Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Inflasi merupakan indikator penting yang memengaruhi kestabilan dan pertumbuhan ekonomi suatu wilayah. Prediksi inflasi yang akurat sangat dibutuhkan guna mendukung perumusan kebijakan ekonomi yang tepat. Penelitian ini mengusulkan penggunaan model Neural Basis Expansion Analysis for Time Series (N-BEATS) yang dioptimalkan dengan Optuna untuk memprediksi inflasi di Provinsi Jawa Timur. Data yang digunakan berupa deret waktu univariat, yaitu laju inflasi bulanan dari Januari 2005 hingga Desember 2024, yang diperoleh dari Badan Pusat Statistik (BPS). Evaluasi performa model dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE). Berbeda dengan model tradisional seperti Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM), N-BEATS mengandalkan jaringan saraf feedforward dengan arsitektur blok residual yang mampu melakukan rekonstruksi masa lalu (backcast) dan prediksi masa depan (forecast). Optimasi hyperparameter melalui Optuna berhasil meningkatkan akurasi model secara signifikan. Hasil Penelitian menunjukkan bahwa N-BEATS teroptimasi mencapai MAPE sebesar 8,97%, lebih baik dibandingkan N-BEATS dasar (11,05%), ARIMA (16,95%), dan LSTM (12,23%). Temuan ini mengindikasikan bahwa pendekatan N-BEATS dengan Optuna efektif dalam meningkatkan akurasi prediksi inflasi dan dapat menjadi alat bantu penting bagi perencanaan ekonomi di tingkat daerah.

Conclusion

Penelitian ini menunjukkan bahwa model N-BEATS yang dioptimalkan dengan Optuna secara signifikan meningkatkan kinerja prediksi inflasi Jawa Timur dibandingkan dengan model konvensional dan model N-BEATS yang tidak dioptimalkan.Model N-BEATS yang dioptimasi dengan Optuna mencapai penurunan MAPE dari 11,05% menjadi 8,97%, mengungguli model-model prediksi inflasi sebelumnya seperti ARIMA (16,95%) dan LSTM (12,23%).Peningkatan ini didorong oleh penyetelan hyperparameter Optuna yang efisien dalam mengoptimalkan parameter-parameter utama termasuk jumlah neuron, layer, learning rate, stacks, dan dropout rate, sehingga memungkinkan model ini untuk lebih baik dalam menangkap perilaku data inflasi yang kompleks dan tidak linier.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi integrasi dengan pendekatan multivariat, dengan memasukkan indikator ekonomi eksternal seperti harga komoditas, biaya bahan bakar, atau nilai tukar. Selain itu, potensi penggunaan teknik ensemble dan model hibrida dapat dilakukan untuk meningkatkan akurasi prediksi. Memperluas analisis ke berbagai wilayah dan periode waktu yang lebih panjang juga akan meningkatkan penerapan dan ketahanan model di berbagai lingkungan ekonomi.

References

1. PENGARUH INFLASI TERHADAP PERTUMBUHAN EKONOMI DI INDONESIA | Journal of Management : Small and Medium... doi.org/10.35508/jom.v13i3.3311PENGARUH INFLASI TERHADAP PERTUMBUHAN EKONOMI DI INDONESIA Journal of Management Small and Medium doi 10 35508 jom v13i3 3311
2. Optimizing Windowing Techniques to Improve the Accuracy of Artificial Neural Networks in Predicting Outpatient... doi.org/10.33096/ilkom.v16i2.2254.172-183Optimizing Windowing Techniques to Improve the Accuracy of Artificial Neural Networks in Predicting Outpatient doi 10 33096 ilkom v16i2 2254 172 183
3. TEM JOURNAL - Technology, Education, Management, Informatics. tem journal technology education management... temjournal.com/content/123/TEMJournalAugust2023_1575_1581.htmlTEM JOURNAL Technology Education Management Informatics tem journal technology education management temjournal content 123 TEMJournalAugust2023 1575 1581 html

Metadata

File size	525.86 KB
Pages	12
DMCA	Report