Peramalan Harga Beras di Tingkat Perdagangan Besar (Grosir) Indonesia Menggunakan Model ARFIMA-GARCH
DOI:
https://doi.org/10.31605/jomta.v8i1.5622Abstract
Penelitian ini memanfaatkan data harga beras grosir di Indonesia pada periode Januari 2010 hingga September 2024. Data harga beras memperlihatkan adanya karakteristik memori jangka panjang yang memerlukan pemodelan khusus. Tujuan penelitian ini adalah untuk melakukan peramalan harga beras sekaligus menentukan model yang paling optimal. Metode yang diterapkan adalah Autoregressive Fractionally Integrated Moving Average – Generalized Autoregressive Conditional Heteroskedasticity (ARFIMA-GARCH), di mana ARFIMA berfungsi menangkap sifat long memory sementara GARCH digunakan untuk memodelkan volatilitas, sehingga dinilai lebih tepat dibandingkan penggunaan ARFIMA saja. Tiga model ARFIMA-GARCH yang diuji meliputi ARFIMA(0,d,0)-GARCH(1,1), ARFIMA(0,d,0)-GARCH(1,2), dan ARFIMA(0,d,0)-GARCH(2,1), dengan hasil bahwa ARFIMA(0,d,0)-GARCH(1,1) merupakan model terbaik berdasarkan nilai AIC dan BIC yang paling rendah. Hasil peramalan memperlihatkan adanya tren penurunan harga beras dari Rp13.102/kg pada Oktober 2024 menjadi sekitar Rp12.130/kg pada September 2025. Secara keseluruhan, model ARFIMA-GARCH terbukti mampu menghasilkan peramalan harga beras yang lebih akurat dan relevan sebagai dasar dalam perumusan kebijakan stabilisasi pangan.
References
[1] Aswi, & Sukarna. (2006). Analisis deret waktu: Teori dan aplikasi. Andira Publisher.
[2] Azmi, A., & Wawan. (2020). Analisis model GARCH dalam peramalan data runtun waktu finansial. Jurnal Statistika dan Aplikasi, 9(2), 134–145.
[3] Azmi, W. A., & Farin C. G. (2022). The application of GARCH forecasting method in predicting the number of rail passengers (thousands of people) in Jabodetabek region. Jurnal Matematika, Statistika & Komputasi, 18(2), 198-223.
[4] Buhungo, R.J., Hasan, I.K., & Nurwan, N. (2024). Penerapan Hybrid Metode ARFIMA-ANN Menggunakan Algoritma Backpropagation pada Peramalan Indeks Harga Saham Gabungan. Euler: Jurnal Ilmiah Matematika, Sains dan Teknologi.
[5] Devianto, D., Maiyastri, K. R., Asdi, Y., & Yollanda, M. (2022). Comparison of ARIMA and ARFIMA models in analyzing long memory processes. Frontiers in Applied Mathematics and Statistics, 8, 1045241.
[6] Fitri, T.W., Darmawan, G., Winarni, S., Hidayat, Y., & Pontoh, R.S. (2023). Peramalan Tunggakan Tagihan Pelanggan Menggunakan Model Autoregressive Fractionally Integrated Moving Average (ARFIMA). MARAS: Jurnal Penelitian Multidisiplin.
[7] Fitriani, N., & Puspitasari, R. (2023). Analisis Peran Beras Dalam Ketahanan Pangan Dan Stabilitas Ekonomi di Indonesia. Jurnal Sosial Ekonomi Pertanian Indonesia, 19(2), 101–112.
[8] Garafutdinov, R. V. (2021). Formation of Investment Portfolios of Two Assets Based on Forecast Returns Using the ARFIMA-GARCH Model. Vestnik Volgogradskogo Gosudarstvennogo Universiteta: Ekonomika, 23(3), 45–55.
[9] Hariyanto, S., Wibawa, S.G., & Solikhin, S. (2024). PM10 Air Quality Index Modeling Using Arfima-Garch Method: Bundaran Hi Area Of Dki Jakarta Province. Barekeng: Jurnal Ilmu Matematika dan Terapan.
[10] Hasan, I. K., Janur, M., & Nurwan, N. (2023). Penerapan Model ARFIMA-GARCH Menggunakan Variasi Estimasi Parameter Pembeda D Pada Data Long Memory. J Statistika: Jurnal Ilmiah Teori dan Aplikasi Statistika, 16(2), 474-485.
[11] Hidayat, A., & Sari, M. P. (2022). Analisis akurasi metode peramalan deret waktu dalam memprediksi harga komoditas pangan. Jurnal Statistika dan Aplikasi, 7(2), 113–124.
[12] Imani, N.D., Tarno, T., & Saputra, B.A. (2024). Prediksi Harga Daging Sapi di Kabupaten Brebes Menggunakan Pemodelan ARFIMA dengan EFEK GARCH. Jurnal Gaussian.
[13] Ismail, M. T., & Al-Gounmeein, R. S. (2022). Overview of Long Memory for Economic and Financial Time Series Dataset and Related Time Series Models: A Review Study. IAENG International Journal of Applied Mathematics, 52(2).
[14] Kartikasari, P. (2020). Prediksi Harga Saham PT. Bank Negara Indonesia dengan Menggunakan Model Autoregressive Fractional Integrated Moving Average (ARFIMA).
[15] Koryataini, L., Sumo, M., Minnah, L., Solehah, S., & Khoiroh, A. R. A. (2024). Analisis Penggunaan Media Pembelajaran PhET pada Materi Gelombang Berjalan dan Stasioner: A Review Literatur. Mutiara: Jurnal Ilmiah Multidisiplin Indonesia, 2(3), 120-138.
[16] Kurnia, R.P., & Dzikrullah, A.A. (2022). Volatilitas Harga Bawang Di Jawa Barat Dengan Metode ARCH/GARCH. Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika.
[17] Lestari, D., & Pratama, R. (2023). Penerapan metode time series dalam peramalan data ekonomi. Jurnal Ekonomi dan Statistik, 15(1), 55–66.
[18] Nugroho, A., & Puspitasari, D. (2022). Implementasi model GARCH dalam analisis volatilitas pasar saham Indonesia. Jurnal Ekonomi dan Statistik, 15(1), 45–57.
[19] Oktaviani, N., & Rifai, N.A. (2024). Pemodelan ARFIMA dengan Estimasi Parameter Pembeda Menggunakan Metode Geweke Porter-Hudak. Jurnal Riset Statistika.
[20] Pratama, R., & Dewi, L. (2022). Uji stasioneritas pada model GARCH dalam analisis volatilitas pasar keuangan Indonesia. Jurnal Statistika dan Aplikasi, 21(2), 88–97.
[21] Pratama, R., & Lestari, D. (2023). Penerapan uji ARCH-LM dalam mendeteksi heteroskedastisitas pada model runtun waktu. Jurnal Ekonomi dan Statistik, 15(2), 112–124.
[22] Putra, A. D., & Hidayat, M. (2022). Dampak fluktuasi harga beras terhadap kesejahteraan petani dan konsumen di Indonesia. Jurnal Ekonomi Pertanian dan Pembangunan, 13(1), 45–56.
[23] Rhmawati, S., Lestari, D., & Pratama, R. (2023). Volatilitas harga beras grosir dan implikasinya terhadap kebijakan distribusi pangan. Jurnal Ekonomi dan Kebijakan Pembangunan, 12(3), 233–245.
[24] Rezaldi, D. A., & Sugiman, S. (2021, February). Peramalan Metode ARIMA Data Saham PT. Telekomunikasi Indonesia. In PRISMA, Prosiding Seminar Nasional Matematika (Vol. 4, pp. 611-620).
[25] Riyanto, A. (2018). Prediksi Harga Saham Menggunakan Model ARFIMA-GARCH (Studi Kasus: Saham PT Bank Rakyat Indonesia Tbk) (Skripsi Sarjana, Institut Teknologi Sepuluh Nopember). Institut Teknologi Sepuluh Nopember Repository.
[26] Rizki, A., & Syafitri, N. (2023). Model GARCH dalam analisis volatilitas deret waktu keuangan. Jurnal Statistika dan Ekonomi, 12(1), 55–66.
[27] Saleh, D. A., Debataraja, N., & Rizki, M. (2022). Pemodelan seasonal autoregressive fractionally integrated moving average (Seasonal ARFIMA) untuk peramalan jumlah wisatawan mancanegara di Kalimantan Barat. Jurnal Bumi Lestari, 22(2), 250–262.
[28] Silva, A. S., Dissanayake, G. S., & Peiris, M. S. (2023). Comparison of standard long memory time series. Journal of Statistical Theory and Practice, 17(2), 45–62.
[29] Supriyanto, S., Utami, A.P., & Istikanaah, N. (2023). Model Peramalan Harga Saham Menggunakan Metode ARIMA – GARCH (Studi Kasus Saham PT. Unilever Indonesia). Jurnal Ilmiah Matematika dan Pendidikan Matematika.
[30] Winanti, G.L., Ispriyanti, D., & Sugito, S. (2023). Pemodelan Indeks Harga Perdagangan Besar (IHPB) Sektor Ekspor Menggunakan ARFIMA-GARCH. Jurnal Gaussian.
[31] Yahya, A. (2022). Peramalan Indeks Harga Konsumen Indonesia Menggunakan Metode Seasonal-ARIMA (SARIMA). Jurnal Gaussian, 11(2), 313–322.
[32] Zedha, H.F., Siregar, S.A., Rahmi, R.M., Jannah, S.R., Sandi, R.F., Irawan, A.I., & Anwar, S. (2025). Perbandingan Metode Triple Exponential Smoothing dan ARFIMA pada Peramalan Nilai Tukar Rupiah terhadap Dollar Amerika. Jurnal Sains Matematika dan Statistika.
[33] Zili, A.H., Hendri, D., & Kharis, S.A. (2022). Peramalan Harga Saham dengan Model Hybrid ARIMA-GARCH dan Metode Walk Forward. Jurnal Statistika dan Aplikasinya
[2] Azmi, A., & Wawan. (2020). Analisis model GARCH dalam peramalan data runtun waktu finansial. Jurnal Statistika dan Aplikasi, 9(2), 134–145.
[3] Azmi, W. A., & Farin C. G. (2022). The application of GARCH forecasting method in predicting the number of rail passengers (thousands of people) in Jabodetabek region. Jurnal Matematika, Statistika & Komputasi, 18(2), 198-223.
[4] Buhungo, R.J., Hasan, I.K., & Nurwan, N. (2024). Penerapan Hybrid Metode ARFIMA-ANN Menggunakan Algoritma Backpropagation pada Peramalan Indeks Harga Saham Gabungan. Euler: Jurnal Ilmiah Matematika, Sains dan Teknologi.
[5] Devianto, D., Maiyastri, K. R., Asdi, Y., & Yollanda, M. (2022). Comparison of ARIMA and ARFIMA models in analyzing long memory processes. Frontiers in Applied Mathematics and Statistics, 8, 1045241.
[6] Fitri, T.W., Darmawan, G., Winarni, S., Hidayat, Y., & Pontoh, R.S. (2023). Peramalan Tunggakan Tagihan Pelanggan Menggunakan Model Autoregressive Fractionally Integrated Moving Average (ARFIMA). MARAS: Jurnal Penelitian Multidisiplin.
[7] Fitriani, N., & Puspitasari, R. (2023). Analisis Peran Beras Dalam Ketahanan Pangan Dan Stabilitas Ekonomi di Indonesia. Jurnal Sosial Ekonomi Pertanian Indonesia, 19(2), 101–112.
[8] Garafutdinov, R. V. (2021). Formation of Investment Portfolios of Two Assets Based on Forecast Returns Using the ARFIMA-GARCH Model. Vestnik Volgogradskogo Gosudarstvennogo Universiteta: Ekonomika, 23(3), 45–55.
[9] Hariyanto, S., Wibawa, S.G., & Solikhin, S. (2024). PM10 Air Quality Index Modeling Using Arfima-Garch Method: Bundaran Hi Area Of Dki Jakarta Province. Barekeng: Jurnal Ilmu Matematika dan Terapan.
[10] Hasan, I. K., Janur, M., & Nurwan, N. (2023). Penerapan Model ARFIMA-GARCH Menggunakan Variasi Estimasi Parameter Pembeda D Pada Data Long Memory. J Statistika: Jurnal Ilmiah Teori dan Aplikasi Statistika, 16(2), 474-485.
[11] Hidayat, A., & Sari, M. P. (2022). Analisis akurasi metode peramalan deret waktu dalam memprediksi harga komoditas pangan. Jurnal Statistika dan Aplikasi, 7(2), 113–124.
[12] Imani, N.D., Tarno, T., & Saputra, B.A. (2024). Prediksi Harga Daging Sapi di Kabupaten Brebes Menggunakan Pemodelan ARFIMA dengan EFEK GARCH. Jurnal Gaussian.
[13] Ismail, M. T., & Al-Gounmeein, R. S. (2022). Overview of Long Memory for Economic and Financial Time Series Dataset and Related Time Series Models: A Review Study. IAENG International Journal of Applied Mathematics, 52(2).
[14] Kartikasari, P. (2020). Prediksi Harga Saham PT. Bank Negara Indonesia dengan Menggunakan Model Autoregressive Fractional Integrated Moving Average (ARFIMA).
[15] Koryataini, L., Sumo, M., Minnah, L., Solehah, S., & Khoiroh, A. R. A. (2024). Analisis Penggunaan Media Pembelajaran PhET pada Materi Gelombang Berjalan dan Stasioner: A Review Literatur. Mutiara: Jurnal Ilmiah Multidisiplin Indonesia, 2(3), 120-138.
[16] Kurnia, R.P., & Dzikrullah, A.A. (2022). Volatilitas Harga Bawang Di Jawa Barat Dengan Metode ARCH/GARCH. Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika.
[17] Lestari, D., & Pratama, R. (2023). Penerapan metode time series dalam peramalan data ekonomi. Jurnal Ekonomi dan Statistik, 15(1), 55–66.
[18] Nugroho, A., & Puspitasari, D. (2022). Implementasi model GARCH dalam analisis volatilitas pasar saham Indonesia. Jurnal Ekonomi dan Statistik, 15(1), 45–57.
[19] Oktaviani, N., & Rifai, N.A. (2024). Pemodelan ARFIMA dengan Estimasi Parameter Pembeda Menggunakan Metode Geweke Porter-Hudak. Jurnal Riset Statistika.
[20] Pratama, R., & Dewi, L. (2022). Uji stasioneritas pada model GARCH dalam analisis volatilitas pasar keuangan Indonesia. Jurnal Statistika dan Aplikasi, 21(2), 88–97.
[21] Pratama, R., & Lestari, D. (2023). Penerapan uji ARCH-LM dalam mendeteksi heteroskedastisitas pada model runtun waktu. Jurnal Ekonomi dan Statistik, 15(2), 112–124.
[22] Putra, A. D., & Hidayat, M. (2022). Dampak fluktuasi harga beras terhadap kesejahteraan petani dan konsumen di Indonesia. Jurnal Ekonomi Pertanian dan Pembangunan, 13(1), 45–56.
[23] Rhmawati, S., Lestari, D., & Pratama, R. (2023). Volatilitas harga beras grosir dan implikasinya terhadap kebijakan distribusi pangan. Jurnal Ekonomi dan Kebijakan Pembangunan, 12(3), 233–245.
[24] Rezaldi, D. A., & Sugiman, S. (2021, February). Peramalan Metode ARIMA Data Saham PT. Telekomunikasi Indonesia. In PRISMA, Prosiding Seminar Nasional Matematika (Vol. 4, pp. 611-620).
[25] Riyanto, A. (2018). Prediksi Harga Saham Menggunakan Model ARFIMA-GARCH (Studi Kasus: Saham PT Bank Rakyat Indonesia Tbk) (Skripsi Sarjana, Institut Teknologi Sepuluh Nopember). Institut Teknologi Sepuluh Nopember Repository.
[26] Rizki, A., & Syafitri, N. (2023). Model GARCH dalam analisis volatilitas deret waktu keuangan. Jurnal Statistika dan Ekonomi, 12(1), 55–66.
[27] Saleh, D. A., Debataraja, N., & Rizki, M. (2022). Pemodelan seasonal autoregressive fractionally integrated moving average (Seasonal ARFIMA) untuk peramalan jumlah wisatawan mancanegara di Kalimantan Barat. Jurnal Bumi Lestari, 22(2), 250–262.
[28] Silva, A. S., Dissanayake, G. S., & Peiris, M. S. (2023). Comparison of standard long memory time series. Journal of Statistical Theory and Practice, 17(2), 45–62.
[29] Supriyanto, S., Utami, A.P., & Istikanaah, N. (2023). Model Peramalan Harga Saham Menggunakan Metode ARIMA – GARCH (Studi Kasus Saham PT. Unilever Indonesia). Jurnal Ilmiah Matematika dan Pendidikan Matematika.
[30] Winanti, G.L., Ispriyanti, D., & Sugito, S. (2023). Pemodelan Indeks Harga Perdagangan Besar (IHPB) Sektor Ekspor Menggunakan ARFIMA-GARCH. Jurnal Gaussian.
[31] Yahya, A. (2022). Peramalan Indeks Harga Konsumen Indonesia Menggunakan Metode Seasonal-ARIMA (SARIMA). Jurnal Gaussian, 11(2), 313–322.
[32] Zedha, H.F., Siregar, S.A., Rahmi, R.M., Jannah, S.R., Sandi, R.F., Irawan, A.I., & Anwar, S. (2025). Perbandingan Metode Triple Exponential Smoothing dan ARFIMA pada Peramalan Nilai Tukar Rupiah terhadap Dollar Amerika. Jurnal Sains Matematika dan Statistika.
[33] Zili, A.H., Hendri, D., & Kharis, S.A. (2022). Peramalan Harga Saham dengan Model Hybrid ARIMA-GARCH dan Metode Walk Forward. Jurnal Statistika dan Aplikasinya
Published
2026-04-30
Issue
Section
Articles
