Perbandingan Kinerja Metode SARIMA dan Prophet untuk Data Deret Waktu yang Mengandung Tren, Musiman, dan Efek Liburan

Abstract

Peramalan data deret waktu merupakan komponen penting dalam berbagai sektor, termasuk ekonomi, perencanaan pembangunan, dan pengambilan kebijakan publik. Keberhasilan proses peramalan sangat dipengaruhi oleh kemampuan model dalam menangkap pola dinamika data, seperti tren jangka panjang, musiman, dan efek liburan yang sering kali menyebabkan deviasi signifikan. Dua metode yang banyak digunakan untuk tujuan tersebut adalah SARIMA dan Prophet, yang masing-masing memiliki karakteristik struktural, fleksibilitas, serta asumsi berbeda. Perbedaan ini menimbulkan kebutuhan untuk memahami secara komprehensif kondisi data seperti apa yang menjadikan salah satu metode lebih unggul dibandingkan yang lain. Oleh karena itu, penelitian ini disusun untuk membandingkan performa kedua metode tersebut pada berbagai skenario simulasi serta pada kasus empiris inflasi Indonesia. Penelitian ini mencakup dua tujuan utama, yaitu mengevaluasi kinerja SARIMA dan Prophet menggunakan data simulasi dengan variasi tren, pola musiman, dan efek liburan, serta membandingkan tingkat akurasi kedua metode pada data inflasi Indonesia periode 2003–2023. Untuk mencapai tujuan tersebut, penelitian memanfaatkan pendekatan simulasi yang dapat mengontrol dan memvariasikan karakteristik data secara sistematis. Variasi yang digunakan meliputi tren landai hingga kompleks, pola musiman bulanan (S12) dan mingguan (S7), serta efek liburan yang muncul secara acak maupun bergeser teratur. Setiap skenario dianalisis menggunakan SARIMA dan Prophet, kemudian dievaluasi dengan menggunakan RMSE, MAPE, serta metrik lainnya untuk memastikan perbandingan yang objektif dan menyeluruh. Hasil dari kerangka simulasi menunjukkan perbedaan performa yang konsisten antara kedua metode. SARIMA terbukti lebih unggul dalam memodelkan data dengan musiman bulanan yang stabil, panjang data yang relatif pendek, serta pola liburan yang tidak teratur. Kinerja ini sejalan dengan sifat SARIMA yang berbasis model parametrik dan sangat sensitif terhadap kestabilan pola musiman. Di sisi lain, Prophet menunjukkan kinerja yang lebih baik ketika digunakan pada dataset yang lebih panjang, pola musiman mingguan yang dinamis, serta tren yang kompleks atau mengalami perubahan tajam. Keunggulan Prophet pada kondisi tersebut dipengaruhi oleh struktur model aditif fleksibel yang memungkinkan komponen musiman dan tren beradaptasi lebih cepat terhadap perubahan pola data. Ketika diterapkan pada data inflasi Indonesia, penelitian ini menemukan bahwa karakteristik data yang didominasi oleh tren menurun landai serta musiman bulanan yang stabil lebih sesuai dimodelkan menggunakan SARIMA. Secara empiris, SARIMA memberikan kinerja terbaik dengan MAPE sebesar 8,13% dan RMSE sebesar 0,4 yang secara signifikan lebih baik dibandingkan Prophet yang menghasilkan MAPE 10,61% dan RMSE 2,3. Prediksi untuk periode Januari–Agustus 2024 juga memperlihatkan bahwa SARIMA menghasilkan nilai ramalan yang lebih dekat dengan nilai aktual, memperkuat hasil analisis simulasi bahwa metode ini lebih cocok untuk tipe pola inflasi Indonesia. Berdasarkan keseluruhan temuan, penelitian ini menyimpulkan bahwa pemilihan metode peramalan sebaiknya mempertimbangkan karakteristik data secara khusus, bukan hanya popularitas atau kemudahan implementasi model. SARIMA direkomendasikan untuk data dengan tren stabil dan musiman bulanan yang konsisten, seperti pada kasus inflasi Indonesia. Sementara itu, Prophet lebih sesuai diterapkan pada data dengan dinamika cepat, perubahan tren yang tajam, musiman mingguan, serta struktur liburan yang bergeser secara sistematis. Meskipun SARIMA terbukti lebih unggul pada konteks penelitian ini, kombinasi atau triangulasi kedua metode tetap memberikan nilai tambah bagi analisis, terutama dalam memahami aspek-aspek struktural data yang sulit ditangkap oleh satu model saja.