahan pencatatan pada data pertanian menggunakan pendekatan data quality assessment. Jurnal Sistem Informasi Pertanian, 27(1), 55–68.
Ahmed, A., & Ullah, M. (2023). Evaluating hybrid outlier detection frameworks for agricultural data pipelines. Information Processing in Agriculture, 10(2), 389–401.
Zulkifli, N., & Hartati, D. (2021). Peningkatan kualitas data statistik pertanian melalui integrasi metode deteksi pencilan dan verifikasi manual. Jurnal Kebijakan Statistik, 5(2), 100–116.
