PENDAHULUAN

Sektor Pertanian, Perburuan, dan Kehutanan merupakan salah satu sektor strategis dalam perekonomian Provinsi Jawa Tengah. Pembiayaan yang diberikan oleh Bank Perkreditan Rakyat (BPR) dan Bank Pembiayaan Syariah (BPS) berperan penting dalam menjaga keberlanjutan usaha sektor ini, khususnya di tingkat kabupaten/kota. Namun, jumlah kredit yang disalurkan setiap tahun mengalami fluktuasi akibat berbagai faktor, seperti kondisi ekonomi makro, kebijakan perbankan, iklim usaha, serta dampak eksternal seperti pandemi dan pemulihan ekonomi. Oleh karena itu, diperlukan suatu metode peramalan yang mampu menangkap pola historis data untuk memprediksi jumlah kredit di masa mendatang.

DESKRIPSI DATA

Data yang digunakan dalam penelitian ini merupakan data sekunder yang bersumber dari publikasi statistik mengenai Jumlah Kredit Berdasarkan Sektor Ekonomi yang Diberikan oleh Bank Perkreditan Rakyat (BPR) dan Bank Pembiayaan Syariah (BPS) Menurut Kabupaten/Kota di Provinsi Jawa Tengah. Fokus penelitian dibatasi pada sektor Pertanian, Perburuan, dan Kehutanan.

Variabel Penelitian Variabel yang digunakan dalam penelitian ini terdiri atas: 1. Tahun, yaitu periode pengamatan dari 2020 sampai 2024. 2. Jumlah Kredit, yaitu total kredit sektor Pertanian, Perburuan, dan Kehutanan yang disalurkan oleh BPR dan BPS pada seluruh kabupaten/kota di Provinsi Jawa Tengah dalam satuan rupiah.

SUMBER DATA

Data ini bersumber dari Badan Pusat Statistik Provinsi Jawa Tengah

EXPLORATORY DATA ANALYSIS (EDA)

Hasil Exploratory Data Analysis menunjukkan bahwa jumlah kredit sektor Pertanian, Perburuan, dan Kehutanan di Provinsi Jawa Tengah selama periode 2020–2024 memiliki kecenderungan tren menurun tanpa adanya pola musiman. Oleh karena itu, analisis peramalan selanjutnya dilakukan menggunakan metode Double Exponential Smoothing (Holt) yang mampu menangkap komponen tren dalam data.

boxplot(ts_kredit,
        main = "Boxplot Kredit Sektor Pertanian 2020–2024",
        ylab = "Jumlah Kredit (Rupiah)")

Boxplot jumlah kredit sektor Pertanian, Perburuan, dan Kehutanan menunjukkan tidak adanya pencilan (outlier) serta variasi nilai kredit antar tahun terlihat cukup jelas, dengan kecenderungan nilai yang semakin menurun dari tahun ke tahun. Penyebaran data yang lebih dominan pada nilai kredit rendah mengindikasikan adanya tren penurunan, sehingga data layak digunakan dalam pemodelan peramalan menggunakan metode Exponential Smoothing

METODE ANALISIS

Disini saya menggunakan metode Exponential Smoothing. Metode Exponential Smoothing dipilih karena: 1. Cocok untuk data runtun waktu jangka pendek hingga menengah 2. Mampu memberikan bobot lebih besar pada data terbaru 3. Efektif digunakan pada data tanpa pola musiman yang kompleks Hasil peramalan ini diharapkan dapat membantu pihak perbankan dan pemangku kebijakan dalam: • Perencanaan penyaluran kredit • Pengendalian risiko pembiayaan • Penyusunan kebijakan penguatan sektor pertanian

HASIL DAN PEMBAHASAN

Data Kredit Sektor Pertanian 2020–2024

autoplot(ts_kredit) +
  labs(
    title = "Jumlah Kredit Sektor Pertanian Provinsi Jawa Tengah",
    x = "Tahun",
    y = "Jumlah Kredit (Rupiah)"
  ) +
  theme_minimal()

Plot hasil perkembangan kredit menunjukkan bahwa jumlah kredit sektor pertanian, perburuan, dan kehutanan di Provinsi Jawa Tengah selama periode 2020–2024 cenderung mengalami penurunan. Penurunan relatif kecil terjadi pada 2020–2021, kemudian menjadi lebih tajam sejak 2022 hingga 2024. Pola ini mengindikasikan adanya tren menurun yang konsisten, sehingga penggunaan metode Holt’s Exponential Smoothing tepat untuk menganalisis dan memproyeksikan perkembangan kredit sektor pertanian jangka pendek.

Pembentukan data time series

ts_kredit
## Time Series:
## Start = 2020 
## End = 2024 
## Frequency = 1 
## [1] 5.0e+07 4.8e+07 4.4e+07 3.2e+07 2.7e+07
summary(ts_kredit)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## 27000000 32000000 44000000 40200000 48000000 50000000

Data time series 2020–2024 menunjukkan jumlah kredit sektor pertanian terus menurun dari sekitar Rp 50 juta pada tahun 2020 menjadi Rp 27 juta pada tahun 2024. Nilai maksimum terjadi pada awal periode (Rp 50 juta) dan nilai minimum pada akhir periode (Rp 27 juta), dengan rata-rata sekitar Rp 40,2 juta. Median dan kuartil yang semakin kecil menegaskan adanya tren penurunan yang konsisten tanpa fluktuasi besar, sehingga data cocok dimodelkan dengan metode yang menangkap tren seperti Holt (Double Exponential Smoothing).

Pemodelan Exponential Smoothing

Single Exponential Smoothing (SES)

model_ses <- ses(ts_kredit)
model_ses
##      Point Forecast    Lo 80    Hi 80        Lo 95    Hi 95
## 2025        2.7e+07 19120803 34879197  14949807.33 39050193
## 2026        2.7e+07 15857132 38142868   9958454.09 44041546
## 2027        2.7e+07 13352830 40647170   6128454.05 47871546
## 2028        2.7e+07 11241605 42758395   2899614.66 51100385
## 2029        2.7e+07  9381579 44618421     54950.04 53945050
## 2030        2.7e+07  7699987 46300013  -2516823.35 56516823
## 2031        2.7e+07  6153603 47846397  -4881813.06 58881813
## 2032        2.7e+07  4714264 49285736  -7083091.81 61083092
## 2033        2.7e+07  3362408 50637592  -9150578.01 63150578
## 2034        2.7e+07  2083790 51916210 -11106055.09 65106055

Model SES menghasilkan ramalan yang relatif konstan dan tidak mampu mengikuti tren penurunan pada data. Interval prediksi yang semakin melebar menunjukkan meningkatnya ketidakpastian, sehingga model ini kurang sesuai untuk data yang memiliki tren.

Double Exponential Smoothing (Holt)

model_holt <- holt(ts_kredit)
model_holt
##      Point Forecast     Lo 80    Hi 80        Lo 95    Hi 95
## 2025       20968902  15172726 26765078   12104415.5 29833389
## 2026       14937804   4709052 25166556    -705721.9 30581330
## 2027        8906706  -6158102 23971514  -14132929.2 31946342
## 2028        2875608 -17481508 23232725  -28257914.7 34009131
## 2029       -3155490 -29249013 22938033  -43062089.5 36751110
## 2030       -9186588 -41438425 23065250  -58511516.7 40138342
## 2031      -15217685 -54027385 23592014  -74571998.3 44136627
## 2032      -21248783 -66995482 24497915  -91212321.3 48714754
## 2033      -27279881 -80324555 25764792 -108404708.7 53844946
## 2034      -33310979 -93998514 27376556 -126124555.0 59502597

Hasil peramalan menunjukkan bahwa jumlah kredit sektor pertanian di Provinsi Jawa Tengah diperkirakan terus menurun secara tajam setelah 2025, memberikan gambaran arah tren penurunan secara akurat untuk jangka pendek, namun tidak realistis untuk jangka panjang karena menghasilkan nilai negatif. Oleh karena itu, interpretasi difokuskan pada hasil peramalan jangka pendek (tahun 2025) yang masih berada dalam rentang yang realistis.”

Perbandingan Akurasi

accuracy_ses <- accuracy(model_ses)
accuracy_holt <- accuracy(model_holt)
accuracy_ses
##                    ME    RMSE     MAE       MPE     MAPE MASE      ACF1
## Training set -4600000 6148170 4600000 -13.85522 13.85522  0.8 0.1447115
accuracy_holt
##                    ME    RMSE     MAE       MPE     MAPE     MASE       ACF1
## Training set -1775550 4522780 3331027 -5.165385 9.563445 0.579309 -0.2275439

Dari hasil perbandingan akurasi model diatas, didapatkan bahwa RMSE dan MAPE terkecil adalah model Holt, jadi model Holt adalah model terbaik, lebih mampu menangkap pola tren menurun cocok untuk digunakan dalam analisis peramalan jumlah kredit sektor pertanian di Jawa Tengah tahun 2025.

Diagnostik Residual Model Holt

# Cek residual model Holt
checkresiduals(model_holt)

## 
##  Ljung-Box test
## 
## data:  Residuals from Holt's method
## Q* = 2.1916, df = 3, p-value = 0.5336
## 
## Model df: 0.   Total lags used: 3

Berdasarkan hasil diagnostik residual dari model Holt, dapat dilihat bahwa nilai residual berfluktuasi di sekitar nol dan tidak membentuk pola tertentu sepanjang periode pengamatan. Plot ACF menunjukkan seluruh nilai autokorelasi berada di dalam batas kepercayaan, yang mengindikasikan tidak adanya autokorelasi yang signifikan pada residual. Selain itu, histogram residual menunjukkan sebaran yang relatif simetris dan mendekati distribusi normal. Hal ini menandakan bahwa residual bersifat white noise, sehingga model Holt telah mampu menangkap pola tren pada data dengan baik dan layak digunakan untuk melakukan peramalan jumlah kredit sektor pertanian.

Hasil Peramalan 2025

autoplot(forecast_kredit) +
  labs(
    title = "Peramalan Kredit Sektor Pertanian Tahun 2025",
    x = "Tahun",
    y = "Jumlah Kredit (Rupiah)"
  ) +
  theme_minimal()

Berdasarkan hasil peramalan menggunakan metode Double Exponential Smoothing (Holt), jumlah kredit sektor pertanian di Provinsi Jawa Tengah pada tahun 2025 diperkirakan sebesar Rp 20.110.585. Dengan tingkat kepercayaan 80%, nilai kredit diprediksi berada pada kisaran Rp 15.373.401 hingga Rp 26.487.129, sedangkan pada tingkat kepercayaan 95% berada pada kisaran Rp 10.358.502 hingga Rp 29.862.667. Hasil peramalan menunjukkan bahwa tren penurunan kredit sektor pertanian masih berlanjut, meskipun terdapat ketidakpastian yang cukup besar sebagaimana ditunjukkan oleh interval prediksi.

KESIMPULAN

Berdasarkan hasil analisis data kredit sektor Pertanian, Perburuan, dan Kehutanan di Provinsi Jawa Tengah periode 2020–2024, dapat disimpulkan bahwa jumlah kredit menunjukkan tren penurunan yang konsisten dari tahun ke tahun. Nilai kredit tertinggi terjadi pada tahun 2020 sebesar Rp 50.000.000, sedangkan nilai terendah terjadi pada tahun 2024 sebesar Rp 27.000.000. Penurunan ini mengindikasikan adanya pelemahan dalam penyaluran kredit sektor pertanian selama periode pengamatan.

Hasil pemodelan menggunakan metode Double Exponential Smoothing (Holt) menunjukkan bahwa metode ini sesuai digunakan karena data memiliki pola tren tanpa komponen musiman. Model Holt mampu menangkap kecenderungan penurunan dan memberikan peramalan yang lebih akurat dibandingkan SES untuk jangka pendek.

Berdasarkan hasil peramalan, jumlah kredit sektor pertanian di Provinsi Jawa Tengah pada tahun 2025 diperkirakan sebesar Rp 20.110.585, dengan interval prediksi yang menunjukkan bahwa nilai kredit kemungkinan berada antara Rp 10,36 juta hingga Rp 29,86 juta pada tingkat kepercayaan 95%. Hasil ini menunjukkan bahwa tren penurunan kredit diperkirakan masih berlanjut pada tahun 2025, sehingga diperlukan perhatian lebih dari pihak perbankan dan pemerintah daerah dalam menjaga keberlanjutan pembiayaan sektor pertanian.

REFERENSI

  1. Badan Pusat Statistik Provinsi Jawa Tengah. Statistik Kredit Berdasarkan Sektor Ekonomi di Provinsi Jawa Tengah (2020).
  2. Badan Pusat Statistik Provinsi Jawa Tengah. Statistik Kredit Berdasarkan Sektor Ekonomi di Provinsi Jawa Tengah (2021).
  3. Badan Pusat Statistik Provinsi Jawa Tengah. Statistik Kredit Berdasarkan Sektor Ekonomi di Provinsi Jawa Tengah (2022).
  4. Badan Pusat Statistik Provinsi Jawa Tengah. Statistik Kredit Berdasarkan Sektor Ekonomi di Provinsi Jawa Tengah (2023).
  5. Badan Pusat Statistik Provinsi Jawa Tengah. Statistik Kredit Berdasarkan Sektor Ekonomi di Provinsi Jawa Tengah (2024).