Analisis Distribusi Cadangan Padi di Jawa Tengah dan Optimalisasi Kecerdasan Buatan (AI) dengan Pendekatan Exponential Moving Average ( EMA)
Abstract
Penelitian ini mengevaluasi pola distribusi cadangan padi di Jawa Tengah menggunakan metode Exponential Moving Average (EMA)
dan mengusulkan penggunaan kecerdasan buatan (AI) untuk meningkatkan efisiensi distribusi. Data distribusi bulanan dari tahun
2013 hingga 2020 serta faktor lingkungan digunakan dalam analisis ini. Hasil penelitian menunjukkan bahwa distribusi padi sangat
dipengaruhi oleh variasi musiman dan gangguan seperti banjir dan tanah longsor. Model EMA menunjukkan prediksi yang akurat
dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 2,55%. Penggunaan AI direkomendasikan untuk meningkatkan
efisiensi distribusi melalui optimalisasi rute, penentuan lokasi gudang yang strategis, dan pengurangan biaya logistik. Prediksi
distribusi untuk tahun 2021–2023 menunjukkan pola yang konsisten dengan tren historis, dengan puncak distribusi pada musim panen
raya. Integrasi EMA dan AI dapat membantu mengatasi tantangan dalam distribusi pangan, meningkatkan efisiensi logistik, dan
menciptakan stabilitas harga, yang berkontribusi terhadap ketahanan pangan nasional serta kesejahteraan petani dan konsumen.
Kata Kunci: distribusi padi, Exponential Moving Average, Mean Absolute Percentage Error, kecerdasan buatan, efisiensi logistik,
ketahanan pangan, fluktuasi musiman, gangguan eksternal
References
Pembentukan Harga Beras di Jawa Tengah,” Analisis Kebijakan Pertanian, vol. 17, no. 1,
p. 39, Jun. 2019, doi: 10.21082/akp.v17n1.2019.39-58.
[2] Oluwafunmi Adijat Elufioye, Chinedu Ugochukwu Ike, Olubusola Odeyemi, Favour
Oluwadamilare Usman, and Noluthando Zamanjomane Mhlongo, “AI-DRIVEN
PREDICTIVE ANALYTICS IN AGRICULTURAL SUPPLY CHAINS: A REVIEW: ASSESSING THE
BENEFITS AND CHALLENGES OF AI IN FORECASTING DEMAND AND OPTIMIZING SUPPLY
IN AGRICULTURE,” Computer Science & IT Research Journal, vol. 5, no. 2, pp. 473–497,
Feb. 2024, doi: 10.51594/csitrj.v5i2.817.
[3] L. Wang et al., “Smart Contract-Based Agricultural Food Supply Chain Traceability,” IEEE
Access, vol. 9, pp. 9296–9307, 2021, doi: 10.1109/ACCESS.2021.3050112.
20
[4] N. Ghag, H. Sonar, S. Jagtap, and H. Trollman, “Unlocking AI’s potential in the food
supply chain: A novel approach to overcoming barriers,” J Agric Food Res, vol. 18, Dec.
2024, doi: 10.1016/j.jafr.2024.101349.
[5] N. N. Misra, Y. Dixit, A. Al-Mallahi, M. S. Bhullar, R. Upadhyay, and A. Martynenko, “IoT,
Big Data, and Artificial Intelligence in Agriculture and Food Industry,” IEEE Internet
Things J, vol. 9, no. 9, pp. 6305–6324, May 2022, doi: 10.1109/JIOT.2020.2998584.
[6] I. Putu, A. W. Kertayoga, ; Edy Humaidi, ; Shinta Tantriadisti, and M. Ulfah, “Forecasting
of Indonesian Rice Production Post Covid-19,” vol. 12, no. 2, pp. 26–32, 2022.
[7] https://dishanpan.jatengprov.go.id/, “Dinas Ketahanan Pangan Jawa Tengah,”
https://dishanpan.jatengprov.go.id/.
[8] V. Lotysh, L. Gumeniuk, and P. Humeniuk, “COMPARISON OF THE EFFECTIVENESS OF
TIME SERIES ANALYSIS METHODS: SMA, WMA, EMA, EWMA, AND KALMAN FILTER FOR
DATA ANALYSIS,” Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie
Srodowiska, vol. 13, no. 3, pp. 71–74, 2023, doi: 10.35784/iapgos.3652.
[9] U. Khair, H. Fahmi, S. Al Hakim, and R. Rahim, “Forecasting Error Calculation with Mean
Absolute Deviation and Mean Absolute Percentage Error,” in Journal of Physics:
Conference Series, Institute of Physics Publishing, Dec. 2017. doi: 10.1088/1742-
6596/930/1/012002.
