Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
Purnomo, Felicia Joshlyn
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Peramalan Inflasi dan Harga Minyak Mentah dengan Pendekatan Hybrid Statistika-Machine Learning dan Statistika-Deep Learning Christopher Andreas; Witanto, Elizabeth Nathania; Guntur, Yohana Jocelyn; Purnomo, Felicia Joshlyn
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 5 No. 1 (2026): EDISI JANUARI 2026
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v5i1.12342

Abstract

Inflasi dan harga minyak mentah merupakan dua indikator ekonomi strategis yang memengaruhi stabilitas ekonomi nasional dan arah kebijakan publik. Peramalan yang akurat terhadap kedua variabel ini sangat penting untuk mendukung perencanaan fiskal, moneter, serta strategi sektor industri dan perdagangan. Karakteristik keduanya berbeda, dimana inflasi cenderung memiliki pola tren dan musiman yang relatif stabil, sedangkan harga minyak mentah bersifat fluktuatif dengan pengaruh faktor eksternal global. Perbedaan ini menuntut metode peramalan yang adaptif dan mampu bekerja baik pada kondisi data yang berbeda. Penelitian ini memiliki keterkaitan dengan Sustainable Development Goals (SDG 8 dan SDG 9). Penelitian ini bertujuan mengembangkan metode time series forecasting berbasis pendekatan hybrid melalui model statistika-machine learning dan statistika-deep learning. Pendekatan statistika dengan model Autoregressive Integrated Moving Average (ARIMA) digunakan untuk menangkap pola linear, kemudian hasil prediksi atau residual dari model ARIMA diproses lebih lanjut menggunakan algoritma machine learning yaitu Support Vector Regression (SVR) dan model deep learning yaitu Long Short-Term Memory (LSTM) untuk mempelajari pola non-linear. Dalam hal ini, evaluasi akurasi model diukur dengan metrik symmetric Mean Absolute Percentage Error (sMAPE). Hasil penelitian menunjukkan bahwa model ARIMA-SVR memiliki akurasi lebih baik dalam meramalkan data inflasi dengan nilai sMAPE sebesar 0,2072. Sebaliknya, model ARIMA-LSTM lebih akurat dalam meramalkan data harga minyak dengan nilai sMAPE sebesar 0,0548. Dengan demikian, pendekatan hybrid statistika-machine learning dan statistika-deep learning memiliki akurasi yang baik dalam memprediksi data yang bersifat time series.
Co-Authors Christopher Andreas Elizabeth Nathania Witanto Guntur, Yohana Jocelyn