Kembali ke Portofolio
PortfolioEWS & Monitoring Harga Pangan
Analytics, BI & Regional PolicyBank Indonesia KPw Lampung2026

Sistem Pemantauan Harga Pangan & Early Warning System (EWS)

Sistem monitoring terintegrasi dan sistem peringatan dini (EWS) untuk 9 komoditas pangan strategis di 15 kabupaten/kota Lampung menggunakan data PIHPS, formula volatilitas, pembobotan PCA, dan dashboard interaktif.

Institusi / Konteks:Bank Indonesia, Kantor Perwakilan Provinsi Lampung
Peran Farrel:Data Science Intern (FPKP)

Komoditas Terpantau

9 Komoditas Strategis

Cakupan Wilayah

15 Kabupaten/Kota

Klasifikasi Risiko

Normal, Waspada, Peringatan

Pembaruan Data

Harian (Daily PIHPS)

Hasil Nyata & Tampilan Sistem

Tangkapan layar hasil produksi atau prototipe sistem yang dibangun.

Strategic Commodity Monitoring Panel: Displaying current price vs benchmark (HAP), gap percentages, and historical movement.

Gambar 1: Panel Monitoring Harga Komoditas Strategis: Menampilkan harga aktual vs HAP (Harga Acuan Penjualan), gap persentase, dan tren harian.

Early Warning & Risk Heatmap Panel: Price Alert/Watch/Normal classification with daily anomaly status matrix.

Gambar 2: Panel Peringatan Dini & Heatmap Risiko: Klasifikasi status Price Alert/Watch/Normal serta heatmap matriks risiko harian.

EWS Pipeline Architecture: From raw PIHPS ingestion, centralized transformation, to dual analytical delivery panels.

Gambar 3: Diagram Alur Pipeline Data EWS: Dari konsumsi data mentah PIHPS, transformasi terpusat, hingga dua panel analitik.

Masalah & Kebutuhan

Mengapa Sistem Ini Perlu Dibangun?

Fluktuasi harga komoditas pangan pokok (volatile food) di daerah sering kali terjadi mendadak dan berdampak langsung pada laju inflasi daerah serta daya beli masyarakat. Analis ekonomi dan Tim Pengendalian Inflasi Daerah (TPID) membutuhkan alat deteksi dini yang tidak hanya mencatat harga historis, tetapi mampu mendeteksi anomali harga sebelum lonjakan ekstrem terjadi.

Target Pengguna / Pemangku Kepentingan

Ekonom & analis Kantor Perwakilan Bank Indonesia Provinsi Lampung, Tim Pengendalian Inflasi Daerah (TPID), dan Pemerintah Provinsi Lampung.

Solusi & Pendekatan Teknis

Bagaimana Masalah Tersebut Diselesaikan?

Membangun pipeline data end-to-end yang mengambil data harian PIHPS, melakukan validasi dan pembersihan otomatis, menghitung Compound Quarterly Growth Rate (CQGR), CAGR, volatilitas bergulir, serta indikator kuartalan (Q-IPA) dan tahunan (A-IPA). Pembobotan gamma berbasis Principal Component Analysis (PCA) digunakan untuk menyusun skor komposit status: Normal (<0,5), Waspada (0,5–<1,0), dan Peringatan (≥1,0).

Kontribusi Pribadi Farrel

Apa yang Secara Spesifik Dikerjakan?

1

Mengembangkan prototype analitik dan formula kalkulasi statistik dari FAO (volatility-adjusted growth, Q-IPA, A-IPA, pembobotan PCA) secara mandiri menggunakan Python dan Excel.

2

Merancang struktur penyimpanan data terpusat dan logika transformasi data PIHPS untuk 9 komoditas strategis.

3

Mendesain panel visualisasi dashboard di Power BI dan Looker Studio untuk pemantauan tren, ranking risiko harga, dan heatmap harian status anomali.

4

Menyajikan hasil analisis kepada analis senior Bank Indonesia guna mendukung rekomendasi kebijakan waktu intervensi pasar.

Teknologi & Peran Fungsionalnya

Bukan sekadar daftar nama tools, melainkan alasan mengapa teknologi tersebut dipakai dalam proyek ini.

Python (Pandas, NumPy)

Validasi, pembersihan data harian, dan kalkulasi statistik

PIHPS API / Data

Sumber data harga pangan resmi tingkat produsen dan konsumen

Power BI & Looker Studio

Penyusunan dashboard eksekutif, ranking risiko, dan heatmap

PCA & Time Series Analysis

Pembobotan gamma objektif dan penentuan threshold status risiko

Keterbatasan Sistem & Pembelajaran Teknis

Refleksi objektif mengenai batasan desain eksperimen dan peluang pengembangan selanjutnya.

  • •Implementasi produksi pada website kolaborasi BI & Pemprov didelegasikan ke vendor mitra; Farrel bertanggung jawab penuh atas formulasi statistik, pembersihan data, dan prototype dashboard.
  • •Model beroperasi sebagai pendukung keputusan (*decision support*), bukan pengendali harga otomatis tanpa intervensi manusia.

Ingin Mendiskusikan Proyek Ini?

Saya siap menjelaskan metodologi, desain data, dan kode secara lebih terperinci.