A Novel SSA-RVM Hybrid Model for Forecasting Inflation with Enhanced Accuracy

Abstract

Inflasi merupakan indikator ekonomi makro yang berperan penting dalam menentukan stabilitas dan arah kebijakan ekonomi suatu negara. Fluktuasi inflasi yang tidak menentu menuntut adanya metode prediksi yang akurat guna mendukung perencanaan ekonomi jangka pendek maupun jangka panjang. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model hibrida yang mengintegrasikan metode Singular Spectrum Analysis (SSA) dan Relevance Vector Machine (RVM) dalam meramalkan inflasi bulanan di Indonesia. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS) periode Januari 2015 hingga Desember 2024. SSA digunakan untuk mengekstraksi dan merekonstruksi pola dominan dari data deret waktu, sementara RVM digunakan sebagai model regresi nonlinier untuk menghasilkan prediksi 12 bulan ke depan. Evaluasi performa model dilakukan dengan mengukur nilai Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model SSA-RVM memiliki akurasi yang lebih tinggi dibandingkan SSA maupun RVM secara terpisah, dengan nilai MSE sebesar 0,0085 dan MAPE sebesar 6,62%. Temuan ini mengindikasikan bahwa pendekatan hibrida mampu meningkatkan keakuratan prediksi inflasi dan berpotensi menjadi alternatif andal dalam analisis deret waktu ekonomi. Implikasi dari penelitian ini dapat diarahkan pada penerapan model dalam sistem pendukung kebijakan fiskal dan moneter serta pengembangan model prediktif lanjutan berbasis optimasi parameter dan kecerdasan buatan