Peramalan Inflasi Indonesia Dengan Seasonal Auto Regressive Integrated Moving Average

Gagah Lanang Ramadhan, Dewi Agushinta R., Herry Sussanto

Abstract


Abstrak

Inflasi adalah satu permasalahan yang dihadapi oleh banyak negara berkembang. Salah satunya adalah negara Indonesia yang memiliki penduduk besar sehingga tingkat konsumtif pun tinggi. Dalam menjaga kestabilan ekonomi agar tidak terjadi lonjakan inflasi yang tinggi maka perlu ada yang mengaturnya. Bank Indonesia memiliki peranan yang penting dalam menjaga kestabilan ekonomi negara, dengan cara menjaga inflasi yang terjadi. Bank Indonesia sendiri memiliki kebijakan moneter yang mengatur pergerakan ekonomi dalam menjaga kestabilan inflasi Indonesia. Inflasi target merupakan metode yang digunakan Bank Indonesia untuk menjaga kestabilan ekonomi. Data mining dan machine learning merupakan satu kemajuan konsep teknologi saat ini yang dapat memrediksi atau meramalkan. Metode Time Series merupakan satu metode peramalan yang dapat digunakan dengan mempertimbangkan nilai inflasi yang akan datang. Time Series adalah metode untuk melakukan peramalan pada interval waktu tertentu. Model Auto Regressive Integrated Moving Average (ARIMA) merupakan tool dalam peramalan dengan data time series sebagai landasan dalam peramalan. Penelitian menggunakan model Seasonal-ARIMA (SARIMA) karena data yang digunakan membentuk pola musiman yang ditunjukkan pada Plot ACF dan PACF. Model SARIMA yang didapatkan dari penelitian adalah (0, 0, 1), (2, 1, 0)12 dengan nilai AIC 564.393 dan Nilai MAPE pada penelitian ini sebesar 4.67426.

Kata kunci: ARIMA, data mining, inflasi, seasonal, time series

 

Abstract

Inflation is a problem faced by many developing countries. One of them is the country of Indonesia which has a large population so that the level of consumption is high. In maintaining economic stability so as not to cause a high spike in inflation, someone needs to regulate it. Bank Indonesia has an important role in maintaining the stability of the country's economy, by controlling inflation. Bank Indonesia itself has a monetary policy that regulates economic movements in maintaining the stability of Indonesian inflation. Target inflation is a method used by Bank Indonesia to maintain economic stability. Data mining and machine learning are advances in current technological concepts that can predict or predict. The Time Series method is a method of forecasting that can be used by considering the value of future inflation. Time Series is a method for forecasting at certain time intervals. The Auto-Regressive Integrated Moving Average (ARIMA) model is a tool in forecasting with time-series data as the basis for forecasting. The study used the Seasonal-ARIMA (SARIMA) model because the data used formed a seasonal pattern shown in the ACF and PACF plots. The SARIMA model obtained from the study is (0, 0, 1), (2, 1, 0) 12 with an AIC value of 564,393 and a MAPE value in this study of 4.67426..

Keywords: ARIMA, data mining, inflation, seasonal, time series

 


Full Text:

PDF

References


L. N. Zumaidah and A. Soelistyo, “Pengaruh Total Aset, Dana Pihak Ketiga, Dan Kredit Pada Bank Umum Terhadap Pertumbuhan Ekonomi Provinsi-Provinsi Di Indonesia Pada Tahun 2013 -2016,” J. Ilmu Ekon., vol. 22, pp. 251–263, 2018.

N. A. Asab, “Inflation Targeting and World Monetary Shocks : Evidence from Developing Economies,” vol. 9, no. 3, pp. 140–150, 2020, doi: 10.11648/j.ijber.20200903.17.

M. Feldkircher and P. L. Siklos, “Global inflation dynamics and inflation expectations,” Int. Rev. Econ. Financ., vol. 64, no. June, pp. 217–241, 2019, doi: 10.1016/j.iref.2019.06.004.

B. M. A. Abdulrahman, A. Y. A. Ahmed, and A. E. Y. Abdellah, “Forecasting of Sudan Inflation Rates using ARIMA Model,” Int. J. Econ. Financ. Issues, vol. 8, no. 3, pp. 17–22, 2018, [Online]. Available: https://www.researchgate.net/publication/325047116%0D.

C. A. Stephani, A. Suharsono, and Suhartono, “Peramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS,” Sains Dan Seni ITS, vol. 4, no. 1, pp. 67–72, 2015.

R. Rismala and R. N. Dayawati, “Prediksi Data Time Series Tingkat Inflasi di Indonesia dengan Menggunakan Differential Evolution,” Forecasting, pp. 1–8, 2017, [Online]. Available: http://journals.telkomuniversity.ac.id/knip/article/view/551.

A. J. P. Delima and M. T. Q. Lumintac, “Application of time series analysis for philippines’ inflation prediction,” Int. J. Recent Technol. Eng., vol. 8, no. 1, pp. 1761–1765, 2019.

I. N. Purnama and P. T. H. Permana, “Perbandingan Peramalan Inflasi Kota Denpasar Menggunakan Metode Fuzzy Time Series Dan Multilayer Perceptron,” J. Teknol. Inf. dan Komput., vol. 5, no. 3, pp. 285–296, 2019, doi: 10.36002/jutik.v5i3.801.

O. D. Adubisi, I. J. David, F. E. James, U. E. Awa, and A. J. Terna, “A predictive Autoregressive Integrated Moving Average (ARIMA) Model for Forecasting Inflation Rates,” Res. J. Bus. Econ. Manag., vol. 1, no. 1, pp. 1–8, 2018, doi: 10.31248/RJBEM2018.012.

A. M. Al’afi, W. Widiart, D. Kurniasari, and M. Usman, “Peramalan Data Time Series Seasonal Menggunakan Metode Analisis Spektral,” J. Siger Mat., vol. 1, no. 1, pp. 10–15, 2020, doi: 10.23960/jsm.v1i1.2484.

I. S. Nurjanah, D. Ruhiat, and D. Andiani, “Implementasi Model Autoregressive Integrated Moving Average (Arima) Untuk Peramalan Jumlah Penumpang Kereta Api Di Pulau Sumatera,” TEOREMA Teor. dan Ris. Mat., vol. 3, no. 2, p. 145, 2018, doi: 10.25157/teorema.v3i2.1421.

J. Lusikooy, N. Nainggolan, and J. Titaley, “Prediksi Harga Tutup Saham PT. Garuda Indonesia,Tbk Menggunakan Metode ARIMA,” J. MIPA, vol. 6, no. 1, p. 74, 2017, doi: 10.35799/jm.6.1.2017.16174.

J. Rizal and S. Akbar, “Perbandingan Uji Stasioner Data Timeseries Antara Metode : Control Chart, Correlogram, Akar Unit Dickey Fuller, dan Derajat Integrasi,” J. Gradien, vol. 11, no. 1, pp. 1040–1046, 2015, [Online]. Available: https://ejournal.unib.ac.id/index.php/gradien/article/view/415.

M. B. Pamungkas, “Aplikasi Metode Arima Box-Jenkins Untuk Meramalkan Kasus Dbd Di Provinsi Jawa Timur,” Indones. J. Public Heal., vol. 13, no. 2, p. 183, 2019, doi: 10.20473/ijph.v13i2.2018.183-196.

S. Mirza, S. Mittal, and M. Zaman, “A Review of Data Mining Literature,” vol. 14, no. 11, pp. 437–442, 2016.




DOI: https://doi.org/10.32520/stmsi.v10i3.1360

Article Metrics

Abstract view : 1240 times
PDF - 599 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.