Pemodelan Seasonal Autoregressive Integrated Moving Average (SARIMA) Untuk Prediksi Tingkat Inflasi Bulanan Kota Medan
Seasonal Autoregressive Integrated Moving Average (SARIMA) Modeling for Monthly Inflation Rate Prediction in Medan City
DOI:
https://doi.org/10.5281/zenodo.20441386Keywords:
Inflasi, SARIMA, Peramalan, Kota Medan, RStudio.Abstract
Inflasi adalah salah satu indikator makroekonomi yang menunjukkan stabilitas ekonomi sebuah negara. Perubahan inflasi yang tidak terkendali di tingkat lokal, seperti Kota Medan, dapat berdampak negatif pada daya beli masyarakat, stabilitas ekonomi, dan iklim investasi. Tujuan dari penelitian ini adalah untuk menentukan model Seasonal Autoregressive Integrated Moving Average (SARIMA) yang paling cocok dan juga untuk memprediksi tingkat inflasi bulanan Kota Medan untuk masa depan. Inflasi bulanan digunakan sebagai data runtun waktu (time series). Penelitian menggunakan pendekatan kuantitatif. Kota Medan (Data penelitian dan periode pengamatan) dari Januari 2020 hingga Desember 2023 dari BPS Dengan bantuan perangkat lunak RStudio, metode Seasonal Autoregressive Integrated Moving Average (SARIMA) digunakan untuk melakukan analisis. Tahapan analisis penelitian terdiri dari uji stasioneritas menggunakan metode Augmented Dickey-Fuller (ADF), identifikasi parameter model melalui plot Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF), estimasi parameter model, dan pengujian diagnostik residual untuk memastikan bahwa terperinci. Nilai terkecil dari Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SIC), bersama dengan ukuran akurasi peramalan seperti Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE), digunakan untuk memilih model SARIMA terbaik. Hasil penelitian diharapkan dapat menghasilkan model SARIMA yang akurat dan valid untuk memprediksi inflasi bulanan Kota Medan. Model ini diharapkan dapat digunakan oleh Pemerintah Kota Medan dan Tim Pengendalian Inflasi Daerah (TPID) saat mereka membuat kebijakan ekonomi yang bertujuan untuk menjaga stabilitas harga dan pengendalian inflasi di masa mendatang.
References
Aditia, R. O., & Utomo, P. E. P. (2025). Penggunaan metode peramalan SARIMA dalam menentukan nilai inflasi Indonesia. Syntax Literate, 10(1).
Badan Pusat Statistik Kota Medan. (2024). Inflasi bulanan Kota Medan tahun 2021–2023. Diperbarui 14 Agustus 2024. https://medankota.bps.go.id/id/statistics-table/2/MTAwIzI=/inflasi-bulanan-kota-medan.html
Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. The Annals of Applied Statistics, 9(1), 247–274.
Durbin, J., & Koopman, S. J. (2012). Time series analysis by state space methods (2nd ed.). Oxford University Press.
Fadliani, I., Purnamasari, I., & Wasono, W. (2021). Peramalan dengan metode SARIMA pada data inflasi dan identifikasi tipe outlier (Studi kasus: Data inflasi Indonesia tahun 2008–2014). Jurnal Statistika Universitas Muhammadiyah Semarang, 9(2), 109–116. https://doi.org/10.26714/jsunimus.9.2.2021.109-116
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.
Gujarati, D., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill.
Hartati, H. (2017). Penggunaan metode ARIMA dalam meramal pergerakan inflasi. Jurnal Matematika, Sains, dan Teknologi, 18(1), 1–10.
Işığıçok, E., Öz, R., & Tarkun, S. (2020). Forecasting and technical comparison of inflation in Turkey with Box-Jenkins (ARIMA) models and artificial neural networks. International Journal of Energy Optimization and Engineering, 9(4), 84–103.
Lukmaini, S., Nugraheni, K., & Istiqomah, N. (2023). Peramalan inflasi Provinsi Kalimantan Timur tahun 2016–2022 menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA). Dalam Prosiding Seminar Nasional Matematika dan Statistika (Vol. 3, No. 1, hlm. 80–89).
Messakh, L. F., Atti, A., Haning, F. O., & Ginting, K. B. (2026). Perbandingan metode SARIMA dan Bayesian Structural Time Series pada peramalan inflasi Provinsi Nusa Tenggara Timur. MATHunesa: Jurnal Ilmiah Matematika, 14(1), 421–430.
Nurul, A., Ruhiat, D., & Nurul, W. (2023). Pemodelan forecasting tingkat inflasi di Indonesia menggunakan metode triple exponential smoothing dan Seasonal ARIMA. Jurnal Riset Matematika dan Sains Terapan, 3(1), 19–29.
Ramadhan, G. L., Agushinta, D., & Sussanto, H. (2021). Peramalan inflasi Indonesia dengan Seasonal Autoregressive Integrated Moving Average. Sistemasi: Jurnal Sistem Informasi, 10(3), 627–636.
Rahayu, S., Sukestiyarno, S., & Hendikawati, P. (2018). Peramalan inflasi di Demak menggunakan metode ARIMA berbantuan software R dan MINITAB. Dalam PRISMA, Prosiding Seminar Nasional Matematika (Vol. 1, hlm. 745–754).
Rizki, M. I., & Taqiyyuddin, T. A. (2021). Penerapan model SARIMA untuk memprediksi tingkat inflasi di Indonesia. Jurnal Sains Matematika dan Statistika, 7(2), 62–72. https://doi.org/10.24014/jsms.v7i2.13168
Santoso, T., Kharisma, B., & Padjadjaran, U. (2020). Peramalan inflasi Kota Bandung dengan pendekatan Box-Jenkins. Buletin Studi Ekonomi, 25(2). https://doi.org/10.24843/BSE.2020.v25.i02.p01
Sukirno, S. (2006). Pengantar teori makro ekonomi. Raja Grafindo Persada.
Sukirno, S. (2012). Makro ekonomi teori pengantar. Raja Grafindo Persada.
Wei, W. W. S. (2006). Time series analysis: Univariate and multivariate methods (2nd ed.). Pearson Addison Wesley.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Bunga Diviya Kusfa, Vena Yurinda Saragih, Cahaya Intan Pasaribu, Rizky Iqna Fitria
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
