Prediksi Tingkat Inflasi Di Indonesia Menggunakan Algortima Regresi Linier

Dwi Amelia; Zera Ovilia; Elni Mefia Sinta; Pujianto

doi:10.35968/jsi.v13i2.2118

Authors

Dwi Amelia universitas baturaja
Zera Ovilia Universitas Baturaja
Elni Mefia Sinta Universitas Baturaja
Pujianto Universitas Baturaja

DOI:

https://doi.org/10.35968/jsi.v13i2.2118

Keywords:

regresi linier, orange data mining, machine learning, prediksi

Abstract

Inflasi merupakan indikator ekonomi makro yang berpengaruh signifikan terhadap stabilitas perekonomian nasional. Penelitian ini bertujuan untuk memprediksi tingkat inflasi bulanan di Indonesia menggunakan algoritma regresi linier berbasis platform Orange Data Mining. Metode yang digunakan adalah pendekatan kuantitatif dengan eksperimen komputasional, memanfaatkan dataset sebanyak 72 observasi bulanan yang memuat dua variabel prediktor, yaitu Bulan_Ke dan Siklus_Bulan, serta satu variabel target berupa Inflasi. Sebanyak 64 observasi digunakan sebagai data pelatihan dan delapan observasi sisanya sebagai data pengujian. Model dikonfigurasi tanpa regularisasi dengan intercept aktif. Hasil prediksi menunjukkan nilai inflasi berkisar antara -0,1078% hingga 0,4982%, dengan nilai tertinggi pada siklus bulan ke-12 dan terendah pada siklus bulan ke-8. Simpulan penelitian ini menunjukkan bahwa algoritma regresi linier mampu menghasilkan prediksi yang interpretatif dengan mempertimbangkan pola musiman melalui variabel Siklus_Bulan dan tren jangka panjang melalui variabel Bulan_Ke.

References

Awaludin, M., Nuryadi, H., & Pribadi, G. N. (2024). Sistem Otomatisasi Laporan untuk Optimalisasi Pelaporan Data Penelitian dan Pengabdian kepada Masyarakat di Universitas Dirgantara Marsekal Suryadarma. 9675, 1–7.

Awaludin, M., & Rehatalanit, Y. L. R. (2026). Optimizing YOLOv8 Architecture and Augmentation for Efficient License Plate Detection. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 15(2), 99–105. https://doi.org/10.22146/jnteti.v1512.24886

Awaludin, M., & Yasin, V. (2020). Application Of Oriented Fast And Rotated Brief ( Orb ) And Bruteforce Hamming In Library Opencv For Classification. Journal of Information System, Applied, Managemgent, Accounting, and Reserarch, 4(3), 51–59.

Demsar, J., Curk, T., Erjavec, A., Gorup, C., Hocevar, T., Milutinovic, M., ... & Zupan, B. (2023). Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research, 14(1), 2349–2353. https://doi.org/10.5555/2567709.2567734

Gujarati, D. N., & Porter, D. C. (2020). Basic Econometrics (5th ed.). McGraw-Hill Education.

Hastie, T., Tibshirani, R., & Friedman, J. (2022). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R (2nd ed.). Springer.

Mankiw, N. G. (2019). Macroeconomics (10th ed.). Worth Publishers.

Nawawi, H., & Martini. (2020). Prediksi Inflasi Indonesia Menggunakan Metode Exponential Smoothing. Jurnal Ekonomi dan Bisnis, 23(2), 45–58. https://doi.org/10.24914/jeb.v23i2.3125

Priyatno, D. (2021). Analisis Regresi dengan SPSS. Mediakom.

Sinaga, M., & Saragih, R. (2022). Implementasi Machine Learning untuk Prediksi Indikator Ekonomi Makro: Studi Kasus Inflasi Indonesia. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(3), 511–520. https://doi.org/10.25126/jtiik.2022932254

Alpaydin, E. (2020). Introduction to Machine Learning (4th ed.). MIT Press.

Ascarya, & Yumanita, D. (2021). Faktor-Faktor Penentu Inflasi di Indonesia: Analisis Data Panel Provinsi. Buletin Ekonomi Moneter dan Perbankan, 24(2), 189–210. https://doi.org/10.21098/bemp.v24i2.1498

Badan Pusat Statistik. (2023). Statistik Harga Konsumen: Indeks Harga Konsumen 82 Kota 2022–2023. BPS–Statistics Indonesia.

Bank Indonesia. (2022). Laporan Perekonomian Indonesia 2022. Bank Indonesia.

Cahyono, E. J., & Suhartono. (2020). Pemodelan ARIMA untuk Peramalan Inflasi di Indonesia. Jurnal Sains dan Seni ITS, 9(1), D47–D52. https://doi.org/10.12962/j23373520.v9i1.49680

Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Morgan Kaufmann.

Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3

Kusumawardhani, R., Haryono, A. T., & Santoso, B. (2021). Pengaruh Variabel Musiman terhadap Akurasi Prediksi Inflasi Bulanan Indonesia: Perbandingan Metode Regresi dan SARIMA. Jurnal Ekonomi dan Statistik Indonesia, 1(2), 112–124. https://doi.org/10.11594/jesi.01.02.03

Mishkin, F. S. (2019). The Economics of Money, Banking, and Financial Markets (12th ed.). Pearson Education.

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to Linear Regression Analysis (6th ed.). Wiley.

Raschka, S., Liu, Y. H., & Mirjalili, V. (2022). Machine Learning with PyTorch and Scikit-Learn. Packt Publishing.

Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2022). Data Mining: Practical Machine Learning Tools and Techniques (5th ed.). Morgan Kaufmann.

Zhang, G. P. (2022). Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Neurocomputing, 50, 159–175. https://doi.org/10.1016/S0925-2312(01)00702-0