Curah Hujan & Prediksi Harga Komoditas

Data Hidrologi & Ekonometrika Pangan

Curah Hujan & Prediksi Harga Komoditas

Menyandingkan anomali data curah hujan historis Kabupaten Tulungagung dengan tren fluktuasi harga pangan untuk mendeteksi potensi risiko pasokan dan estimasi pergerakan harga.

Status Early Warning SIAGA KEKERINGAN
Filter Parameter
Total Curah Hujan

1.019,0 mm

Rata-rata: 101,9 mm/bln
Bulan Terbasah
Januari (307,3 mm)
Terkering: Juli (0,0 mm)
Korelasi Cuaca – Harga

r = 0,24

Hubungan Positif Lemah
Indikasi Risiko Pasokan
SIAGA KEKERINGAN
Defisit curah hujan ekstrem berkepanjangan berpotensi memicu gagal panen (puso) dan kelangkaan pasokan.
Komoditas: Cabai Rawit | Periode: Januari - Oktober 2026
Evaluasi Akurasi Model Prediksi
Layer 4: Evaluasi
Validasi deviasi galat antara Harga Riil Aktual vs Prediksi Model (10 titik observasi)
MAE (Rata-rata Galat) Rp 16.395
RMSE (Akar Kuadrat Galat) Rp 19.374
MAPE (Persentase Galat) 34,39%
Sistem Intelijen Pangan Dinas Ketahanan Pangan Kabupaten Tulungagung
Komoditas: Cabai Rawit (Januari - Oktober 2026)
1. Temuan Statistik

Koefisien korelasi Pearson antara curah hujan dan harga Cabai Rawit adalah r = 0,24 (Hubungan Positif Lemah). Angka ini mencerminkan asosiasi linier sampel tanpa mengimplikasikan hubungan sebab-akibat langsung.

2. Interpretasi Sistem

Curah hujan merupakan salah satu faktor agroklimat yang perlu dipantau, namun belum cukup menjelaskan dinamika perubahan harga secara keseluruhan karena harga pangan juga dipengaruhi biaya input produksi, tren musiman, dan kelancaran pasokan antar-daerah.

3. Rekomendasi Kebijakan

Curah hujan ekstrem, baik berlebih maupun rendah, berpotensi meningkatkan risiko fluktuasi harga melalui gangguan produksi, kebusukan pascapanen, atau hambatan distribusi. Disarankan melakukan pemantauan berkala terhadap stok dan jalur distribusi.

No Bulan Curah Hujan (mm) Hari Hujan Kategori BMKG Harga Riil (Rp) Fluktuasi Prediksi Model (Rp)
1 Januari 307,3 19 hari Tinggi Rp 39.856 - Rp 63.294
2 Februari 238,0 22 hari Menengah (Normal) Rp 83.925 +110.6% Rp 72.756
3 Maret 205,6 14 hari Menengah (Normal) Rp 77.017 -8.2% Rp 72.495
4 April 178,1 13 hari Menengah (Normal) Rp 53.056 -31.1% Rp 72.273
5 Mei 77,5 8 hari Rendah Rp 71.254 +34.3% Rp 71.463
6 Juni 10,2 2 hari Rendah Rp 52.978 -25.6% Rp 73.115
7 Juli 0,0 0 hari Nihil / Kering Rp 38.237 -27.8% Rp 73.033
8 Agustus 0,0 0 hari Nihil / Kering Rp 43.978 +15% Rp 73.033
9 September 2,3 0 hari Rendah Rp 62.006 +41% Rp 73.052
10 Oktober 0,0 0 hari Nihil / Kering Rp 62.672 1.1% Rp 73.033
Konsep Prediksi & Risiko Dua Sisi Ekstrem

Korelasi linier Pearson (r) mengukur arah asosiasi data historis, namun tidak menunjukkan hubungan sebab-akibat langsung. Dalam realitas agroklimat pangan, pola risiko pasokan cenderung bersifat non-linear / dua sisi ekstrem, di mana anomali cuaca di kedua kutub berpotensi memicu lonjakan harga:

  • 1. Ekstrem Basah (Curah Hujan Tinggi > 250 mm): Berpotensi memicu genangan lahan, pembusukan akar, dan serangan penyakit jamur/patek. Penurunan hasil panen berpotensi mendorong kenaikan harga.
  • 2. Ekstrem Kering (Defisit Curah Hujan < 30 mm): Defisit air irigasi berkepanjangan berpotensi menyebabkan kekeringan, tanaman puso, dan penurunan produktivitas lahan.
  • 3. Zona Agroklimat Normal (60 - 250 mm): Kondisi hidrologi kondusif untuk budidaya, mendukung stabilitas pasokan di pasar daerah.
Standar Kategori Curah Hujan BMKG & Dampak Pangan
< 30 mm Kekeringan Kritis
Defisit air, berpotensi memicu puso
30 - 100 mm Kategori Rendah
Penjemuran pascapanen lancar
101 - 250 mm Menengah (Normal)
Optimal untuk sebagian besar tanaman pangan
251 - 400 mm Kategori Tinggi
Waspada pembusukan & gangguan distribusi
> 400 mm Sangat Tinggi (Ekstrem)
Risiko banjir lahan pertanian & gagal panen
Metodologi Evaluasi Model Prediksi (MAE, RMSE, MAPE)
MAE (Mean Absolute Error)

Mengukur rata-rata besaran absolut selisih antara harga riil aktual dengan prediksi model dalam satuan Rupiah (Rp). Memberikan gambaran besaran galat tanpa bobot berlebih pada nilai ekstrem.

RMSE (Root Mean Squared Error)

Mengukur akar kuadrat dari rata-rata kuadrat galat. RMSE memberikan penalti lebih besar pada selisih galat yang besar, sehingga berguna untuk mendeteksi deviasi signifikan pada bulan-bulan tertentu.

MAPE (Mean Absolute Percentage Error)

Mengukur persentase rata-rata galat relatif terhadap harga riil aktual. Semakin kecil nilai MAPE (misal < 20%), maka kemampuan model dalam memproyeksikan tren harga dinilai semakin baik dan representatif.