OPTIMASI PERAMALAN TINGKAT LAJU INFLASI INDONESIA MELALUI PENDEKATAN ENSEMBLE BAGGING PADA ALGORITMA SUPPORT VECTOR REGRESSION

Fiqry Wahyu Diky Wicaksono, Mula'ab Mula'ab, Abdullah Basuki Rahmat

Abstract


 Tingkat inflasi sering digunakan sebagai indikator pertumbuhan ekonomi suatu negara. Di Indonesia, tantangan sosial di sektor ekonomi membutuhkan pengendalian yang lebih baik. Tingkat inflasi di Indonesia mengalami fluktuasi yang tidak stabil setiap bulannya. Inflasi yang tinggi dapat menimbulkan berbagai masalah, antara lain meningkatnya angka kemiskinan, tingkat pengangguran yang semakin tinggi, terhambatnya pertumbuhan ekonomi, dan menurunnya nilai rupiah. Oleh karena itu, peramalan tingkat inflasi di masa depan sangat penting untuk merumuskan kebijakan dan menjaga stabilitas ekonomi. Support Vector Regression (SVR) merupakan model dasar yang digunakan, dikombinasikan dengan pendekatan Ensemble Bagging untuk mendapatkan prediksi yang akurat. Optimasi grid search dengan variasi nilai Kernel (RBF, Sigmoid, Polynomial, Linier), C (0.1, 1, 100, 200), Gamma (0.1, 0.5, 1), Epsilon (0.01, 0.1, 1), Derajat (1, 2, 3), dan n_estimator (5, 25, 100) dilakukan untuk mencari parameter terbaik. Pengujian juga dilakukan dengan rasio pemisahan data yang berbeda, yaitu 80:20, 70:30, dan 60:40. Hasilnya menunjukkan rasio splitting terbaik adalah 70:30, dan parameter terbaik adalah Kernel = Linear, C = 200, Gamma = 0.1, Epsilon = 0.01, dan n_estimator = 100. Dengan nilai MAPE sebesar 9,297% dan RMSE sebesar 0,258, hasil tersebut mengindikasikan model cukup baik untuk memprediksi inflasi Indonesia. 

Keywords


Ensemble Bagging, Peramalan, Inflasi, Support Vector Regression, Time Series.

Full Text:

PDF

References


Samuel Banurea, “Ekonomi Indonesia dan Permasalahannya,” Jurnal Akuntansi Manajemen Madani, vol. 7, no. 1, pp. 16–41, Mar. 2021, doi: 10.51882/jamm.v7i1.19.

A. Kristin and I. B. Darsana, “Pengaruh Inflasi Dan Pertumbuhan Ekonomi Terhadap Tingkat Kemiskinan di Indonesia,” Jurnal EP Unud, vol. 9, no. 6, pp. 1373–1401.

A. Salim and A. Purnamasari, “Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi Indonesia,” Ekonomica Sharia, vol. 7, no. 1, pp. 17–28, Agustus 2021.

A. D. Ambarwati, I. M. Sara, and I. S. A. Aziz, “Pengaruh Jumlah Uang Beredar (JUB), BI Rate dan Inflasi Terhadap Pertumbuhan Ekonomi di Indonesia Periode 2009-2018,” WEDJ, vol. 4, no. 1, pp. 21–27, Apr. 2021, doi: 10.22225/wedj.4.1.3144.21-27.

I. P. S. Sembiring, S. Simanjuntak, and V. A. Sitepu, “Pengaruh Inflasi dan Pengangguran terhadap Penduduk Miskin di Sumatera Utara Tahun 2006–2020,” JISMAB, vol. 2, no. 2, pp. 1–13, May 2021, doi: 10.47747/jismab.v2i2.247.

R. Susanto and I. Pangesti, “Pengaruh Inflasi Dan Pertumbuhan Ekonomi Terhadap Tingkat Kemiskinan Di Indonesia,” jabe, vol. 7, no. 2, pp. 271–278, Jan. 2021, doi: 10.30998/jabe.v7i2.7653.

M. H. M. Saefulloh and M. R. Fahlevi, “Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi: Perspektif Indonesia,” Jurnal Keuangan Negara dan Kebijakan Publik, vol. 3, no. 1, 2023.

R. F. Putri, “Analisis Pengaruh Inflasi, Pertumbuhan Ekonomi dan Upah Terhadap Pengangguran Terdidik,” Economics Development Analysis Journal, vol. 4, no. 2, pp. 175–181, 2015.

M. Faizin, “Analisis Hubungan Kurs terhadap Inflasi,” AKUNTABEL, vol. 17, no. 2, pp. 314–319, 2020.

M. Kafil, “Penerapan Metode K-Nearest Neighbors Untuk Prediksi Penjualan Berbasis Web Pada Boutiq Dealove Bondowoso,” jati, vol. 3, no. 2, pp. 59–66, Sep. 2019, doi: 10.36040/jati.v3i2.860.

I. R, Sudarmin, and Z. Rais, “Analisis Support Vector Regression (SVR) dengan Kernel Radial Basis Function (RBF) untuk Memprediksi Laju Inflasi di Indonesia,” VARIANSI: Journal of Statistics and Its Application on Teaching and Research, vol. 4, no. 1, pp. 30–38, 2022.

D. I. Purnama and S. Setianingsih, “Support vector regression (SVR) model for forecasting number of passengers on domestic flights at Sultan Hasanudin airport Makassar,” JMSK, vol. 16, no. 3, p. 391, Apr. 2020, doi: 10.20956/jmsk.v16i3.9176

A. Ara, M. Maia, F. Louzada, and S. Macêdo, “Regression random machines: An ensemble support vector regression model with free kernel choice,” Expert Systems with Applications, vol. 202, p. 117107, Sep. 2022, doi: 10.1016/j.eswa.2022.117107.

L. A. Andika, P. A. N. Azizah, and R. Respatiwulan, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier,” IJAS, vol. 2, no. 1, p. 34, Jul. 2019, doi: 10.13057/ijas.v2i1.29998.

D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Com, Engine, Sys, Sci, vol. 4, no. 1, p. 78, Jan. 2019, doi: 10.24114/cess.v4i1.11458.

D. A. Mardhika, B. D. Setiawan, and R. C. Wihandika, “Penerapan Algoritma Support Vector Regression Pada Peramalan Hasil Panen Padi Studi Kasus Kabupaten Malang”.

I. Nabillah and I. Ranggadara, “Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut,” J Inform Syst, vol. 5, no. 2, pp. 250–255, Nov. 2020, doi: 10.33633/joins.v5i2.3900.




DOI: https://doi.org/10.32487/jtt.v12i2.2250

Refbacks

  • There are currently no refbacks.


JTT (Jurnal Teknologi Terpadu) has been indexed by:

 

 

 

 

 

 

 

 

 

Web Analytics

JTT Visitor Stats