Penerapan Metode N-BEATS untuk forecasting inflasi Indonesia

INDONESIA:

Salah satu tantangan ekonomi adalah inflasi, dan ini merupakan indikator pertumbuhan dan ketahanan ekonomi sebuah bangsa terhadap pengaruh negara lain. Indonesia merupakan salah satu kekuatan ekonomi dunia, turut mengalami fluktuasi inflasi. Inflasi ini seringkali sulit diprediksi dengan akurasi tinggi jika menggunakan metode konvensional. Ketersediaan data yang akurat dan terpola memungkinkan adanya proyeksi yang akurat. Penelitian ini bertujuan untuk menerapkan algoritma Deep Learning yaitu Neural Basis Expansion Analysis for Interpretable Time Series (N-BEATS) multivariate untuk memprediksi nilai inflasi Indonesia di masa mendatang. Metode penelitian diawali dengan pengumpulan data histori inflasi, tahap pre-processing, perancangan arsitektur N-BEATS yang terdiri dari stack dan block untuk menangkap tren dan seasonality, dilanjutkan dengan tahap pengujian model. Untuk evaluasi model akan menggunakan MAE RMSE, MAPE, dan SMAPE sebagai metrik penunjang. Pengujian Model N-BEATS dilakukan dengan 3 skema. Hasil dari penelitian ini menunjukan bahwa nilai inflasi dapat diprediksi menggunakan N-BEATS. Melalui proses pengujian model, skema 80% Train 20% Test menunjukan hasil terbaik dengan nilai MAE sebesar 0.297, RMSE sebesar 0.473, MAPE sebesar 9.42 %, SMAPE sebesat 10.00%

ENGLISH:

One of the economic challenges is inflation, and this is an indicator of a nation's economic growth and resilience to the influence of other countries. Indonesia, as one of the world's economic powers, also experiences inflation fluctuations. This inflation is often difficult to predict with high accuracy using conventional methods. The availability of accurate and patterned data allows for accurate projections. This study aims to apply the Deep Learning algorithm, namely the multivariate Neural Basis Expansion Analysis for Interpretable Time Series (N-BEATS), to predict Indonesia's future inflation rate. The research method begins with collecting historical inflation data, the pre-processing stage, designing the N-BEATS architecture consisting of stacks and blocks to capture trends and seasonality, followed by the model testing stage. For model evaluation, MAE RMSE, MAPE, and SMAPE will be used as supporting metrics. The N-BEATS model testing was carried out with three schemes. The results of this study indicate that inflation rates can be predicted using N-BEATS. Through the model testing process, the 80% Train 20% Test scheme showed the best results with an MAE value of 0.297, RMSE of 0.473, MAPE of 9.42%, SMAPE of 10.00%.

ARABIC :

يُعد التضخم أحد التحديات الاقتصادية، وهو مؤشر على النمو الاقتصادي للدولة وقدرتها على الصمود في وجه تأثيرات الدول الأخرى. وتشهد إندونيسيا، باعتبارها إحدى القوى الاقتصادية العالمية، تقلبات تضخمية. وغالبًا ما يصعب التنبؤ بهذا التضخم بدقة عالية باستخدام الأساليب التقليدية. إلا أن توفر بيانات دقيقة ومنظمة يُتيح إمكانية إجراء توقعات دقيقة. تهدف هذه الدراسة إلى تطبيق خوارزمية التعلم العميق، وتحديدًا تحليل التوسع الأساسي العصبي متعدد المتغيرات للسلاسل الزمنية القابلة للتفسير (N-BEATS)، للتنبؤ بمعدل التضخم المستقبلي في إندونيسيا. تبدأ منهجية البحث بجمع بيانات التضخم التاريخية، ثم مرحلة المعالجة المسبقة، وتصميم بنية N-BEATS التي تتكون من طبقات وكتل لرصد الاتجاهات والموسمية، تليها مرحلة اختبار النموذج. ولتقييم النموذج، سيتم استخدام مقاييس MAE وRMSE وMAPE وSMAPE كمؤشرات داعمة. وقد أُجري اختبار نموذج N-BEATS بثلاثة مخططات. وتشير نتائج هذه الدراسة إلى إمكانية التنبؤ بمعدلات التضخم باستخدام N-BEATS. من خلال عملية اختبار النموذج، أظهر مخطط التدريب بنسبة 80% والاختبار بنسبة 20% أفضل النتائج بقيمة MAE تبلغ 0.297، وRMSE تبلغ 0.473، وMAPE تبلغ 9.42%، وSMAPE تبلغ 10.00%..