Pendahuluan

Inflasi merupakan salah satu indikator makroekonomi yang memiliki peran penting dalam mencerminkan stabilitas perekonomian suatu negara. Tingkat inflasi yang tinggi dan tidak terkendali dapat menurunkan daya beli masyarakat, meningkatkan ketidakpastian ekonomi, serta memengaruhi efektivitas kebijakan moneter. Oleh karena itu, pengendalian inflasi menjadi salah satu tujuan utama dalam menjaga pertumbuhan ekonomi yang berkelanjutan (Safira et al., 2025).

Bank Indonesia sebagai otoritas moneter memiliki tanggung jawab utama dalam menjaga stabilitas nilai rupiah, termasuk pengendalian inflasi. Pemantauan terhadap pergerakan inflasi secara berkala sangat diperlukan, terutama dalam menghadapi dinamika ekonomi global dan domestik yang terus berubah. Data inflasi yang disajikan secara runtun waktu memungkinkan dilakukan analisis pola historis serta peramalan inflasi di masa mendatang (Firdaus et al., 2025).

Berdasarkan hal tersebut, penelitian ini bertujuan untuk menganalisis pergerakan inflasi bulanan di Indonesia selama periode Januari 2010 hingga Desember 2025 serta melakukan peramalan inflasi menggunakan metode time series. Hasil penelitian diharapkan dapat memberikan gambaran mengenai pola inflasi dan menjadi referensi dalam pengambilan kebijakan ekonomi.

Deskripsi dan Sumber Data

Data yang digunakan dalam penelitian ini merupakan data inflasi bulanan Indonesia yang diperoleh dari situs resmi Bank Indonesia. Data disajikan dalam bentuk persentase inflasi bulanan dan tersusun dalam format runtun waktu (time series).

Periode pengamatan data adalah Januari 2010 hingga Desember 2025 dengan total 192 observasi bulanan. Variabel utama yang digunakan adalah tingkat inflasi bulanan (%), sedangkan periode waktu digunakan sebagai indeks runtun waktu.

Sebelum dilakukan analisis, data diolah dan dibersihkan untuk memastikan format periode dan nilai inflasi dapat dianalisis menggunakan perangkat lunak R.

library(readxl)
## Warning: package 'readxl' was built under R version 4.5.2
library(forecast)
## Warning: package 'forecast' was built under R version 4.5.2
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(tseries)
## Warning: package 'tseries' was built under R version 4.5.2
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.5.2
# Load data

data <- read_xlsx(file.choose())
str(data)
## tibble [192 × 2] (S3: tbl_df/tbl/data.frame)
##  $ tanggal: POSIXct[1:192], format: "2010-01-01" "2010-02-01" ...
##  $ inflasi: num [1:192] 3.72 3.81 3.43 3.91 4.16 5.05 6.22 6.44 5.8 5.67 ...
head(data)
## # A tibble: 6 × 2
##   tanggal             inflasi
##   <dttm>                <dbl>
## 1 2010-01-01 00:00:00    3.72
## 2 2010-02-01 00:00:00    3.81
## 3 2010-03-01 00:00:00    3.43
## 4 2010-04-01 00:00:00    3.91
## 5 2010-05-01 00:00:00    4.16
## 6 2010-06-01 00:00:00    5.05

Exploratory Data Analysis (EDA)

Exploratory Data Analysis (EDA) dilakukan untuk memahami karakteristik dasar dari data inflasi bulanan Indonesia selama periode Januari 2010 hingga Desember 2025. Tahapan EDA meliputi analisis statistik deskriptif dan visualisasi data runtun waktu.

inflasi_ts <- ts(
  data$inflasi,
  start = c(2010, 1),
  frequency = 12
)

plot(
  inflasi_ts,
  main = "Inflasi Bulanan Indonesia 2010–2025",
  ylab = "Inflasi (%)",
  xlab = "Tahun"
)

summary(inflasi_ts)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.09    2.72    3.57    3.99    4.99    8.79
sd(inflasi_ts)
## [1] 1.875477

Hasil visualisasi menunjukkan bahwa inflasi bulanan Indonesia berfluktuasi dari waktu ke waktu dan memperlihatkan indikasi adanya pola musiman tahunan. Informasi ini menjadi dasar dalam pemilihan metode analisis time series pada tahap selanjutnya.

Metode Analisis Data

Metode analisis yang digunakan dalam penelitian ini adalah analisis time series menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA). Metode SARIMA dipilih karena mampu menganalisis dan meramalkan data runtun waktu univariat yang memiliki pola musiman, seperti data inflasi bulanan Indonesia (Yahya, 2022).

Tahapan analisis dimulai dengan pengujian kestasioneran data menggunakan uji Augmented Dickey-Fuller (ADF). Apabila data belum stasioner, maka dilakukan proses differencing hingga data memenuhi asumsi stasioner. Selanjutnya, identifikasi model dilakukan melalui analisis ACF dan PACF, kemudian pemilihan model terbaik didasarkan pada nilai Akaike Information Criterion (AIC) terkecil.

# Uji Kestasioneran

adf.test(inflasi_ts)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  inflasi_ts
## Dickey-Fuller = -3.3485, Lag order = 5, p-value = 0.0649
## alternative hypothesis: stationary
# Differencing

inflasi_diff <- diff(inflasi_ts)
adf.test(inflasi_diff)
## Warning in adf.test(inflasi_diff): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  inflasi_diff
## Dickey-Fuller = -5.0674, Lag order = 5, p-value = 0.01
## alternative hypothesis: stationary
# Identifikasi Model

acf(inflasi_diff, main = "ACF Inflasi (d = 1)")

pacf(inflasi_diff, main = "PACF Inflasi (d = 1)")

# Estimasi Model SARIMA

model_sarima <- auto.arima(
  inflasi_ts,
  d = 1,
  seasonal = TRUE
)
summary(model_sarima)
## Series: inflasi_ts 
## ARIMA(0,1,2)(1,0,2)[12] with drift 
## 
## Coefficients:
##          ma1      ma2     sar1    sma1     sma2    drift
##       0.2883  -0.1378  -0.6853  0.0212  -0.5960  -0.0160
## s.e.  0.0742   0.0740   0.2618  0.2464   0.1668   0.0109
## 
## sigma^2 = 0.1682:  log likelihood = -102.71
## AIC=219.42   AICc=220.03   BIC=242.19
## 
## Training set error measures:
##                      ME      RMSE       MAE       MPE    MAPE      MASE
## Training set 0.01229537 0.4025734 0.2552714 -1.761908 8.85956 0.1594726
##                     ACF1
## Training set 0.006804536
# Diagnostik Residual

checkresiduals(model_sarima)

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,1,2)(1,0,2)[12] with drift
## Q* = 18.753, df = 19, p-value = 0.4728
## 
## Model df: 5.   Total lags used: 24

Hasil dan Pembahasan

Berdasarkan hasil statistik deskriptif, inflasi bulanan Indonesia memiliki rata-rata sebesar 3,99% dengan standar deviasi sebesar 1,87 yang menunjukkan tingkat volatilitas yang relatif terkendali. Inflasi tertinggi tercatat sebesar 8,79% pada periode 2013–2014, sedangkan inflasi terendah sebesar 0,09% terjadi pada awal tahun 2025.

Uji Augmented Dickey-Fuller (ADF) menunjukkan bahwa data inflasi pada level belum stasioner (p-value > 0,05), sehingga dilakukan proses differencing satu kali. Setelah differencing, data menjadi stasioner secara signifikan, sehingga layak digunakan dalam pemodelan SARIMA.

Model terbaik yang diperoleh adalah SARIMA (0,1,2)(1,0,2)12 dengan drift. Hasil uji diagnostik residual menunjukkan bahwa residual bersifat white noise, ditunjukkan oleh p-value uji Ljung-Box yang lebih besar dari 0,05. Hal ini menandakan bahwa model telah sesuai dan tidak menyisakan autokorelasi pada residual.

# Peramalan Inflasi

forecast_inflasi <- forecast(model_sarima, h = 12)
plot(
  forecast_inflasi,
  main = "Peramalan Inflasi Bulanan Indonesia",
  ylab = "Inflasi (%)"
)

Hasil peramalan inflasi untuk 12 bulan ke depan menunjukkan bahwa inflasi Indonesia diperkirakan bergerak stabil pada kisaran 2,1% hingga 2,5%. Meskipun terdapat fluktuasi kecil akibat faktor musiman, secara umum inflasi diproyeksikan tetap terkendali.

Kesimpulan

Berdasarkan hasil analisis yang telah dilakukan, dapat disimpulkan bahwa model SARIMA (0,1,2)(1,0,2)12 merupakan model yang tepat untuk memodelkan dan meramalkan inflasi bulanan Indonesia. Model ini mampu menangkap pola non-musiman dan musiman dengan baik serta memenuhi asumsi diagnostik residual.

Hasil peramalan menunjukkan bahwa inflasi Indonesia pada tahun 2026 diperkirakan berada pada level yang relatif rendah dan stabil, sehingga mencerminkan kondisi ekonomi yang cukup terkendali. Hasil penelitian ini diharapkan dapat menjadi bahan pertimbangan bagi pengambil kebijakan dalam merumuskan kebijakan ekonomi dan moneter di masa mendatang.

Referensi

Bank Indonesia. (2025). Data inflasi Indonesia periode 2010–2025. https://www.bi.go.id/id/statistik/indikator/data-inflasi.aspx

Firdaus, F., Wati, E., & Amalia, P. (2025). Analisis Kebijakan Fiskal dan Kebijakan Moneter dalam Mengendalikan Inflasi dan Stabilitas Ekonomi. Journal of Economics Development Research, 1(3), 91–101. https://doi.org/10.71094/joeder.v1i3.144

Ramakrishnan, U., & Vamvakidis, A. (2002). Forecasting Inflation in Indonesia. IMF Working Papers, 02(111), 1. https://doi.org/10.5089/9781451853483.001

Safira, B., Ruyatul Hilali, L., & Nufus, Z. (2025). Economic Growth in Indonesia in 1998-2023. Inflation has a significant effect on Indonesia’s Economic Growth in. Jumanis-Baja, 07(1), 57–64.

Saputra, J. E., & Febrianti, W. (2025). Application of Autoregressive Integrated Moving Average (ARIMA) for Forecasting Inflation Rate in Indonesia. Jurnal Matematika, Statistika Dan Komputasi, 21(2), 382–396. https://doi.org/10.20956/j.v21i2.36609

YAHYA, A. (2022). Peramalan Indeks Harga Konsumen Indonesia Menggunakan Metode Seasonal-Arima (Sarima). Jurnal Gaussian, 11(2), 313–322. https://doi.org/10.14710/j.gauss.v11i2.35528