Agrupamiento y Pronóstico de los Precios de la Carne de Res mediante WPGMA y Regresión en Series Temporales
DOI:
https://doi.org/10.15649/2346075X.5312Palabras clave:
Precio de la carne de res, Variación estacional, PCA, TSR, WPGMAResumen
Introducción. La carne de res es la segunda proteína de origen animal más consumida en Indonesia, después del pollo. Su demanda aumenta durante las festividades de Eid al-Fitr y Eid al-Adha, lo que genera incrementos estacionales en los precios y representa un desafío para el mantenimiento de la estabilidad de precios, agravado por las diferencias regionales. Objetivos. Agrupar las provincias de Indonesia según las tendencias mensuales de los precios de la carne de res mediante clustering de series de tiempo y realizar pronósticos a nivel de grupo utilizando modelos de regresión de series de tiempo que incorporen los efectos de Eid al-Fitr y Eid al-Adha, con el fin de apoyar una formulación de políticas más eficiente. Materiales y métodos. Se aplicó Análisis de Componentes Principales para optimizar el conjunto de datos previo al agrupamiento mediante el algoritmo Weighted Pair Group Method with Arithmetic Mean (WPGMA), utilizando como medida de similitud la distancia basada en la Función de Autocorrelación. Posteriormente, se emplearon modelos de regresión de series de tiempo con variables dummy para capturar los efectos de las festividades en cada clúster. Resultados. Se identificaron cinco clústeres óptimos, con un coeficiente de silueta de 0,61. Los pronósticos presentaron valores de MAPE en la muestra entre 1,05 % y 5,15 %, y todos los clústeres mostraron una tendencia creciente de precios entre septiembre de 2023 y agosto de 2024. Conclusiones. El enfoque de pronóstico basado en agrupamiento simplifica el análisis regional de precios y contribuye a intervenciones de política pública más focalizadas y precisas para la estabilización del precio de la carne de res en Indonesia.
Referencias
1. Firmansyah, Maruli P, Harahap A. Analysis of beef market integration between consumer and producer regions in Indonesia. Open Agric 2023;8. https://doi.org/10.1515/opag-2022-022
2. Kusumaningrum R, Darjanto A, Nurmalina R, Mulatsih S, Suprehatin. Effect of Import Policy on Beef Supply and Demand in Indonesia before and after the COVID-19 Pandemic. Tropical Animal Science Journal 2024;47:242–51. https://doi.org/10.5398/TASJ.2024.47.2.242
3. Hadi SN, Chung RH. Estimation of Demand for Beef Imports in Indonesia: An Autoregressive Distributed Lag (ARDL) Approach. Agriculture (Switzerland) 2022;12. https://doi.org/10.3390/agriculture12081212
4. Kousiga T, Vadivu RS. Hierarchical clustering algorithms in data mining. Int J Sci Dev Res. 2019;4:1–3.
5. Sokhonn L, Park YS, Lee MK. Hierarchical clustering via single and complete linkage using fully homomorphic encryption. Sensors. 2024;24. https://doi.org/10.3390/s24154826
6. Zhou S, Liu F, Song W. Estimating the optimal number of clusters via internal validity index. Neural Process Lett. 2021;53:1013–34. https://doi.org/10.1007/s11063-021-10427-8
7. Thrun MC, Stier Q. Fundamental clustering algorithms suite. SoftwareX. 2021;13:100642. https://doi.org/10.1016/j.softx.2020.100642
8. Radovanovic A, Li J, Milanovic JV, Milosavljevic N, Storchi R. Application of agglomerative hierarchical clustering for clustering of time series data. IEEE PES Innov Smart Grid Technol Conf Eur. 2020;2020-Oct:640–4. https://doi.org/10.1109/ISGT-Europe47291.2020.9248759
9. Zhang Y, Shi Q, Zhu J, Peng J, Li H. Time series clustering with topological and geometric mixed distance. Mathematics. 2021;9. https://doi.org/10.3390/math9091046
10. Wei WWS. Time series analysis: univariate and multivariate methods. 2nd ed. New York: Pearson Education; 2006.
11. Rahman NHA, Lee MH, Suhartono, Latif MT. Artificial neural networks and fuzzy time series forecasting: an application to air quality. Qual Quant. 2015;49:2633–47. https://doi.org/10.1007/s11135-014-0132-6
12. Monika P, Ruchjana BN, Abdullah AS, Budiarto R. Integration of GSTARIMA model with heteroskedastic error and kriging for climate forecasting: a systematic review. Appl Math Inf Sci. 2024;18:551–67. https://doi.org/10.18576/amis/180307
13. Ahmed SE, Aydin D, Yilmaz E. Semiparametric time-series model using local polynomial: an application on the effects of financial risk factors on crop yield. J Risk Financ Manag. 2022;15. https://doi.org/10.3390/jrfm15030141
14. Montgomery DC, Friedman DJ. Prediction using regression models with multicollinear predictor variables. IIE Trans. 1993;25:73–85. https://doi.org/10.1080/07408179308964293
15. Arashi M, Norouzirad M, Roozbeh M, Mamode Khan N. A high-dimensional counterpart for the ridge estimator in multicollinear situations. Mathematics. 2021;9. https://doi.org/10.3390/math9233057
16. Ismail NH, Ahmad N, Mohamed NA, Tahar MR. Analysis of geomagnetic ap index on worldwide earthquake occurrence using principal component analysis and hierarchical cluster analysis. Sains Malays. 2021;50:1157–64. https://doi.org/10.17576/jsm-2021-5004-25
17. Maugeri A, Barchitta M, Favara G, La Mastra C, La Rosa MC, Magnano San Lio R, et al. Application of clustering on principal components for nutritional epidemiology: a workflow to derive dietary patterns. Nutrients. 2023;15. https://doi.org/10.3390/nu15010195
18. Wang T, Jing Z, Zhang S, Qiu C. Utilizing principal component analysis and hierarchical clustering to develop driving cycles: a case study in Zhenjiang. Sustainability (Switzerland). 2023;15. https://doi.org/10.3390/su15064845
19. Jombart T, Devillard S, Balloux F. Discriminant analysis of principal components: a new method for the analysis of genetically structured populations. BMC Genet. 2010;11. https://doi.org/10.1186/1471-2156-11-94
20. Chan JY Le, Leow SMH, Bea KT, Cheng WK, Phoong SW, Hong ZW, et al. Mitigating the multicollinearity problem and its machine learning approach: a review. Mathematics. 2022;10. https://doi.org/10.3390/math10081283
21. Penkova TG. Principal component analysis and cluster analysis for evaluating the natural and anthropogenic territory safety. Procedia Comput Sci. 2017;112:99–108. https://doi.org/10.1016/j.procs.2017.08.179
22. Contreras JM, Molina Portillo E, Fernández Luna JM. Evaluation of hierarchical clustering methodologies for identifying patterns in timeout requests in EuroLeague basketball. Mathematics. 2025;13. https://doi.org/10.3390/math13152414
23. Saraçli S, Doǧan N, Doǧan I. Comparison of hierarchical cluster analysis methods by cophenetic correlation. J Inequal Appl. 2013;2013. https://doi.org/10.1186/1029-242X-2013-203
24. Xie WB, Lee YL, Wang C, Chen DB, Zhou T. Hierarchical clustering supported by reciprocal nearest neighbors. Inf Sci. 2020;527:279–92. https://doi.org/10.1016/j.ins.2020.04.016
25. Vijaya, Aayushi S, Bateja R. A review on hierarchical clustering algorithms. J Eng Appl Sci. 2017;12:7501–7.
26. Lu G, Tian Z, Chen P, Liang Z, Zeng X, Zhao Y, et al. Comprehensive morphological and molecular insights into drought tolerance variation at germination stage in Brassica napus accessions. Plants. 2024;13. https://doi.org/10.3390/plants13233296
27. Dani ATR, Wahyuningsih S, Rizki NA. Penerapan hierarchical clustering metode agglomerative pada data runtun waktu. Jambura J Math. 2019;1:64–78. https://doi.org/10.34312/jjom.v1i2.2354
28. Herden T, Bunzel S. Archetypes of supply chain analytics initiatives—an exploratory study. Logistics. 2018;2:10. https://doi.org/10.3390/logistics2020010
29. Rousseeuw PJ. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. J Comput Appl Math. 1987;20:53–65. https://doi.org/10.1016/0377-0427(87)90125-7
30. Shutaywi M, Kachouie NN. Silhouette analysis for performance evaluation in machine learning with applications to clustering. Entropy. 2021;23. https://doi.org/10.3390/e23060759
31. Babii A, Ghysels E, Striaukas J. Machine learning time series regressions with an application to nowcasting. J Bus Econ Stat. 2022;40:1094–106. https://doi.org/10.1080/07350015.2021.1899933
32. Suhartono, Ashari DE, Prastyo DD, Kuswanto H, Lee MH. Deep neural network for forecasting inflow and outflow in Indonesia. Sains Malays. 2019;48:1787–98. https://doi.org/10.17576/jsm-2019-4808-26
33. Xu W, Peng H, Zeng X, Zhou F, Tian X, Peng X. A hybrid modelling method for time series forecasting based on a linear regression model and deep learning. Appl Intell. 2019;49:3002–15. https://doi.org/10.1007/s10489-019-01426-3
34. Budiantara IN, Ratnasari V, Ratna M, Zain I. The combination of spline and kernel estimator for nonparametric regression and its properties. Appl Math Sci. 2015;9:6083–94. https://doi.org/10.12988/ams.2015.58517
35. Ratnasari V, Budiantara N, Dani ATR. Nonparametric regression mixed estimators of truncated spline and Gaussian kernel based on CV, GCV, and UBR methods. Int J Adv Sci Eng Inf Technol. 2021;11:2400–6. https://doi.org/10.18517/ijaseit.11.6.14464
36. Draper NR, Smith H. Applied regression analysis. 3rd ed. Canada: John Wiley & Sons; 1998.
37. Montgomery DC, Peck EA, Vining GG. Introduction to linear regression analysis. 5th ed. Canada: John Wiley & Sons; 2012.
38. Fitriyah AT, Chamidah N, Saifudin T. Prediction of paddy production in Indonesia using semiparametric time series regression least square spline estimator. Data Metadata. 2025;4:1–12. https://doi.org/10.56294/dm2025527
39. Fibriyani V, Chamidah N, Saifudin T. Estimating time series semiparametric regression model using local polynomial estimator for predicting inflation rate in Indonesia. J King Saud Univ Sci. 2024;36. https://doi.org/10.1016/j.jksus.2024.103549
40. Alabdulrazzaq H, Alenezi MN, Rawajfih Y, Alghannam BA, Al-Hassan AA, Al-Anzi FS. On the accuracy of ARIMA-based prediction of COVID-19 spread. Results Phys. 2021;27:104509. https://doi.org/10.1016/j.rinp.2021.104509
41. Bank Indonesia. Strategic Food Price Information Center (PIHPS) [Internet]. n.d. Available from: https://www.bi.go.id/hargapangan (accessed January 16, 2023 and September 8, 2023).
42. Komalawati K, Malik A, Jatuningtyas RK, Wulanjari ME. Price transmission on the Indonesian beef market. In: IOP Conference Series: Earth and Environmental Science. IOP Publishing Ltd; 2021. https://doi.org/10.1088/1755-1315/788/1/012209
43. Wibowo RP, Pebriyani D, Indrawati T, Khaliqi M. How Beef, Chicken, and Egg Demand Elasticities Vary with Income in Indonesia. Jurnal AGRISEP: Kajian Masalah Sosial Ekonomi Pertanian dan Agribisnis. 2025 Mar 14;361–84. https://doi.org/10.31186/jagrisep.24.01.361-384.
44. Fatimah SN, Zainuddin AF, Mardiana N, Mukhaiyar U. Beef Price Forecasting Based on Temporal, Spatial and Space-Time Parameter Indices. Barekeng 2025;19:1805–24. https://doi.org/10.30598/barekengvol19iss3pp1805-1824
45. Guo J, Tanaka T. The effectiveness of self-sufficiency policy: International price transmissions in beef markets. Sustainability (Switzerland) 2020;12. https://doi.org/10.3390/su12156073
Descargas
Publicado
Cómo citar
Descargas
Número
Sección
Licencia
Derechos de autor 2026 Innovaciencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Todos los artículos publicados en esta revista científica están protegidos por los derechos de autor. Los autores retienen los derechos de autor y conceden a la revista el derecho de primera publicación con el trabajo simultáneamente licenciado bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) que permite compartir el trabajo con reconocimiento de autoría y sin fines comerciales.
Los lectores pueden copiar y distribuir el material de este número de la revista para fines no comerciales en cualquier medio, siempre que se cite el trabajo original y se den crédito a los autores y a la revista.
Cualquier uso comercial del material de esta revista está estrictamente prohibido sin el permiso por escrito del titular de los derechos de autor.
Para obtener más información sobre los derechos de autor de la revista y las políticas de acceso abierto, por favor visite nuestro sitio web.
