Model Peramalan Laju Inflasi di Jawa Tengah Menggunakan Metode Hybrid ARIMA (Autoregressive Integrated Moving Average)-ANFIS (Adaptive Neuro Fuzzy Inference System)

Main Article Content

Reika Putri Wardani

Abstract

Indikator untuk mengukur perkembangan suatu negara salah satunya adalah inflasi. Jika inflasi tidak dikendalikan, maka akan memiliki banyak efek negatif pada masyarakat. Untuk memprediksi tingkat inflasi di masa depan, peramalan itu penting. Peramalan adalah tindakan memprediksi kejadian di masa depan berdasarkan data masa lampau. Pada artikel ini metode yang digunakan untuk memprediksi laju inflasi yaitu metode hybrid ARIMA-ANFIS. Model ARIMA cukup fleksibel karena dapat mewakili time series tertentu namun ARIMA mengasumsikan linearitas model. Metode hybrid yang menggabungkan model ARIMA dan ANFIS dibandingkan dengan menggunakan satu metode menjadi cara yang efektif untuk meningkatkan akurasi peramalan. Berdasarkan hasil analisis pada data IHK Jawa Tengah tahun 2014-2021, model ARIMA (3,2,0) menghasilkan nilai RMSE sebesar 3,8825 sedangkan metode ARIMA-ANFIS menghasilkan nilai RMSE sebesar 0,004656. Oleh karena itu, dengan nilai RMSE yang lebih rendah disimpulkan bahwa model hybrid ARIMA-ANFIS merupakan model yang lebih baik dibandingkan model ARIMA saja.

Article Details

How to Cite
Wardani, R. (2023). Model Peramalan Laju Inflasi di Jawa Tengah Menggunakan Metode Hybrid ARIMA (Autoregressive Integrated Moving Average)-ANFIS (Adaptive Neuro Fuzzy Inference System). PRISMA, Prosiding Seminar Nasional Matematika, 6, 739-744. Retrieved from https://journal.unnes.ac.id./sju/prisma/article/view/66920
Section
Articles

References

Armi, A. E., Kridalaksana, A. H., & Arifin, Z. (2019). Peramalan Angka Inflasi Kota Samarinda Menggunakan Metode Double Exponential Smoothing (Studi Kasus : Badan Pusat Statistik Kota Samarinda). Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer, 14(1), 21-26.
Badan Pusat Statistik. (2022). Indeks Harga Konsumen per Bulan Menurut Kelompok Pengeluaran di Provinsi Jawa Tengah. (Online). (https://jateng.bps.go.id/statictable/2021/04/09/2276/indeks-harga-konsumen-per-bulan-menurut-kelompok-pengeluaran-2018-100-di-provinsi-jawa-tengah-2020-dan-2021.html, di akses 12 Juli 2022 )
Fahrudin, R., & Sumitra, I. D. (2020). Peramalan Inflasi Menggunakan Metode SARIMA dan Single Exponential Smoothing (Studi Kasus: Kota Bandung). Majalah Ilmiah UNIKOM, 17(2), 111-120.
Fatkhurrozi, B., Muslim, M. A., & Santoso, D. R. (2014). Optimasi Penentuan Status Aktivitas Gunung Merapi Menggunakan Metode Hybrid Anfis dan Particle Swarm Optimization (PSO). Techno, 15(2), 15-22.
Fauziyah, N., & Achmad, A. I. (2019). Model Hybrid SARIMA (Seasonal Autoregressive Integrated Moving Average ) - ANFIS (Adaptive Neuro Fuzzy Inference System) pada Data Inflasi Indonesia Tahun 2003-2018. Prosiding Statistika, 5(2), 96-105.
Jang, J.-S. R., Sun, C.-T., & Mizutani, E. (1997). Neuro-Fuzzy and Soft Computing. New Jersey: Prentice-Hall.
Melyani, C. A., Nurtsabita, A., Shafa, G. Z., & Widodo, E. (2021). Peramalan Inflasi di Indonesia Menggunakan Metode Autoregressive Moving Average (ARMA). Journal of Mathematics Education and Science, 4(2), 67-74.
Rismawanti, Y., & Darsyah, M. Y. (2018). Perbandingan Peramalan Metode Moving Average dan Exponential Smoothing Holt Winter Untuk Menentukan Peramalan Inflasi di Indonesia. Prosiding Seminar Nasional Mahasiswa Unimus, 1, 330-335.
Wei, W.W.S. (2006). Time Series Analysis Univariate and Multivariate Methods. 2nd Edition, Addison Wesley, New York.
Zhang, G. P. (2003). Time Series Forecasting Using A Hybrid ARIMA and Neural Network Model. Neurocomputing, 159-175.