Krisis pangan global dianggap memiliki dampak yang signifikan terhadap sektor pangan nasional. Hal tersebut juga didukung oleh World Bank dalam laporannya yang memprediksi kemungkinan terjadinya resesi ekonomi global pada tahun 2023. Tingginya harga komoditas pangan dan energi mempengaruhi rantai pasok sehingga memicu terjadinya inflasi di beberapa sektor, dimana pada saat yang sama, tingkat inflasi Indonesia mencapai 5,71% secara year on year (YOY). Dampak adanya resesi global dapat mengakibatkan adanya krisis pada sektor pangan, sehingga diperlukan cara untuk mencegah dan mengatasi resesi ekonomi untuk kedepannya.
Berdasarkan isu yang telah dipaparkan sebelumnya, Dr. M. Fariz Fadillah Mardianto, M.Si bersama tim riset mahasiswa Statistika 51动漫 yang juga berkolaborasi dengan dosen lain di Research Group Statistics Modelling for Economic and Social Sciences (SMESS) yaitu Drs. Sediono, M.Si., dan Dita Amelia, S.Si. M.Si, dengan tambahan mitra kolaborasi dengan dosen luar negeri yang sebagai Academic Peer List dari INTI University, Nilai, Malaysia yaitu Dr. Deshinta Arrova Dewi untuk mendukung penelitian ini sebagai bukti adanya dampak resesi ketahanan pangan di Indonesia secara global dalam mendukung tujuan SDGs nomor 2 terkait Zero Hunger. Pada penelitian ini, pendekatan time series clustering digunakan untuk memprediksi harga komoditas pangan di Indonesia, sedangkan pendekatan Dynamic Time Warping (DTW) digunakan untuk mengelompokkan provinsi-provinsi di Indonesia berdasarkan pertumbuhan ekonominya sebagai salah satu upaya untuk mencegah dan mengatasi resesi ekonomi, khususnya yang berkaitan dengan harga komoditas pangan di dalam negeri.
Metode Dynamic Time Warping (DTW) adalah sebuah metode dalam data mining digunakan untuk menguraikan dan menginterpretasikan pola temporal yang rumit. Penelitian ini mengeksplorasi penerapan DTW dalam algoritma data mining untuk mengelompokkan harga komoditas di Indonesia, yang bertujuan untuk meningkatkan akurasi berdasarkan pergerakan deret waktu. Algoritma pengelompokan menggunakan metode K-Means, yang membutuhkan deskripsi komprehensif tentang kelompok-kelompok yang terbentuk. Hasil analisis menunjukkan pengelompokan deret waktu untuk harga komoditas menggunakan K-Means. Hasil optimal dicapai dengan lima kelompok, berdasarkan tren harga komoditas. Faktor-faktor yang mempengaruhi termasuk variasi musiman dan kebijakan pemerintah yang berkaitan dengan permintaan konsumen.
Penulis: M. Fariz Fadillah Mardianto, S.Si.,M.Si.
Link:
Baca juga: Food Waste dan Kaitannya dengan Ketahanan Pangan Rumah Tangga
