Penerapan Transformasi Box Cox untuk Mengatasi Masalah Ketidakstasioneran dan Pola Periodik dalam Data Deret Waktu pada Ekspor Bidang Pertanian di Indonesia

Abstract. Forecasting is useful for predicting future events covering the short, medium and long term with data that is usually used is time series data which is a collection of data compiled at a certain time continuously. Forecasting techniques for time series data analysis are divided into two models, namely forecasting models based on statistical mathematical models (ARIMA, exponential smoothing, moving average, and regression) and forecasting models based on artificial intelligence (neural networks, classification, and genetic algorithms). To improve forecast accuracy, the Box Cox Transformation is used when the time series data contains the problems of data non-stationarity and cyclical problems in the data, so there must be a process of checking for these two problems which can be checked using ADF statistics and ACF calculations. If non-stationary data occurs and there is a periodic or cyclical pattern, it is overcome by doing this Box Cox transformation. This study uses secondary data, namely agricultural exports in Indonesia in 2017-2022 from the website satudata.kemenag.go.id. The best model is SARIMA (1,0,1)(1,0,0)12 is the result of Box Cox transformation with the smallest MAPE and MAE values. The results of this study Box-Cox transformation can be used on data that was previously non-stationary can become stationary, but it cannot change the previously periodic data pattern into a stationary data pattern on the data used. Abstrak. Peramalan berguna untuk memprediksi kejadian yang akan datang yang meliputi jangka pendek, menengah dan panjang dengan data yang biasanya digunakan adalah data deret waktu yang merupakan kumpulan data yang disusun pada waktu tertentu secara terus menerus. Teknik peramalan analisis data deret waktu terbagi menjadi dua model yaitu model peramalan berdasarkan model matematika statistik (ARIMA, exponential smoothing, moving average, dan regresi) dan model peramalan berdasarkan kecerdasan buatan (neural network, klasifikasi, dan algoritma genetika). Untuk meningkatkan akurasi perkiraan, Transformasi Box Cox digunakan ketika data deret waktunya mengandung masalah adanya ketidakstasioneran data dan masalah siklus dalam data, sehiggga harus ada proses pemeriksaan dari kedua masalah tadi yg dapat diperiksa menggunakan statistik ADF dan perhitungan ACF. Jika terjadi data yg tidak stasioner dan terdapat pola periodik atau siklus maka diatasi dengan melalukan transformasi Box Cox ini. Penelitian ini menggunakan data sekunder yaitu ekpor bidang pertanian di Indonesia tahun 2017-2022 dari website satudata.kemenag.go.id. Didapat model terbaik yaitu SARIMA (1,0,1)(1,0,0)12 merupakan hasil dari transformasi Box Cox dengan nilai MAPE dan MAE terkecil.Hasil dari penelitian ini transformasi Box-Cox dapat digunakan pada data yang sebelumnya tidak stasioner dapat menjadi stasioner, namun tidak dapat mengubah pola data yang sebelumnya periodik menjadi pola data yang stasioner pada data yang dipakai pada penelitian ini. Hasil peramalan nilai ekspor pertanian indonesia pada tahun 2023 bergerak stabil.