Prediksi Inflasi Bulanan Menggunakan LightGBM dan Optimasi Hyperparameter Berbasis Optuna

Abstract

Inflasi merupakan indikator makroekonomi penting yang mencerminkan perubahan tingkat harga barang dan jasa serta berpengaruh terhadap stabilitas ekonomi dan pengambilan kebijakan. Prediksi inflasi menjadi tantangan karena data inflasi memiliki karakteristik deret waktu yang dinamis, dipengaruhi oleh berbagai faktor ekonomi, serta mengandung hubungan nonlinier. Tujuan penelitian ini adalah menghasilkan model prediksi inflasi bulanan Indonesia dengan menerapkan metode LightGBM serta melakukan optimasi hyperparameter menggunakan Optuna guna meningkatkan kinerja model. Dataset penelitian mencakup data inflasi dan berbagai indikator makroekonomi Indonesia pada tahun 2014–2024 yang dikumpulkan dari Bank Indonesia dan Badan Pusat Statistik (BPS). Tahapan penelitian meliputi preprocessing, feature engineering, pembagian data, pemodelan, optimasi hyperparameter, dan evaluasi menggunakan MAE, RMSE, dan R². Berdasarkan pengujian yang dilakukan, diperoleh hasil bahwa optimasi hyperparameter mampu meningkatkan performa model secara signifikan dengan menghasilkan MAE sebesar 0,0434, RMSE sebesar 0,0561, dan R² sebesar 0,9259. Hasil tersebut menunjukkan bahwa LightGBM yang dioptimasi menggunakan Optuna mampu memprediksi inflasi bulanan dengan tingkat akurasi yang tinggi dan efektif dalam menangkap pola nonlinier pada data inflasi.   Kata kunci - Inflasi, LightGBM, Optuna, Deret waktu, Prediksi