Analisis Data Pergerakan Inflasi
Menggunakan Algoritma Linear
Regression dan Arima
Abrarian Danara Yudhi Argibta
Program Studi Sistem Informasi, Universitas Multimedia Nusantara, Tangerang, Indonesia
abrarian.argibta@student.umn.ac.id
Abstract — Inflation is a problem which haunts
the economy of each country. Its development is
which continually increasing make a drag on
economic growth to a better direction. Inflation
tends to occur in developing countries like
Indonesia which is an agricultural country. To
overcome the instability of inflation, one way to do
is to predict the time series data. Methods
Autoregressive Integrated Moving Average
(ARIMA) has the ability to capture the necessary
information about the wood as well as able to cope
with the instability of inflation of inflation. This is
because ARIMA is a method of forecasting time
series are suited to predict the number of variables
in a fast, simple, inexpensive, accurate, and only
requires the data variables to be predicted.
Keywords: ARIMA, inflation, time series
forecasting
I. PENDAHULUAN
A. Permasalahan
Inflasi merupakan salah satu fenomena ekonomi
yang selalu menarik dibahas terutama berkaitan
dengan dampaknya yang luas terhadap ekonomi
makro, seperti pertumbuhan ekonomi, keseimbangan
eksternal, daya saing, tingkat bunga, bahkan
distribusi pendapatan. Inflasi merupakan suatu
masalah yang menghantui perekonomian setiap
negara. Perkembangannya yang terus menerus
mengalami peningkatan menjadi hambatan pada
pertumbuhan ekonomi ke arah yang lebih baik.
Banyak kajian yang membahas inflasi, tidak hanya
cakupan regional, nasional, namun juga
internasional. Inflasi cenderung terjadi pada negara-
negara berkembang seperti halnya Indonesia yang
merupakan negara agraris.
Krisis ekonomi yang dipicu oleh gejolak nilai tukar
rupiah telah berdampak sangat luas pada seluruh
sendi perekonomian dan tatanan kehidupan. Krisis
ekonomi yang telah terjadi, paling tidak dalam
konteks ini, memberikan pelajaran yang berharga
akan pentingnya penciptaan kestabilan moneter
(kestabilan nilai rupiah) sebagai prasyarat bagi
kelangsungan pembangunan ekonomi yang
berkelanjutan. Bank Indonesia selalu melakukan
evaluasi apakah proyeksi inflasi ke depan masih
sesuai dengan sasaran yang telah ditetapkan.
B. Metode Arima dan Hubungannya dengan
Pergerakan Inflasi
Proyeksi ini dilakukan dengan sejumlah model dan
sejumlah informasi yang mampu menggambarkan
kondisi laju inflasi ke depan. Proyeksi laju inflasi ke
depan dapat juga dilakukan dengan melakukan peramalan
time series (Saluza, 2015). Beberapa penelitian penelitian
terdahulu telah melakukan peramalan dari laju inflasi,
antara lain Stephani, Agus & Suhartono (2015)
meramalkan laju inflasi menggunakan pendekatan klasik
dan ANFIS, sedangkan Wulandari, Setiawan & Ahmad
(2016) meramalkan laju inflasi menggunakan pendekatan
ARIMA, variasi kalender, dan intervensi.
Hasil penelitian mereka menunjukkan bahwa metode
ARIMA cukup akurat untuk melakukan peramalan laju
inflasi. Untuk mendapatkan informasi laju inflasi
semacam ini, tidak cukup hanya dengan mengandalkan
informasi inflasi saat ini saja. Informasi laju inflasi dari
waktu yang lampau (past) harus juga diketahui. Dari
informasi-informasi inilah yang nantinya dapat membuat
sebuah metode yang mampu menggambarkan bagaimana
sifat-sifat laju inflasi tersebut dan informasi dari laju
inflasi itu dapat terbentuk sedemikian rupa sampai
dengan informasi laju inflasi pada saat ini (present).
Dengan metode inilah informasi laju inflasi dapat
diramalkan. Hal inilah yang disebut dengan peramalan
time-series (time-series forecasting). Peramalan time
series merupakan suatu metode analisis data yang
ditujukan untuk melakukan suatu estimasi maupun
peramalan pada masa yang akan datang (Makridakis,
Wheelwright & McGee, 2002). Dalam peramalan time
series dapat diketahui bagaimana proses suatu estimasi
dan hasil dari peramalan dapat diperoleh dengan baik.
Untuk itu dalam analisis ini dibutuhkan berbagai macam
informasi atau data yang cukup banyak dan diamati
dalam periode waktu yang relatif cukup panjang.
Untuk mendapatkan informasi-informasi yang
dibutuhkan mengenai laju inflasi tersebut, metode yang
digunakan adalah Autoregressive Integrated Moving
Average (ARIMA). Karena ARIMA merupakan suatu
statistik yang cocok digunakan untuk meramal sejumlah
variabel secara cepat, sederhana, murah, dan akurat
karena hanya membutuhkan data variabel yang akan
diramal. Metode ARIMA menggunakan pendekatan
iteratif dalam indentifikasi terhadap suatu model yang
ada. Model yang dipilih diuji lagi dengan data masa
lampau untuk melihat apakah model tersebut
menggambarkan keadaan data secara akurat atau
tidak. Peneliti-peneliti terdahulu telah banyak yang
menggunakan metode ARIMA untuk melakukan
peramalan, antara lain Pimpi (2013) menerapkan
metode ARIMA dalam meramalkan Indeks Harga
Konsumen (IHK), sedangkan Ruslan, Harahap &
Sembiring (2013) melakukan peramalan nilai ekspor
di Propinsi Sumatera Utara dengan metode ARIMA
Box-Jenskin. Keduanya menyatakan bahwa metode
ARIMA merupakan suatu metode yang efektif dan
akurat untuk melakukan peramalan data time series.
Namun belum ada penelitian yang meramalkan laju
inflasi di Indonesia menggunakan metode ARIMA.
Oleh karena itu, penelitian ini bertujuan untuk
melakukan peramalan laju inflasi di Indonesia
menggunakan metode ARIMA.
iii.
II. STUDI LITERATUR
A. Arima
Algoritma ARIMA merupakan model yang
digunakan dalam bidang statistics dan ekonometrics
teristimewa dalam time series analysis. ARIMA
model adalah generalisasi Autoregressive Moving
Average (ARMA) Model dengan metode Box
Jenkins yang dimanfaatkan untuk peramalan nilai
yang akan datang dalam runtun waktu (time series)
nilai sekarang dan nilai sebelumnya (Pankratz, 2009).
ARIMA sering juga disebut metode runtun waktu
Box-Jenkins. ARIMA sangat baik ketepatannya
untuk peramalan jangka pendek, sedangkan untuk
peramalan jangka panjang ketepatan peramalannya
kurang baik. Biasanya akan cenderung flat
(mendatar/konstan) untuk periode yang cukup
panjang. Model Autoregresif Integrated Moving
Average (ARIMA) adalah model yang secara penuh
mengabaikan independen variabel (Wang dkk., 2003)
dalam membuat peramalan. ARIMA menggunakan
nilai masa lalu dan sekarang dari variabel dependen
untuk menghasilkan peramalan jangka pendek yang
akurat. ARIMA cocok jika observasi dari deret waktu
(time series) secara statistik berhubungan satu sama
lain (dependent). Tujuan model ini adalah untuk
menentukan hubungan statistik yang baik antar
variabel yang diramal dengan nilai historis variabel
tersebut sehingga peramalan dapat dilakukan dengan
model tersebut. Representasi model ARIMA
biasanya dalam bentuk notasi (p, d, q) dimana: P =
autokorelasi; d = differencing; q = moving average.
(Hukim dkk., 2010).
Model ARIMA terdiri dari tiga langkah dasar, yaitu
tahap identifikasi, tahap penaksiran dan pengujian,
dan pemeriksaan diagnostik. Selanjutnya model 4
ARIMA dapat digunakan untuk melakukan
peramalan jika model yang diperoleh memadai.
Model Box-Jenkins (ARIMA) dibagi kedalam 3
kelompok, yaitu: model autoregressive (AR), moving
average (MA), dan model campuran ARIMA.
Klasifikasi Model ARIMA:
i. Autoregressive Model (AR)
Bentuk umum model autoregressive dengan ordo p
(AR(p)) atau model ARIMA (p,0,0) dinyatakan
sebagai berikut: Xt=µ’+ Ø1Xt-1 + Ø2Xt-2 + … +
ØpXt-p+et[0], Dimana: µ’ = Suatu Konstanta, Øp =
Parameter autoregresif ke-p, et = Nilai kesalahan
pada t.
ii. Moving Average Model (MA)
Bentuk umum model moving average ordo q
(MA(q)) atau ARIMA (0,0,q) dinyatakan sebagai
berikut: Xt=µ’ + et – θ1et-1 – et – θ2et-2 – … –
θqet-k Dimana: θ1 sampai θq adalah parameter-
parameter moving average.
Model campuran
I. Proses ARMA
Model umum untuk campuran proses AR(1)
murni dan MA(1) murni, misal ARIMA (1,0,1)
dinyatakan sebagai berikut: Xt = µ’ + Ø1Xt-1+
et – θ1et-1 Atau (1 – Ø1B)Xt = µ’ + (1 –
Ø1B)et AR (1) = MA(1)
II. Proses ARIMA
Apabila nonstasioneritas ditambahkan pada
campuran proses ARMA, maka model umum
ARIMA (p,d,q) terpenuhi. Persamaan untuk
kasus sederhana ARIMA (1,1,1) adalah sebagai
berikut: (1 – B)(1 – Ø1B)Xt = µ’ + (1 – Ø1B)et
I AR(1) = MA(1)
Hal yang perlu diperhatikan adalah bahwa kebanyakan
deret berkala bersifat nonstasioner dan bahwa aspek-
aspek AR dan MA dari model ARIMA hanya berkenaan
dengan deret berkala yang stasioner. Stasioneritas berarti
tidak terdapat pertumbuhan atau penurunan pada data.
Data secara kasarnya harus horizontal sepanjang sumbu
waktu. Dengan kata lain, fluktuasi data berada di sekitar
suatu nilai rata-rata yang konstan, tidak tergantung pada
waktu dan varians dari fluktuasi tersebut pada pokoknya
tetap konstan setiap waktu.
Suatu deret waktu yang tidak stasioner harus
ditransformasi menjadi data stasioner (Brockwell dkk.,
2009) dengan melakukan differencing. Yang dimaksud
dengan differencing adalah menghitung perubahan atau
selisih nilai observasi. Nilai selisih yang diperoleh dicek
lagi apakah stasioner atau tidak. Jika belum stasioner
maka dilakukan differencing lagi. Jika varians tidak
stasioner, maka dilakukan transformasi logaritma.
B. Linear Regression
Linear Regression merupakan pendekatan untuk
memodelkan hubungan antara suatu (satu atau lebih)
variabel dependen dengan satu (regresi linear sederhana)
atau lebih variabel independen (regresi linier banyak).
Salah satu aplikasi dari regresi linier adalah untuk
melakukan prediksi berdasarkan data-data yang telah
dimiliki sebelumnya. Dengan asumsi hubungan di antara
variabel-variabel tersebut dapat didekati oleh suatu
persamaan garis lurus, maka model yang mendekati
hubungan antar variabel di data tersebut disebut
sebagai model regresi linear. Linear Regression
merupakan salah satu model analisis sederhana
dengan jenis data interval atau rasio. Melalui analisis
ini, peneliti dapat melakukan prediksi berdasarkan
data-data yang didapatkan. Secara umum, regresi
linier digunakan untuk mengetahui apakah variabel
bebas yang diteliti memiliki korelasi yang signifikan
terhadap variabel terikat. Selain itu, analisis ini juga
bisa digunakan untuk mengetahui variabel mana saja
yang berpengaruh signifikan terhadap variabel
terikat.
Jenis-jenis Regresi Linier:
1. Regresi Linier Sederhana
Regresi linier sederhana merupakan salah satu jenis
regresi linier yang digunakan untuk mencari tahu
korelasi antara variabel bebas dan terikat. Pada
regresi linier sederhana, terdapat satu variabel bebas
dan variabel terikat. Dengan menggunakan regresi
linier, peneliti bisa mengetahui arah hubungan antara
variabel bebas dan terikat. Selain itu, peneliti juga
bisa melakukan prediksi besar nilai dari variabel
terikat.Untuk bisa menggunakan analisis ini, peneliti
harus memenuhi beberapa asumsi terlebih dahulu.
Asumsi-asumsi yang dimaksud antara lain:
• Data yang didapat berjenis interval atau
rasio
• Distribusi data normal
• Jumlah sampel antara variabel bebas dan
terikat sama
• Memiliki hubungan linier
Ketika syarat-syarat atau asumsi untuk melakukan
regresi linier telah terpenuhi, peneliti bisa mencari
tahu korelasi antara variabel bebas dengan terikat
melalui rumus regresi linier yakni: Y= a + bX
2. Regresi Linier Berganda
Jenis regresi linier lain yang perlu diketahui adalah
regresi linier berganda. Sama seperti regresi linier
sederhana, regresi linier berganda dilakukan untuk
mencari tahu korelasi antara variabel bebas dan
terikat. Hanya saja, pada analisis ini, jumlah variabel
bebas yang diteliti lebih dari satu. Apabila peneliti
ingin menggunakan analisis ini, ada beberapa asumsi
klasik yang mesti terpenuhi, diantaranya:
• Data berbentuk interval atau rasio
• Memiliki linearitas
• Residual bersifat normal
• Terhindar dari Heteroskedastisitas
• Non Multikolinearitas
Ketika semua asumsi telah terpenuhi, analisis regresi
baru bisa dilakukan dengan menggunakan
persamaan: Y = a + b1X1 + b2X2 + b3X3 + … +
bnXn. Penghitungan analisis regresi linier tidak
selalu dilakukan
secara manual. Apabila data yang dikumpulkan terlalu
banyak, peneliti bisa menggunakan aplikasi statistik
untuk melakukan analisis ini. Dengan begitu, hasil yang
didapat bisa lebih cepat dan juga akurat.
Kegunaan Utama Regresi Linier adalah:
1. Menentukan kekuatan predictor
Regresi dapat digunakan untuk mengidentifikasi
kekuatan efek yang dimiliki variabel independen terhadap
variabel dependen. Pertanyaan umum adalah apa
kekuatan hubungan antara dosis dan efek, pengeluaran
penjualan dan pemasaran, atau usia dan pendapatan.
2. Memperkirakan efek
Regresi Linier bisa dipakai sebagai metode untuk
memperkirakan efek atau hasil dari perubahan. Artinya,
analisis regresi membantu kita untuk memahami seberapa
banyak variabel dependen berubah dengan perubahan
dalam satu atau lebih variabel independen. Jadi, regresi
linier dapat dipakai untuk melihat kemungkinan
3. Memperkirakan tren
Analisis regresi memprediksi tren dan nilai-nilai masa
depan. Analisis regresi dapat digunakan untuk
mendapatkan estimasi titik.
Kekurangan dari menggunakan metode regresi linier
adalah data-data yang diukur harus linear untuk
memperoleh hasil yang baik. Regresi linier sederhana
adalah perkiraan kuadrat terkecil dari model regresi linier
dengan variabel prediksi tunggal.
III. METODOLOGI PENELITIAN
A. Objek penelitian
Objek penelitian ini menggunakan dataset dari
statistik pokemon dalam permainan pokemon go yang
meliputi atribut (Max Cp, Max Hp, Attack, Defense,
Stamina, Total Stats) yang kami ambil dari kaggle.
B. Metode Pengumpulan Data
Data yang digunakan untuk penelitian bukan
merupakan data primer karena tidak berasal dari hasil
survey ataupun metode pengumpulan data lainnya yang
mengharuskan peneliti untuk terlibat dalam proses
pengumpulan data secara aktual. Data yang dimanfaatkan
dalam penelitian ini adalah data sekunder, yaitu data yang
telah dikumpulkan oleh pihak lain sebelumnya.
Pengumpulan data primer tidak dapat dilakukan atas
dasar suatu pertimbangan, yaitu keterbatasan jangkauan
dan kemampuan untuk mengumpulkan data penjualan
perusahaan tertentu secara mandiri dalam jangka waktu
yang relative singkat. Data sekunder yang terkumpul
diunduh dari situs kaggle. Kaggle adalah suatu
situs/platform yang mengadakan perlombaan-perlombaan
dalam bidang Data Science. Selain itu, situs ini juga
menjadi salah satu sumber pembelajaran Data Science
 yang umum. Oleh karena itu, untuk
mendukung para peneliti kaggle menyediakan
beragam dataset dengan berbagai variasi data
yang dapat digunakan untuk mengadakan
penelitian dengan topik yang menarik tanpa
mengalami kesulitan dalam proses pengumpulan
data.
C. Metode Penelitian
IV. ANALISIS DATA DAN DISKUSI
A. Identifikasi
Data yang akan digunakan adalah data sekunder yang dapat
diambil dari situs web data koleksi, Dataset yang kami
gunakan merupakan data dari statistik pokemon dalam
permainan pokemon go yang meliputi atribut (Max Cp, Max
Hp, Attack, Defense, Stamina, Total Stats) yang kami ambil
dari kaggle.

Metode penelitian adalah suatu prosedur atau tata B. Penerapan

cara yang digunakan oleh peneliti untuk
memecahkan permasalahan yang diangkat dalam
kegiatan penelitian. Dengan begitu, metode
penelitian bisa dikatakan sebagai cara utama yang
digunakan peneliti untuk mencapai target tujuan dan
memperoleh jawaban atas permasalahan yang
diusung. Dalam penelitian ini, peneliti menggunakan
desain metode penelitian kuantitatif yang didukung
oleh kemampuan analisis data sehingga data yang
diolah dapat memiliki nilai manfaat lebih bagi proses
pengambilan keputusan oleh pihak tertentu.

Proses pengolahan data akan dilakukan dengan

menggunakan R. R adalah bahasa pemrograman
sekaligus program komputasi yang digunakan untuk
menunjang kegiatan analisis statistika dan grafik. R
diakses menggunakan RStudio. RStudio adalah Gambar 1.
Integrated Development Environment (IDE) untuk R.
Proses pertama adalah penginputan data, yaitu
dengan memasukkan data ke dalam R. dari data
Kaggle, proses berikutnya adalah mengolah data
dengan algoritma terbaik yang kami gunakan,
algoritma tersebut adalah Linear Regression. Linear
Regression merupakan merupakan pendekatan untuk
memodelkan hubungan antara suatu variabel
dependen dengan satu atau lebih variabel
independen. Salah satu aplikasi dari regresi linier
adalah untuk melakukan prediksi berdasarkan data-
data yang telah dimiliki sebelumnya. Dengan asumsi
hubungan di antara variabel-variabel tersebut dapat
didekati oleh suatu persamaan garis lurus, maka
model yang mendekati hubungan antar variabel di
data tersebut disebut sebagai model regresi linear.
Dari beberapa algoritma yang ada, Alasan kami
memilih Linear Regression adalah Bagus untuk
menentukan korelasi. Kemudian Spesifik dalam
menghasilkan statistic.

Kemudian pada metode penelitian kali ini, kami Gambar 2.

menggunakan Arima karena bermanfaat untuk
menentukan hubungan statistik yang baik antar
variabel yang diramal dengan nilai historis variabel
tersebut sehingga peramalan dapat dilakukan dengan
model tersebut. ARIMA digunakan untuk suatu
variabel (univariate) deret waktu. untuk
mempermudah dalam menghitung model ARIMA Gambar 3.
dapat digunakan berbagai aplikasi.
 Gambar 9.

Gambar 10.

Gambar 11.

IV. KESIMPULAN

Gambar 4. Secara umum, berdasarkan hasil Analisa kami, algoritma

Fungsi yang digunakan pada R adalah **lm()**
Linearmod<-Im(attack~max_cp, data
PokemonGOData) abline(linearmod, col= “blue”)
Linear Regression memiliki korelasi sangat kuat dikarenakan
nilai korelasi mendekati 1 (0.9271053), kemudian prediksi
attack nya adalah 223.4137, lalu untuk nilai RMSE nya adalah
20.83435, dan juga pada bagian DW = 2.1165, p-value =
0.9049 true autocorrelation is greater than 0, lalu #A = 1.3807,
p-value = 0.001409, kemudian Pokemon dengan elemen api
memiliki kekuatan lebih dari elemen pokemon lainnya.

UCAPAN TERIMA KASIH

Gambar 5.
Penulis mengucapkan terima kasih kepada Ir. Raymond
Sunardi Oetama, M.CIS, selaku dosen Data Analisis, Sistem
Informasi program studi, Universitas Multimedia Nusantara
atas kesediaan waktunya memberikan nasehat, bimbingan,
ilmu, dan wawasannya selama studi.

Gambar 6.

Gambar 7.

Gambar 8.