Perbandingan Prediksi Indeks Harga Konsumen (IHK) di Indonesia Menggunakan Gated Recurrent Unit (GRU) dan Bidirectional GRU (BiGRU)

Sasongko, Elisabeth Cheryl (2025) Perbandingan Prediksi Indeks Harga Konsumen (IHK) di Indonesia Menggunakan Gated Recurrent Unit (GRU) dan Bidirectional GRU (BiGRU). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006211054-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Indeks Harga Konsumen (IHK) merupakan indikator penting dalam mengukur inflasi dan stabilitas ekonomi suatu negara. IHK mencerminkan perubahan harga rata-rata barang dan jasa yang dikonsumsi oleh rumah tangga dalam periode tertentu. Pemantauan perubahan harga barang dan jasa dilakukan untuk menjaga kestabilan nilai mata uang, mempertahankan daya beli masyarakat, serta mendukung pertumbuhan ekonomi yang berkelanjutan. Oleh karena itu, prediksi IHK dibutuhkan oleh pemerintah, bank sentral, dan pelaku ekonomi guna menunjang pengambilan kebijakan ekonomi dan perencanaan investasi yang lebih tepat. Penelitian ini membandingkan performa dari dua varian Recurrent Neural Network (RNN) yaitu Gated Recurrent Unit (GRU) dan Bidirectional GRU (BiGRU) dalam memprediksi IHK di Indonesia. Data yang digunakan adalah data bulanan IHK dan inflasi secara umum dari bulan Januari 2015 hingga Desember 2024 yang diperoleh dari situs resmi Badan Pusat Statistik (BPS). Penyamaan tahun dasar IHK dilakukan secara matematis menggunakan data inflasi agar data berada dalam satu skala. Model GRU dan BiGRU dibangun dengan berbagai kombinasi hyperparameter untuk mendapatkan hasil prediksi yang optimal. Selain itu, variabel dummy COVID-19 digunakan untuk menganalisis dampak pandemi terhadap hasil prediksi. Evaluasi performa untuk setiap model yang dibangun dilakukan menggunakan Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa BiGRU dengan dummy variable memberikan hasil terbaik dibandingkan model lainnya dengan RMSE sebesar 0,4195, MAE sebesar 0,3377, dan MAPE sebesar 0,2871% pada data testing. Hal ini menunjukkan bahwa variabel dummy berpengaruh signifikan terhadap peningkatan performa model pada metode BiGRU. Prediksi IHK untuk periode Januari 2025 hingga Desember 2026 menggunakan model terbaik menunjukkan bahwa nilai IHK akan mengalami penurunan hingga April 2025, kemudian meningkat secara bertahap dengan rentang nilai antara 118,2515 hingga 119,7739.
=======================================================================================================================================
The Consumer Price Index (CPI) is an important indicator for measuring inflation rate and economic stability in a country. The CPI reflects changes in the average prices of goods and services consumed by households over a specific period. Monitoring these price changes is essential to maintaining currency stability, preserving public purchasing power, and supporting sustainable economic growth. Therefore, CPI forecasting is crucial for governments, central banks, and economic actors to support more precise economic policies and investment planning. This study compares the performance of two variants of Recurrent Neural Network (RNN), namely Gated Recurrent Unit (GRU) and Bidirectional GRU (BiGRU), in forecasting Indonesia’s CPI. The data used consists of general monthly CPI and inflation data from January 2015 to December 2024, obtained from the official website of Statistics Indonesia (BPS). CPI base year normalization was carried out mathematically using inflation data to ensure that the data is on a unified scale. GRU and BiGRU models were constructed using various hyperparameter combinations to obtain optimal prediction results. In addition, a COVID-19 dummy variable was introduced to analyze the impact of the pandemic on the prediction outcomes. The performance of each model was evaluated using Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The results indicate that the BiGRU model with the dummy variable outperformed the other models, achieving an RMSE of 0.4195, MAE of 0.3377, and MAPE of 0.2871% on the testing data. This shows that the dummy variable significantly contributed to improving the model's performance when using the BiGRU method. Forecasting CPI for the period from January 2025 to December 2026 using the best-performing model shows a slight decline in CPI values until April 2025, followed by a gradual increase, with values ranging from 118.2515 to 119.7739.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Bidirectional GRU, GRU, Indeks Harga Konsumen, Prediksi, Bidirectional GRU, Consumer Price Index, GRU, Prediction
Subjects:	H Social Sciences > HA Statistics > HA30.3 Time-series analysis H Social Sciences > HB Economic Theory > Economic forecasting--Mathematical models.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Elisabeth Cheryl Sasongko
Date Deposited:	21 Jul 2025 05:48
Last Modified:	21 Jul 2025 05:48
URI:	http://repository.its.ac.id/id/eprint/119646

Actions (login required)

View Item