Perbandingan Metode Seasonal ARIMA dan Extreme Learning Machine dalam Prediksi Produksi Padi di Sulawesi Selatan

Authors

  • Rini Jamal Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Andi M Alfin Baso Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Andi Febriyanti Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Sitti Sahriman Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Siswanto Siswanto Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Andi Isna Yunita Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • A. Muthiah Nur Angriany Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia
  • Rahmiati Rahim BPS Provinsi Sulawesi Selatan, Makassar, 90125, Indonesia
  • Muhammad Fadil Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hadanuddin, Makassar, 60294, Indonesia

DOI:

https://doi.org/10.20956/ejsa.v6i2.45821

Keywords:

Rice Production, SARIMA, Extreme Learning Machine, Forecasting, MAPE

Abstract

South Sulawesi is one of the provinces that significantly contributes to national rice production. Therefore, accurate forecasting of rice production is crucial for food security planning and agricultural policy-making. This study aims to compare the performance of the Seasonal Autoregressive Integrated Moving Average (SARIMA) and Extreme Learning Machine (ELM) methods in predicting rice production in South Sulawesi. SARIMA is a statistical forecasting method effective for data with seasonal patterns, while ELM is a machine learning approach capable of handling complex relationships among variables with high computational speed. Rice production data from the Central Statistics Agency (Badan Pusat Statistik) were used to evaluate the accuracy of both methods. The evaluation was conducted using forecasting error metrics such as Mean Absolute Percentage Error (MAPE). The results show that the SARIMA(1,1,0)(1,1,0)12 model outperformed ELM in predicting rice production in South Sulawesi. This is indicated by a lower MAPE value of 19.937%, compared to 21.632% for the ELM method.

References

Badan Pusat Statistik Provinsi Sulawesi Selatan. Luas Panen dan Produksi Padi di Sulawesi Selatan 2024. BPS Sulawesi Selatan, 2024.

Auliya, D., Rosandi, A. H., & Subroto, W. T. Analisis Perubahan Iklim terhadap Produktivitas Padi di Jawa Timur. Diponegoro Journal of Economics, 13(3), 2024.

Prianda, B. G., & Widodo, E. Perbandingan Metode Seasonal ARIMA dan Extreme Learning Machine Pada Peramalan Jumlah Wisatawan Mancanegara ke Bali. BAREKENG Jurnal Ilmu Matematika dan Terapan, 15(4), 2021.

Ruhiat, D., & Effendi, A. Pengaruh Faktor Musiman pada Pemodelan Deret Waktu untuk Peramalan Debit Sungai dengan Metode SARIMA. Jurnal Teori dan Riset Matematika, 2(2), 2018.

Kusuma, W., Setiawan, R. N., & Widiyanti, N. M. Model Seasonal Autoregressive Integrated Moving Average (SARIMA) untuk Memprediksi Jumlah Produksi Beras di Provinsi Nusa Tenggara Barat. Agroteksos, 34(3), 2024.

Kurniasih, I, H., Furqon, M. T., & Adinugroho, S. Prediksi Pertumbuhan Penduduk di Kota Malang menggunakan Metode Extreme Learning Machine (ELM). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 10(1), 2024.

Febiola, A., Dewi, A., & Fazarin, F. M. Perbandingan Metode ARIMA dan SARIMA Dalam Peramalan Jumlah Penumpang Bandara Provinsi Kepulauan Bangka Belitung. Jambura Journal of Mathematics, 6(2), 2024.

Susanti, N, E., Saputra, R., & Situmorang, I. A. Perbandingan Metode SARIMA, Double Exponential Smoothing dan Holt-Winter Additive dalam Peramalan Retail Sales Mobil Honda. Jurnal Sains Matematika dan Statistika, 4(2), 2024.

Alwi, W., Nurfadilah, K., & Munira. Penerapan Metode SARIMA untuk Peramalan Jumlah Pengunjung Wisata Taman Nasional Bantimurung Bulusaraung Maros. Journal of Mathematics: Theory and Applications, 3(1), 2021.

Pradhisa, K. C., & Yotenka, R. Penerapan Metode Extreme Learning Machine (ELM) untuk Meramalkan Produksi Air Minum dan Air yang Dijual di Kota Yogyakarta Tahun 2023. Emerging Statistics and Data Science Journal, 2(2), 2024.

Ardian, I. Y., Rismawan, T., & Midyanti, D. M. Penerapan Metode Extreme Learning Machine untuk Peramalan Jumlah Kepadatan Penduduk di Kalimantan Barat. Coding: Jurnal Komputer dan Aplikasi, 7(3), 2019.

Paudi, P. I., Furqon, M. T., & Sutrisno. Implementasi Metode Extreme Learning Machine (ELM) untuk Memprediksi Jumlah Debit Air yang Layak Didistribusi (Studi Kasus: PDAM Kabupaten Gowa Makassar). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 4(3), 2020.

Irawan, M. Z., Akil, Y. S., & Gunadin, I. C. Peramalan Beban Listrik Kota Maros Berbasis Extreme Learning Machine (ELM). Jurnal EKSITASI, 1(2), 2022.

Downloads

Published

2025-08-04

Issue

Vol. 6, No. 2, Juli, 2025 : Estimasi

Section

Articles

License

Copyright

It is the author's responsibility to ensure that his or her submitted work does not infringe any existing copyright. Authors should obtain permission to reproduce or adapt copyrighted material and provide evidence of approval upon submitting the final version of a manuscript.