Melola Discovery

← Melola Discovery

Akses terbuka Jurnal

Inflation Forecasting for East Kalimantan Province Using Hybrid Singular Spectrum Analysis- Autoregressive Integrated Moving Average Model

Peramalan Inflasi Provinsi Kalimantan Timur Menggunakan Model Hybrid Singular Spectrum Analysis-Autoregressive Integrated Moving Average

Jurnal Matematika, Statistika dan Komputasi · Vol. 18 No. 1 (2021) · hlm. 78–92

DOI
10.20956/j.v18i1.14284
ISSN
2614-8811, 1858-1382
Terbit
2021-09-02
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

Inggris

The Singular Spectrum Analysis (SSA)-Autoregressive Integrated Moving Average (ARIMA) hybrid method is a good combination of forecasting methods to improve forecasting accuracy and is suitable for economic data that tends to have trend and seasonal patterns, one of which is inflation data. The purpose of this study is to obtain the results of inflation forecasting for East Kalimantan Province in 2021 using the SSA-ARIMA hybrid model. The results of the inflation forecasting for East Kalimantan Province in 2021 using the SSA-ARIMA(1,1,1) hybrid model overall experienced an increase and the highest inflation in 2021 occurred in December of 0.92% with a forecasting accuracy level based on the Root Mean Square Error (RMSE) was 0.069399 and Mean Absolute Percentage Error (MAPE) was 32.61084%

Bahasa Indonesia

Metode hybrid Singular Spectrum Analysis (SSA)-Autoregressive Integrated Moving Average (ARIMA) merupakan kombinasi metode peramalan yang baik untuk meningkatkan akurasi peramalan dan cocok untuk data ekonomi yang cenderung memiliki pola tren dan musiman, salah satunya adalah data inflasi. Tujuan dari penelitian ini adalah memperoleh hasil peramalan inflasi Provinsi Kalimantan Timur tahun 2021 menggunakan model hybrid SSA-ARIMA. Hasil peramalan inflasi Provinsi Kalimantan Timur tahun 2021 menggunakan model hybrid SSA-ARIMA(1,1,1) secara keseluruhan mengalami peningkatan dan inflasi tertinggi pada tahun 2021 terjadi pada bulan Desember sebesar 0,92% dengan tingkat akurasi peramalan berdasarkan Root Mean Square Error (RMSE) sebesar 0,069399.

Kata kunci

Jaringan kolaborasi para penulis

35 penulis · 82 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Monash University
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Endang NurcahyaniAfiliasi tidak diketahui6
Bambang IrawanMonash University4
Sumardi SumardiAfiliasi tidak diketahui2
YuliantyAfiliasi tidak diketahui2
Novita AndrianiAfiliasi tidak diketahui2
Adelia RamadhaniAfiliasi tidak diketahui2
Asrul SaniAfiliasi tidak diketahui1
Muhammad SudiaAfiliasi tidak diketahui1
Rochmah AgustrinaAfiliasi tidak diketahui1
Herta M. ManullangAfiliasi tidak diketahui1
Darnah DarnahAfiliasi tidak diketahui1
Selsi SelsiAfiliasi tidak diketahui1
Risma RasmaniAfiliasi tidak diketahui1
Tundjung Tripeni HandayaniAfiliasi tidak diketahui1
Resta TaniaAfiliasi tidak diketahui1
Wanda AmeliaAfiliasi tidak diketahui1
vega abresaAfiliasi tidak diketahui1
Endang Nurcahyani2Afiliasi tidak diketahui1
Lili ChrisnawatiAfiliasi tidak diketahui1
Nurshella AphertaAfiliasi tidak diketahui1
Resya Tamara AgustinAfiliasi tidak diketahui1
Lutfiah YuniarAfiliasi tidak diketahui1
Rezza Kusumma DewiyatnoAfiliasi tidak diketahui1
Kharisma Purnama AgustinAfiliasi tidak diketahui1
Memi Nor HayatiAfiliasi tidak diketahui1
Kartika RamadaniAfiliasi tidak diketahui1
M. FathurahmanAfiliasi tidak diketahui1
Yusrian PalilingAfiliasi tidak diketahui1
Suyitno SuyitnoAfiliasi tidak diketahui1
Ni Made Shantia AnandaAfiliasi tidak diketahui1
SuyitnoAfiliasi tidak diketahui1
Ahmad SofwanAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 5 Nov 2026.
Metadata asli (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Inflation Forecasting for East Kalimantan Province Using Hybrid Singular Spectrum Analysis- Autoregressive Integrated Moving Average Model</dc:title>
	<dc:title xml:lang="id">Peramalan Inflasi Provinsi Kalimantan Timur Menggunakan Model Hybrid Singular Spectrum Analysis-Autoregressive Integrated Moving Average</dc:title>
	<dc:creator xml:lang="en">Arumsari, Melisa </dc:creator>
	<dc:creator xml:lang="en">Wahyuningsih, Sri </dc:creator>
	<dc:creator xml:lang="en">Siringoringo, Meiliyani </dc:creator>
	<dc:subject xml:lang="en">ARIMA</dc:subject>
	<dc:subject xml:lang="en">Forecasting</dc:subject>
	<dc:subject xml:lang="en">Hybrid</dc:subject>
	<dc:subject xml:lang="en">Inflation</dc:subject>
	<dc:subject xml:lang="en">SSA</dc:subject>
	<dc:subject xml:lang="id">ARIMA</dc:subject>
	<dc:subject xml:lang="id">Hybrid</dc:subject>
	<dc:subject xml:lang="id">Inflasi</dc:subject>
	<dc:subject xml:lang="id">Peramalan</dc:subject>
	<dc:subject xml:lang="id">SSA</dc:subject>
	<dc:description xml:lang="en">The Singular Spectrum Analysis (SSA)-Autoregressive Integrated Moving Average (ARIMA) hybrid method is a good combination of forecasting methods to improve forecasting accuracy and is suitable for economic data that tends to have trend and seasonal patterns, one of which is inflation data. The purpose of this study is to obtain the results of inflation forecasting for East Kalimantan Province in 2021 using the SSA-ARIMA hybrid model. The results of the inflation forecasting for East Kalimantan Province in 2021 using the SSA-ARIMA(1,1,1) hybrid model overall experienced an increase and the highest inflation in 2021 occurred in December of 0.92% with a forecasting accuracy level based on the Root Mean Square Error (RMSE) was 0.069399 and Mean Absolute Percentage Error (MAPE) was 32.61084%
 </dc:description>
	<dc:description xml:lang="id">Metode hybrid Singular Spectrum Analysis (SSA)-Autoregressive Integrated Moving Average (ARIMA) merupakan kombinasi metode peramalan yang baik untuk meningkatkan akurasi peramalan dan cocok untuk data ekonomi yang cenderung memiliki pola tren dan musiman, salah satunya adalah data inflasi. Tujuan dari penelitian ini adalah memperoleh hasil peramalan inflasi Provinsi Kalimantan Timur tahun 2021 menggunakan model hybrid SSA-ARIMA. Hasil peramalan inflasi Provinsi Kalimantan Timur tahun 2021 menggunakan model hybrid SSA-ARIMA(1,1,1) secara keseluruhan mengalami peningkatan dan inflasi tertinggi pada tahun 2021 terjadi pada bulan Desember sebesar 0,92% dengan tingkat akurasi peramalan berdasarkan Root Mean Square Error (RMSE) sebesar 0,069399.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2021-09-02</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/14284</dc:identifier>
	<dc:identifier>10.20956/j.v18i1.14284</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 18 No. 1 (2021): September 2021; 78-92</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/14284/7307</dc:relation>
	<dc:relation>10.20956/j.v18i1.14284.g7307</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2021 Author and publisher</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>