Hasil Pencarian  ::  Simpan CSV :: Kembali

"Harga biji kakao lokal di Indonesia melonjak tajam dari sekitar Rp28.000/kg menjadi lebih dari Rp56.000/kg antara awal 2023 hingga awal 2024, seiring kenaikan harga global dari USD2.500/MT ke USD4.000/MT. Fluktuasi ini menjadi tantangan besar bagi industri dan pembuat kebijakan karena berdampak pada stabilitas rantai pasok dan pendapatan petani. Untuk menjawabnya, penelitian ini mengembangkan model peramalan harga berbasis hybrid antara Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX) dan Long Short-Term Memory (LSTM), guna menangkap pola linier dan nonlinier dalam data deret waktu. Data mencakup periode Januari 2016–Desember 2023, termasuk harga kakao domestik dan global, nilai tukar USD/IDR, inflasi, volume ekspor-impor, dan produksi. Model ARIMAX dioptimasi dengan grid search, sementara LSTM menggunakan Bayesian optimization. Hasil terbaik diperoleh dari Hybrid ARIMAX-LSTM dengan pendekatan simple holdout, menunjukkan akurasi tinggi (MAE: 1.721, RMSE: 2.376, MAPE: 3,72%). Temuan ini memberikan kontribusi strategis dalam mendukung ketahanan industri kakao, khususnya untuk penentuan waktu optimal dalam pengadaan bahan baku.

---

The price of local cocoa beans in Indonesia rose sharply from approximately IDR 28,000/kg to overcIDR 56,000/kg between early 2023 and early 2024, following an increase in global cocoa prices from USD 2,500/MT to USD 4,000/MT. This volatility presents a significant challenge for industry players and policymakers, as it affects supply chain stability and farmers’ income. To address this issue, this study develops a hybrid price forecasting model that combines Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX) and Long Short-Term Memory (LSTM), aiming to capture both linear and nonlinear patterns in time series data. The dataset covers the period from January 2016 to December 2023 and includes domestic and global cocoa prices, USD/IDR exchange rates, inflation, export-import volumes, and production figures. The ARIMAX model is optimized using grid search, while the LSTM model is tuned using Bayesian optimization. The best-performing model, the Hybrid ARIMAX-LSTM with a simple holdout approach, demonstrates high predictive accuracy (MAE: 1,721; RMSE: 2,376; and MAPE of 3.72%). These findings offer strategic value in providing data-driven decision support tools to enhance the resilience of the national cocoa industry, particularly in determining optimal timing for raw material procurement.

"

"Gula merupakan komoditas strategis di Indonesia, berperan penting dalam ketahanan pangan dan perekonomian nasional. Dengan tiga jenis utama—gula kristal putih untuk konsumsi rumah tangga, gula mentah untuk pemurnian lanjut, dan gula kristal rafinasi untuk industri—gula menjadi bagian dari sembilan bahan pokok. Pemerintah Indonesia mengatur pengelolaan Cadangan Pangan Pemerintah (CPP) dan menetapkan harga acuan guna menjaga stabilitas pasokan dan harga. Meskipun konsumsi gula global diproyeksikan meningkat, Indonesia menghadapi defisit produksi yang signifikan, dengan produksi nasional hanya 2,3 juta ton berbanding konsumsi 7,5 juta ton pada 2023/24. Kondisi ini menyebabkan ketergantungan tinggi pada impor (sekitar 5 juta ton pada 2023/24), menjadikan Indonesia sebagai importir gula terbesar di dunia. Ketergantungan ini rentan terhadap volatilitas harga gula global, yang berdampak pada anggaran impor dan stabilitas harga domestik. Penelitian ini bertujuan untuk mengembangkan model prediksi harga gula yang akurat guna mendukung pengambilan kebijakan. Tiga skenario model dieksplorasi: ARIMAX, hybrid ARIMAX-SVR, dan SVR independen. Untuk meningkatkan kinerja, optimasi metaheuristik menggunakan Particle Swarm Optimization (PSO) diterapkan pada penentuan parameter SVR. Hasil penelitian menunjukkan bahwa PSO secara konsisten meningkatkan kinerja model pada ketiga metrik evaluasi (MAE, RMSE, dan MAPE). Rata-rata peningkatan kinerja PSO mencapai 42,8% untuk model hybrid dan 16,1% untuk model SVR independen. Model hybrid ARIMAX SVR-PSO menunjukkan kinerja yang unggul dengan nilai MAE sebesar 306.21, RMSE 411.73, dan MAPE 1.91%. Hasil model hybrid ARIMAX-SVR-PSO dipilih sebagai yang paling sesuai karena kemampuannya menekan variansi kesalahan prediksi, yang krusial dalam meminimalkan risiko kesalahan ekstrem dan mendukung keputusan kebijakan berbasis data yang akurat.

---

Sugar is a strategic commodity in Indonesia, playing a critical role in food security and the national economy. It is categorized into three main types: white crystal sugar for household consumption, raw sugar for further refining, and refined crystal sugar for industrial use, making it one of the nine essential staple commodities. The Indonesian government regulates the Government Food Reserve (CPP) and sets reference prices to ensure supply and price stability. Despite global sugar consumption projected to rise, Indonesia faces a significant production deficit, with domestic production at 2.3 million tons against a consumption of 7.5 million tons in 2023/24. This gap results in a heavy reliance on imports, approximately 5 million tons in 2023/24, positioning Indonesia as the world's largest sugar importer. Such dependency exposes the country to global sugar price volatility, impacting import budgets and domestic price stability. This study aims to develop an accurate sugar price prediction model to support policymaking. Three modeling scenarios were explored: ARIMAX, Hybrid ARIMAX-SVR, and standalone SVR. To enhance model performance, metaheuristic optimization using Particle Swarm Optimization (PSO) was applied to determine SVR parameters. Results demonstrate that PSO consistently improved model performance across three evaluation metrics (MAE, RMSE, and MAPE). On average, PSO enhanced performance by 42.8% for the hybrid model and 16.1% for the standalone SVR model. The Hybrid ARIMAX-SVR-PSO model exhibited superior performance, achieving an MAE of 306.21, RMSE of 411.73, and MAPE of 1.91%. The Hybrid ARIMAX-SVR-PSO model was selected as the most suitable due to its ability to minimize prediction error variance, which is crucial for reducing the risk of extreme errors and supporting data-driven policy decisions. "