Kriteria yang digunakan:
1. Merupakan bahan pokok/sembako yang relevan dipantau (sudah disaring pada tahap awal).
2. Data pada kedua pasar lengkap dan konsisten (bukan FLAT TOTAL).
3. Memiliki dinamika harga yang cukup tinggi, diukur dari CV_Rata_Rata (koefisien variasi rata-rata) — semakin tinggi CV, semakin banyak pergerakan harga yang bisa dipelajari model.
Enam komoditas fokus yang terpilih: Beras Premium, Gula Kristal Putih, Minyak Goreng Kemasan Premium, Bawang Merah, Telur Ayam Ras, dan Cabe Rawit Merah.

Metode: Dekomposisi additive dengan periode musiman 7 hari digunakan karena pola belanja masyarakat umumnya berulang dalam siklus mingguan (hari kerja vs akhir pekan). Data harga yang hilang diinterpolasi secara linear agar deret waktu tetap kontinu, dan proses dekomposisi dilakukan secara terpisah untuk setiap kombinasi komoditas dan pasar agar karakteristik masing-masing dapat terlihat dengan tepat.

Cara membaca tiap kartu grafik: Perhatikan garis Trend — jika cenderung naik dari kiri ke kanan berarti harga menguat sepanjang periode, jika menurun berarti melemah. Perhatikan juga rentang naik-turun garis Seasonal — semakin lebar rentangnya, semakin kuat pola mingguan yang berulang (misalnya harga rutin naik di hari tertentu). Kotak hijau di bawah tiap grafik berisi ringkasan otomatis dari kedua hal ini untuk mempercepat interpretasi saat presentasi.

Ringkasan: Dari total 12 kombinasi komoditas-pasar, 0 dinyatakan Stasioner dan 12 Tidak Stasioner pada level data asli. Deret yang belum stasioner inilah yang membutuhkan first differencing (d = 1) sebelum masuk ke tahap identifikasi model pada bagian 3.6 di bawah.

Interpretasi: ADF memiliki hipotesis nol bahwa data tidak stasioner, sedangkan KPSS memiliki hipotesis nol bahwa data justru stasioner — sehingga apabila kedua uji saling mendukung, kesimpulan menjadi lebih meyakinkan. Apabila hasilnya “Tidak Stasioner”, artinya deret harga komoditas tersebut masih memiliki tren atau perubahan varians yang perlu dihilangkan melalui differencing sebelum dapat dimasukkan ke model SARIMA — proses inilah yang mendasari analisis ACF dan PACF pada bagian berikutnya.

Cara membaca cepat: perhatikan pada lag berapa saja titik melewati garis putus-putus (batas signifikansi). Kotak biru di bawah tiap grafik berisi kandidat orde AR (p) / MA (q) otomatis berdasarkan pola tersebut, sebagai titik awal sebelum diuji lebih lanjut pada tahap pemodelan SARIMA.

Panduan membaca grafik: Titik (spike) pada ACF atau PACF yang melewati garis putus-putus (batas kepercayaan) menunjukkan autokorelasi yang signifikan secara statistik pada lag tersebut. Sebagai panduan awal: apabila PACF terputus tajam setelah lag tertentu sementara ACF meluruh perlahan, ini mengarah pada kandidat orde AR (p); sebaliknya, apabila ACF terputus tajam sementara PACF meluruh perlahan, ini mengarah pada kandidat orde MA (q). Jika keduanya meluruh secara bertahap, kemungkinan diperlukan kombinasi AR dan MA (ARMA). Pola inilah yang menjadi titik awal penentuan kandidat model SARIMA yang akan diuji lebih lanjut pada tahap pemodelan berikutnya. Kandidat p/q otomatis pada tiap kartu di atas bersifat indikatif awal dan tetap perlu dikonfirmasi lewat evaluasi model (AIC/BIC, uji residual).

Skrining dilakukan pada 60 hari terakhir dari seluruh deret waktu. Pasangan dengan standar deviasi harga ≤ 1 × 10^-6 pada periode tersebut dikategorikan sebagai data yang sudah berhenti diperbarui, dan dikecualikan dari forecasting karena tidak lagi memiliki pola pergerakan yang bisa dipelajari model.

Interpretasi: Dari total 12 pasangan yang diperiksa, 9 dinyatakan layak diforecast dan 3 dikecualikan karena harganya tidak lagi berubah (stagnan) pada 60 hari terakhir, yaitu: Beras Premium (Kedungmaling), Gula Kristal Putih (Kedungmaling), Minyak Goreng Kemasan Premium (Kedungmaling). Pasangan yang dikecualikan ini tidak diikutkan pada tahap train-test split maupun pemodelan SARIMA berikutnya.

Interpretasi: Setiap pasangan yang lolos skrining dibagi dengan proporsi yang sama, misalnya untuk baris pertama pada tabel: 292 hari digunakan sebagai data training dan 74 hari sebagai data testing. Tidak ditemukan data hilang (missing) pada seluruh hasil pembagian, sehingga data siap digunakan langsung untuk pemodelan.

Output 4.1: Objek bab4_data_split menyimpan data full, train, dan test untuk setiap pasangan yang lolos skrining. Data ini digunakan sebagai input untuk 4.2 Grid Search & Pemilihan Model SARIMA.

Model SARIMA memiliki dua bagian parameter: non-musiman (p, d, q) yang menangkap pola jangka pendek, dan musiman (P, D, Q) pada periode s = 7 hari yang menangkap pola mingguan berulang. Kombinasi dari kedua kelompok parameter ini menghasilkan 16 kandidat model yang dicoba pada data train setiap pasangan komoditas-pasar — semakin banyak kombinasi yang dicoba, semakin besar peluang menemukan model yang paling pas dengan pola data.

Interpretasi: Dari 9 pasangan, 7 model final residualnya bersih dari autokorelasi (white noise) di semua lag, sedangkan 2 model masih menyisakan sedikit autokorelasi, yaitu pada pasangan: Gula Kristal Putih (Mojosari), Telur Ayam Ras (Kedungmaling). Hasil forecasting pada pasangan ini tetap bisa digunakan, namun perlu dibaca lebih hati-hati karena interval prediksinya berpotensi under-estimate.

Ringkasan: 7 dari 9 pasangan mendapat model final yang lulus uji Ljung-Box, dan 2 pasangan menggunakan model fallback (BIC terendah tanpa lulus Ljung-Box). Objek bab42_model_final menyimpan spesifikasi model SARIMA final per pasangan ini, digunakan sebagai input untuk forecasting dan evaluasi pada sub-bab berikutnya.

Model di-refit ulang tiap 5 hari memakai seluruh data yang tersedia sampai titik itu, lalu dipakai untuk forecast 5 hari ke depan, sebelum di-refit lagi dengan data terbaru. Pendekatan ini lebih realistis dibanding forecast statis satu kali untuk seluruh periode test, karena mencerminkan bagaimana model akan benar-benar dipakai di lapangan — terus diperbarui seiring data baru masuk.

Interpretasi: Rata-rata MAPE seluruh pasangan adalah 2.35%. Model paling akurat ada pada Beras Premium - Mojosari dengan MAPE 0.05%, sedangkan yang paling perlu diperhatikan ada pada Cabe Rawit Merah - Kedungmaling dengan MAPE 8.01%. Sebagai acuan umum, MAPE di bawah 10% dianggap tergolong akurat untuk peramalan harga komoditas.

Output 4.3: Objek bab43_hasil_evaluasi dan bab43_hasil_forecast menyimpan hasil evaluasi akurasi dan detail forecast harian untuk seluruh pasangan yang layak diforecast.