AIRAAIRA

Bigint Computing JournalBigint Computing Journal

Produksi durian di Kabupaten Dairi, Sumatra Utara, mengalami fluktuasi signifikan antar kuartal, menciptakan ketidakpastian dalam perencanaan panen dan distribusi. Studi ini mengembangkan sistem pendukung keputusan ringan yang mengintegrasikan pipeline forecasting ARIMA dengan aplikasi web Streamlit. Dataset sumber berisi 41.060 catatan panen pertanian dari 2020–2024, diagregasi menjadi 20 observasi regional per kuartal. Seri kasar tidak stasioner menurut uji Augmented Dickey–Fuller (ADF = −0,449, p = 0,901), sedangkan diferensiasi orde pertama menghasilkan seri stasioner (ADF = −4,120, p = 0,0009). Pemilihan model otomatis memilih ARIMA (4,0,1) dengan AIC = 401,649 dan BIC = 407,624. Evaluasi 80/20 kronologis pada empat kuartal 2024 menghasilkan RMSE 1,16 ton, MAE 1,15 ton, dan MAPE 4,33%, yang dihitung ulang dari prediksi per kuartal. Implementasi Streamlit mengintegrasikan manajemen data, diagnosis stasioneritas, pemilihan parameter otomatis, dan visualisasi prediksi. Hasil menunjukkan bahwa baseline ARIMA yang dapat diinterpretasi dapat memberikan prediksi regional jangka pendek ketika data historis terbatas, meskipun seri pendek memerlukan generalisasi yang hati-hati dan validasi lanjutan.

Studi ini mengembangkan sistem forecasting durian berbasis Streamlit menggunakan model ARIMA.060 catatan panen diagregasi menjadi 20 observasi kuartal.Seri kasar tidak stasioner, tetapi diferensiasi orde pertama menghasilkan seri stasioner.Model ARIMA (4,0,1) dipilih dengan kriteria informasi AIC dan BIC.Evaluasi prediksi menunjukkan akurasi tinggi dengan RMSE 1,16 ton, MAE 1,15 ton, dan MAPE 4,33%.Namun, keterbatasan utama adalah seri waktu pendek, periode holdout tunggal, dan ketidaksesuaian antara indikasi ADF dan pemilihan model otomatis.Rekomendasi untuk penelitian lanjutan mencakup penggunaan data historis lebih panjang, validasi rolling-origin, dan integrasi variabel eksogen seperti iklim.

Penelitian lanjutan dapat mengembangkan model prediksi durian dengan mengintegrasikan data iklim dan variabel eksternal seperti curah hujan dan suhu. Selain itu, penelitian dapat mengeksplorasi penggunaan data historis yang lebih panjang untuk meningkatkan akurasi prediksi. Terakhir, penelitian dapat menguji metode prediksi berbasis machine learning yang lebih kompleks untuk membandingkan efektivitasnya terhadap model ARIMA dalam konteks data pertanian yang terbatas.

  1. Automatic Time Series Forecasting: The forecast Package for R | Journal of Statistical Software. automatic... doi.org/10.18637/jss.v027.i03Automatic Time Series Forecasting The forecast Package for R Journal of Statistical Software automatic doi 10 18637 jss v027 i03
  2. Machine learning methods for crop yield prediction and climate change impact assessment in agriculture... doi.org/10.1088/1748-9326/aae159Machine learning methods for crop yield prediction and climate change impact assessment in agriculture doi 10 1088 1748 9326 aae159
Read online
File size533.92 KB
Pages6
DMCAReport

Related /

ads-block-test