Peramalan pertumbuhan PDB Indonesia menggunakan hybrid ARIMAX-XGBoost dengan variabel ekspor-impor
Keywords:
PDB, ARIMA, ARIMAX, ARIMAX-XGBoost, Ekspor-ImporAbstract
Produk Domestik Bruto (PDB) merupakan indikator makroekonomi utama yang mencerminkan kinerja perekonomian suatu negara. Peramalan PDB yang akurat sangat diperlukan untuk perencanaan kebijakan strategis. Namun, karakteristik data PDB Indonesia sering kali menunjukkan pola volatilitas yang kompleks akibat pengaruh dinamika perdagangan global, yang sulit ditangkap sepenuhnya oleh model linear konvensional. Penelitian ini bertujuan untuk membandingkan kinerja peramalan model ekonometrika Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX) dengan model Hybrid ARIMAX-XGBoost. Variabel eksogen yang digunakan difokuskan pada nilai Ekspor dan Impor untuk menangkap pengaruh aktivitas ekonomi eksternal. Data yang digunakan adalah PDB Atas Dasar Harga Konstan (ADHK) kuartalan yang telah melalui proses penyelarasan tahun dasar (backcasting) dan transformasi Year-on-Year (YoY). Metodologi hybrid dibangun dengan memodelkan komponen linear menggunakan ARIMAX, kemudian memodelkan residu (sisaan) model tersebut menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan parameter standar untuk menangkap pola non-linear. Hasil evaluasi pada data uji (testing set) dari periode 2020Q2 menunjukkan bahwa model Hybrid ARIMAX-XGBoost menghasilkan nilai Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) yang lebih rendah dibandingkan model ARIMAX tunggal dan ARIMA standar. Penelitian ini menyimpulkan bahwa integrasi komponen non-linear efektif meningkatkan akurasi peramalan pertumbuhan ekonomi
Downloads
References
Adhwaningrum, A. S., Amri, I. F., Dwi Saputri, A., Diani, N. L., Pratama, R. F., & Al Haris, M. (2024). Perbandingan Model Arima Dan Arimax Untuk Peramalan Temperatur Di Kota Semarang. Amalgamasi: Journal of Mathematics and Applications, 3(2), 54–64. https://doi.org/10.55098/amalgamasi.v3.i2.pp54-64
Agarwal, P. (2024). Enhancing Financial Forecasting in ERP Systems using XGBoost: A Robust Sales Prediction Model (Vol. 2024, Issue Icetsbp). Atlantis Press International BV. https://doi.org/10.2991/978-94-6463-544-7_26
Almaafi, A., Bajaba, S., & Alnori, F. (2023). Stock price prediction using ARIMA versus XGBoost models: the case of the largest telecommunication company in the Middle East. International Journal of Information Technology, 15(4), 1813–1818. https://doi.org/10.1007/s41870-023-01260-4
Badan Pusat Statistik. (2010). Katalog BPS: 9301004.
Box, G. E. P., & Cox, D. R. (1964). An Analysis of Transformations. In Journal of the Royal Statistical Society Series B: Statistical Methodology (Vol. 26, Issue 2, pp. 211–243). https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
Gujarati, & Damonar, N. (2004). Basic Econometrics (4th ed.). McGraw-Hill Inc.
Jijo, J. J. (2025). Modelling and Forecasting the GDP of G7 Countries Using Arima Model. Asian Journal of Economics, Business and Accounting, 25(3), 295–315. https://doi.org/10.9734/ajeba/2025/v25i31711
Kurniawan, T. A., & Choir, A. S. (2024). Nowcasting Produk Domestik Bruto Atas Dasar Harga Konstan Triwulanan Indonesia. Seminar Nasional Official Statistics, 2024(1), 691–700. https://doi.org/10.34123/semnasoffstat.v2024i1.2185
Kusumaningrum, N., Purnamasari, I., & Siringoringo, M. (2023). Peramalan Menggunakan Model Hybrid ARIMAX-NN untuk Total Transaksi Pembayaran Nontunai. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 5(1), 1–14. https://doi.org/10.35580/variansiunm57
Nichani, R., Gasmi, L., Laiche, N., & Kabou, S. (2024). Optimizing financial time series predictions with hybrid ARIMA, LSTM, and XGBoost Models. Studies in Engineering and Exact Sciences, 5(2), e11188. https://doi.org/10.54021/seesv5n2-582
Odhiambo, S. O., Cornelious, N. O., & Waititu, H. (2024). Developing a Hybrid ARIMA-XGBOOST Model for Analysing Mobile Money Transaction Data in Kenya. Asian Journal of Probability and Statistics, 26(10), 108–126. https://doi.org/10.9734/ajpas/2024/v26i10662
Salsabila, N., & Oktaviarina, A. (2024). Peramalan PDRB PERAMALAN PDRB DI JAWA TIMUR MENGGUNAKAN MODEL ARIMAX DENGAN VARIABElL EKSOGEN EKSPOR-IMPOR. MATHunesa: Jurnal Ilmiah Matematika, 12(1), 208–218. https://doi.org/10.26740/mathunesa.v12n1.p208-218
Ugoh, C., Uzuke, C., & Ugoh, D. (2021). Application of ARIMAX Model on Forecasting Nigeria’s GDP. American Journal of Theoretical and Applied Statistics, 10, 216. https://doi.org/10.11648/j.ajtas.20211005.12
Vonitsanos, G., Kanavos, A., & Mylonas, P. (2024). A Context-Enriched Hybrid ARIMAX – Deep Learning Framework for Robust Cryptocurrency Price Forecasting.
Xie, H., Xu, X., Yan, F., Qian, X., & Yang, Y. (2024). Deep Learning for Multi-Country GDP Prediction: A Study of Model Performance and Data Impact. 1–13. http://arxiv.org/abs/2409.02551
Zhang, P. (2003). Zhang, G.P.: Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model. Neurocomputing 50, 159-175. Neurocomputing, 50, 159–175. https://doi.org/10.1016/S0925-2312(01)00702-0
