Prediksi nilai tukar petani di Jawa Tengah dengan metode Hybrid Autoregressive Integrated Moving Average dan Neural Network (Hybrid ARIMA-NN)

Purwaningsih Purwaningsih, Universitas Negeri Yogyakarta, Indonesia
Dhoriva Urwatul Wustqa, Universitas Negeri Yogyakarta, Indonesia

 10.21831/jssd.v3i2.20088

Abstract


Nilai Tukar Petani (NTP) merupakan salah satu indeks untuk mengukur tingkat kemakmuran petani. Penelitian ini bertujuan untuk mengetahui model hybrid ARIMA-NN dalam memprediksi nilai tukar petani dan mengetahui prediksi nilai tukar petani di masa mendatang. Data penelitian yang digunakan adalah data bulanan NTP di Jawa Tengah periode tahun 2013 hingga 2021 yang diperoleh dari publikasi Badan Pusat Statsitika Jawa Tengah. Pengolahan data dilakukan dengan metode ARIMA dengan mengidentifikasi model, mengestimasi parameter, menguji signifikansi, dan memilih model ARIMA terbaik, kemudian dari ARIMA digunakan untuk memprediksi dan mendapatkan nilai residual yang akan digunakan dalam proses NN menggunakan arsitektur jaringan backpropagation dan fungsi aktivasi sigmoid biner. Setelah model ARIMA dan NN diperoleh maka kedua model digabung untuk memprediksi nilai tukar petani di periode selanjutnya. Hasil prediksi yang diperoleh untuk memprediksi nilai tukar petani di Jawa Tengah menghasilkan akurasi yang baik yang mendapatkan nilai tertinggi terjadi di bulan Desember 2022 sebesar 105,29 dan nilai terkecil terjadi di bulan Januari 2022 sebesar 103,69.

Keywords


NTP; hybrid; ARIMA; NN

Full Text:

PDF

References


Karo, I. M. K (2021). Prediksi penyebaran demam berdarah dangue dengan algoritma Hybrid autoregressive integrated moving average dan artificial neural network: studi kasus di kabupaten bandung. Journal of Software Engineering, Information and Communication Technology (SEICT), 2(2), 130-135.

Sari, V., & Maulidany, D. A. (2020). Prediksi kecepatan angin dalam mendeteksi gelombang air laut terhadap skala beaufort dengan metode Hybrid arima-ann (Studi Kasus: Kabupaten Lombok Barat 2019). Jurnal Statistika Universitas Muhammadiyah Semarang, 8(1).

Naveena, K., Singh, S., Rathod, S., & Singh, A. (2017). Hybrid ARIMA-ANN modelling for forecasting the price of robusta coffee in India. Int. J. Curr. Microbiol. Appl. Sci, 6(7), 1721-1726.

Wei, W. (2006). Time series analysis: univariate and multivariate methods. New York: Pearson Education, Inc.

Siang, J. J. (2009). Jaringan syaraf tiruan dan pemrogramannya menggunakan matlab. Yogyakarta: Andi.

Fauset, L. (1994). Fundamental of neural network. Upper Saddle River: Prentice Hall Inc.

Hanke, J. E., & Wichern, D. W. (2014). Business forecasting. New Jersey: Pearson Education, Inc.

Kusumadewi,S. (2003). Artificial intelligence. Graha Ilmu, Yogyakarta.

Zhang, G. P. (2001). Time series forecasting using a Hybrid ARIMA and Neural Network Model. Elsevier Neuro Computing, pp. 159 - 175.

Hillmer, S. C. (1991). Time series analysis: univariate and multivariate methods. Journal of the American Statistical Association, 86(413), 245-247.

Wahyudin, S. (2019). Prediksi inflasi indonesia memakai model arima dan artificial neural network. Jurnal Tata Kelola dan Kerangka Kerja Teknologi Informasi, 5(2), 57-63.




DOI: https://doi.org/10.21831/jssd.v3i2.20088

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Jurnal Statistika dan Sains Data

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Our journal is indexed by:

Online ISSN (e-ISSN): 3025-9649

Creative Commons LicenseJurnal Statistika dan Sains Data by http://journal.student.uny.ac.id/ojs/index.php/jssd is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 JSSD Statistics