Analisis Tingkat Inflasi di Indonesia Menggunakan Teknologi Big Data Analytics
on
Jurnal Elektronik Ilmu Komputer Udayana
Volume 12, No 2. November 2023
p-ISSN: 2301-5373
e-ISSN: 2654-5101
Analisis Tingkat Inflasi di Indonesia Menggunakan Teknologi Big Data Analytics
Lidya Elisabet Theogracia Silitonga,I Putu Gede Hendra Suputra
Informatika,Universitas Udayana
Jl. Raya Kampus UNUD,Bukit Jimbaran,Kuta Selatan,Badung,Bali,Indonesia lidyaelisabet83@gmail.com hendra.suputra@gmail.com
Abstrak
Inflasi adalah keadaan perekonomian negara yang mana terdapat kecenderungan kenaikkan harga barang dan jasa dalam jangka waktu tertentu.Secara umum,inflasi di Indonesia terjadi karena adanya tekanan dari sisi permintaan(Demand Pull Inflation) maupun dari sisi penawaran(Cost Push Inflation). Dari sisi permintaan,menurut teori moneter,ekses permintaan ini disebabkan terlalu banyaknya uang beredar di masyarakat,sedangkan jumlah barang di pasar sedikit.Dari sisi penawaran (Cost Push Inflation),inflasi disebabkan oleh kenaikan biaya produksi.Inflasi yang tidak stabil memberikan dampak negatif terhadap kesejahteraan masyarakat.Oleh karena itu,pengendalian inflasi sangat penting.Pada penelitian ini akan dilakukan analisis tingkat inflasi di Indonesia yang bertujuan untuk mengetahui perkembangan dan pengendalian inflasi di Indonesia.Penelitian ini akan menggunakan data sekunder dari Badan Pusat Statistik(BPS). Adapun metode penelitian yang akan digunakan adalah metode big data analytics.Pada penelitian ini,penulis menggunakan tools Tableau untuk melakukan visualisasi data terhadap data inflasi Indonesia yang diambil dari Badan Pusat Statisti(BPS).
Kata Kunci: Tingkat Inflasi,Big Data Analytics,Tableau
1. Pendahuluan
Perekonomian suatu negara dapat dilihat dari berbagai indikator makro ekonomi.Adapun indikator-indikator dari makro ekonomi,yaitu nilai tukar,pertumbuhan ekonomi,defisit neraca perdangan,dan inflasi.Dari berbagi indikator makro tersebut,inflasi merupakan salah satu indikator penting dalam perekonomian suatu negara.Badan Pusat Statistik(BPS) mendefinisikan inflasi sebagai kecenderungan naiknya harga barang dan jasa pada umumnya yang berlangsung secara terus-menerus.Jika harga barang dan jasa di dalam negeri meningkat,maka inflasi mengalami kenaikan.Naiknya harga barang dan jasa tersebut menyebabkan turunnya nilai uang.Menurut Pratidina(2012) pentingnya pengendalian inflasi dikarenakan inflasi yang tinggi menimbulkan dampak negatif terhadap kondisi sosial ekonomi masyarakat.
Indeks harga konsumen(IHK) adalah salah indikator yang digunakan untuk mengukur tingkat inflasi di Indonesia secara umum.Berdasarkan survey biaya hidup(SBH),IHK digunakan oleh Badan Pusat Statistik(BPS) untuk memonitor perkembangan harga barang dan jasa di setiap kabupaten atau kota pada tujuh kelompok pengeluaran.Adapun kelompok pengeluaran tersebut adalah bahan makanan, makanan jadi,transportasi,pendidikan,kesehatan,sandang,dan perumahan.Selain itu,ada indikator lain yang memengaruhi inflasi,yaitu nilai tukar dan suku bunga.
Demi terwujudnya kestabilan inflasi yang akan memberikan dampak positif bagi perekonomian,maka salah upaya yang dapat dilakukan adalah melakukan analisis tingkat inflasi di Indonesia menggunakan teknologi big data analytics.Proses analisis tersebut akan menggunakan data dari Badan Pusat statistik (BPS).Selain itu,pada penelitian ini digunakan tools tableau untuk melakukan visualisasi terhadap data tersebut.
Big data analytics merupakan seluruh proses yang mencakup pengumpulan,penataan,dan analisis data-data dari berbagai sumber.Big data analytics bertujuan untuk memperkuat proses analytics. Terdapat beberapa metode big data analytics,seperti data mining,data collection,data storage,data cleaning,data analysis,dan data consumption.Berikut ini metode big data analytics yang digunakan pada penelitian ini:
-
• Data Mining
Pada tahap ini akan dilakukan identifikasi masalah berdasarkan insights atau informasi yang berharga dari database.Pada tahap ini,dilakukan identifikasi masalah terkait tingkat inflasi di Indonesia.
-
• Data Collection
Setelah melakukan identifikasi masalah,tahap selanjutnya adalah mengumpulkan data.Pada tahap ini akan dikumpulkan data yang berkaitan dengan Indeks Harga Konsumen(IHK).Data yang dikumpulkan tersebut berasal dari Badan Pusat Statistika(BPS).Pengumpulan data tersebut bertujuan untuk memberikan informasi detail yang dibutuhkan pada penelitian ini.
Berikut ini,salah satu bagian dari data IHK yang dikumpulkan:
Table 1. Data IHK Gabungan 82 Kota Berdasarkan Bahan Makanan,Makanan Jadi, Perumahan,Sandang,Kesehatan,Pendidikan,dan Transportasi
|
Kelompok |
2000 |
2001 |
2002 |
2003 | |
|
Umum |
9.35 |
12.55 |
10.03 |
5.06 | |
|
I. |
Bahan Makanan |
4.00 |
12.03 |
9.13 |
-1.72 |
|
II. |
Makanan Jadi, Minuman, Rokok, dan Tembakau |
11.08 |
14.48 |
9.18 |
6.24 |
|
III. |
Perumahan, Air, Listrik, Gas, dan Bahan Bakar |
10.10 |
13.59 |
12.71 |
9.21 |
|
IV. |
Sandang |
10.19 |
8.14 |
2.69 |
7.09 |
|
V. |
Kesehatan |
9.57 |
8.92 |
5.63 |
5.67 |
|
VI. |
Pendidikan, Rekreasi, dan Olahraga |
17.51 |
11.90 |
10.85 |
11.71 |
|
VII. |
Transpor, Komunikasi, dan Jasa Keuangan |
12.66 |
14.16 |
15.52 |
4.10 |
-
• Data Storage
Data storage bertujuan untuk menyimpan,mengelola,dan mengambil data dalam jumlah besar sehingga dapat dengan mudah diakses,digunakan,dan diproses oleh aplikasi layanan yang bekerja pada data besar.Setelah melakukan pengumpulan data dari BPS(Badan Pusat Statistik),data-data tersebut akan disimpan ke dalam cloud.
-
• Data Cleaning
Tidak semua data yang telah dikumpulkan dan disimpan merupakan data yang dibutuhkan(data penting).Oleh karena itu,data-data tersebut perlu dibersihkan(data cleaning). Data cleaning bertujuan untuk memudahkan proses analisis.
-
• Data Analysis
Setelah data-data tersebut dibersihkan,maka akan dilakukan analisis terhadap data-data tersebut.
-
• Data Consumption
Setelah data-data Indeks Harga Konsumen(IHK) dianalisis,maka tahap selanjutnya adalah membuat visualisasi dari data tersebut.Adapun tools yang digunakan untuk menganalisis data tersebut adalah tableau.Pada tahap ini,data-data tersebut akan digunakan untuk mengetahui tingkat inflasi di Indonesia.Dengan mengetahui tingkat inflasi dapat memantau perkembangan dan mengendalikan inflasi yang terjadi di Indonesia.
Analisis yang dilakukan terkait tingkat inflasi di Indonesia menggunakan big data analytics.Berikut ini uraian analisis tingkat inflasi di Indonesia menggunakan big data analytics.
Pada tahap ini dilakukan identifikasi masalah terkait inflasi di Indonesia.Hal tersebut bertujuan untuk mempermudah dalam melakukan pengumpulan data yang berkaitan dengan inflasi di Indonesia.
Setelah melakukan identifikasi masalah,tahap selanjutnya adalah mengumpulkan data IHK (Indeks Harga Konsumen) yang terbagi dalam tujuh kelompok,yaitu bahan makanan,makanan jadi,transportasi,pendidikan,kesehatan,sandang,dan perumahan.Data IHK tersbut diambil dari tahun 2000-2022.Data yang telah dikumpulkan berasal dari Badan Pusat Statistik(BPS).Berikut ini beberapa bagian dari data IHK yang telah dikumpulkan:
Table 1. Data IHK Gabungan 82 Kota Berdasarkan Bahan Makanan,Makanan Jadi,
Perumahan,Sandang,Kesehatan,Pendidikan,dan Transportasi
|
Kelompok |
2000 |
2001 |
2002 |
2003 | |
|
Umum |
9.35 |
12.55 |
10.03 |
5.06 | |
|
I. |
Bahan Makanan |
4.00 |
12.03 |
9.13 |
-1.72 |
|
II. |
Makanan Jadi, Minuman, Rokok, dan Tembakau |
11.08 |
14.48 |
9.18 |
6.24 |
|
III. |
Perumahan, Air, Listrik, Gas, dan Bahan Bakar |
10.10 |
13.59 |
12.71 |
9.21 |
|
IV. |
Sandang |
10.19 |
8.14 |
2.69 |
7.09 |
|
V. |
Kesehatan |
9.57 |
8.92 |
5.63 |
5.67 |
|
VI. |
Pendidikan, Rekreasi, dan Olahraga |
17.51 |
11.90 |
10.85 |
11.71 |
|
VII. |
Transpor, Komunikasi, dan Jasa Keuangan |
12.66 |
14.16 |
15.52 |
4.10 |
|
Table 2. Data Inflasi Tahun Ke Tahun Gabungan 90 Kota | |||||
|
Bulan |
2006 |
2007 |
2008 |
2009 |
2010 |
2011 |
2012 |
2013 |
|
Januari |
17.03 |
6.26 |
7.36 |
9.17 |
3.72 |
7.02 |
3.65 |
4.57 |
|
Februari |
17.92 |
6.30 |
7.40 |
8.60 |
3.81 |
6.84 |
3.56 |
5.31 |
|
Maret |
15.74 |
6.52 |
8.17 |
7.92 |
3.43 |
6.65 |
3.97 |
5.90 |
|
April |
15.40 |
6.29 |
8.96 |
7.31 |
3.91 |
6.16 |
4.50 |
5.57 |
|
Mei |
15.60 |
6.01 |
10.38 |
6.04 |
4.16 |
5.98 |
4.45 |
5.47 |
|
Juni |
15.53 |
5.77 |
11.03 |
3.65 |
5.05 |
5.54 |
4.53 |
5.90 |
|
Juli |
15.15 |
6.06 |
11.90 |
2.71 |
6.22 |
4.61 |
4.56 |
8.61 |
|
Agustus |
14.90 |
6.51 |
11.85 |
2.75 |
6.44 |
4.79 |
4.58 |
8.79 |
|
September |
14.55 |
6.95 |
12.14 |
2.83 |
5.80 |
4.61 |
4.31 |
8.40 |
|
Oktober |
6.29 |
6.88 |
11.77 |
2.57 |
5.67 |
4.42 |
4.61 |
8.32 |
|
November |
5.27 |
6.71 |
11.68 |
2.41 |
6.33 |
4.15 |
4.32 |
8.37 |
|
Desember |
6.60 |
6.59 |
11.06 |
2.78 |
6.96 |
3.79 |
4.30 |
8.38 |
Table 3. Data IHK Per Kelompok di 66 Kota
Kota Umum
|
I |
2000 |
2001 |
2002 |
2003 |
2004 |
2005 |
2006 |
|
Banda Aceh |
216,59 |
246,43 |
278,90 |
295,67 |
112,07 |
139,01 |
172,41 |
|
Lhokseumawe |
217,73 |
242,90 |
273,06 |
295,55 |
111,38 |
124,28 |
143,10 |
|
Sibolga |
231,81 |
253,58 |
277,81 |
300,06 |
112,25 |
126,09 |
140,91 |
|
Pematang Siantar |
214,82 |
235,39 |
262,20 |
275,99 |
109,73 |
123,18 |
138,05 |
|
Medan |
222,81 |
248,76 |
278,69 |
297,62 |
114,35 |
129,25 |
148,78 |
|
Padang Sidempuan |
221,54 |
237,14 |
259,71 |
279,33 |
115,35 |
126,66 |
145,59 |
|
Padang |
226,59 |
254,24 |
283,33 |
297,58 |
111,54 |
126,12 |
142,20 |
|
Pekanbaru |
216,01 |
245,11 |
279,40 |
302,23 |
117,23 |
130,24 |
146,03 |
|
Dumai | |||||||
|
Batam |
186,66 |
205,98 |
229,04 |
241,46 |
107,68 |
116,80 |
128,81 |
Setelah data-data tersebut dikumpulkan,maka tahap selanjutnya adalah menyimpan data tersebut.Penyimpanan data tersebut bertujuan untuk menyimpan,mengelola,dan mengambil data tersebut.Data-data tersebut disimpan ke dalam sebuah cloud dalam bentuk file excel.
Data-data yang telah dikumpulkan dan disimpan merupakan data mentah.Dalam hal ini,pada data tersebut masih terdapat infromasi yang tidak penting.Oleh karena itu,data-data tersebut perlu dibersihakan.Hal tersebut bertujuan untuk mempermudah dalam proses analisis.Pada proses data cleaning,data-data tersebut akan dibersikan menggunakan interpreter yang ada pada tableau.Berikut ini gambaran dari dari data-data yang telah dibersihkan:
Table 1. Data IHK Gabungan 82 Kota Berdasarkan Bahan Makanan,Makanan Jadi, Perumahan,Sandang,Kesehatan,Pendidikan,Trasnportasi
|
Abc Sheetl Fl |
Abc Sheetl Kelompok |
# Sheetl 2000 |
♦ Sheetl 2001 |
t Sheetl 2002 |
4 Sheetl 2003 |
4 Sheetl 2004 |
# Sheetl 2005 |
4 Sheetl 2006 |
4 Sheetl 2007 |
4 Sheetl 2008 |
4 Sheetl 2009 |
|
null |
Umum |
9.3500 |
12.55000 |
10.0300 |
5.0600 |
6.40000 |
17.1100 |
6.6000 |
6.5900 |
11.06000 |
2.7800 |
|
I. |
Bahati Makanan |
4.0000 |
12.03000 |
9.1300 |
■1.7200 |
6.38000 |
13.9100 |
12.9400 |
11.2600 |
16.35000 |
3.8800 |
|
II. |
MakananJadilMinuman1 Rok... |
11.0800 |
14.48000 |
9.1800 |
6.2400 |
4.85000 |
13.7100 |
6.3600 |
6.4100 |
12.53000 |
7.8100 |
|
III. |
Periiniahan1Air1Listrik1Gasl... |
10.1000 |
13.59000 |
12.7100 |
9.2100 |
7.40000 |
13.9400 |
4.8300 |
4.8800 |
10.92000 |
1.8300 |
|
IV. |
Sandang |
10.1900 |
8.14000 |
2.6900 |
7.0900 |
4.87000 |
6.9200 |
6.8400 |
8.4200 |
7.33000 |
6.0000 |
|
V. |
Kesehatan |
9.5700 |
8.92000 |
5.6300 |
5.6700 |
4.75000 |
6.1300 |
5.8700 |
4.3100 |
7.96000 |
3.8900 |
|
VI. |
Pendidikan1RekreasLtIanOI... |
17.5100 |
11.90000 |
10.8500 |
11.7100 |
10.31000 |
8.2400 |
8.1300 |
8.8300 |
6.66000 |
3.8900 |
|
VIL |
Transpor, Komunikasi1 dan Ja... |
12.6600 |
14.16000 |
15.5200 |
4.1000 |
5.84000 |
44.7500 |
1.0200 |
1.2500 |
7.49000 |
■3.6700 |
Table 2. Data Inflasi Tahun Ke Tahun Gabungan 90 Kota
|
> |
Abc indo |
* indo |
# indo |
# indo |
* indo |
* indo |
# indo |
# indo |
# indo |
# ndo |
# indo |
* indo |
# indo |
* indo |
* indo |
|
□ |
Bulan |
2006 |
2007 |
2008 |
2009 |
2010 |
2011 |
2012 |
2013 |
2014 |
2015 |
2016 |
2017 |
2018 |
2019 |
|
Januari |
17.0300 |
6.26000 |
7.36000 |
9.17000 |
3.72000 |
7.02000 |
3.65000 |
4.57000 |
8.22000 |
6.96000 |
4.14000 |
3.49000 |
3.250000 |
2.82000 | |
|
Februari |
17.9200 |
6.30000 |
7.40000 |
8.60000 |
3.81000 |
6.84000 |
3.56000 |
5.31000 |
7.75000 |
6.29000 |
4.42000 |
3.83000 |
3.180000 |
2.57000 | |
|
Maret |
15.7400 |
6.52000 |
8.17000 |
7.92000 |
3.43000 |
6.65000 |
3.97000 |
5.90000 |
7.32000 |
6.38000 |
4.45000 |
3.61000 |
3.400000 |
2.48000 | |
|
April |
15.4000 |
6.29000 |
8.96000 |
7.31000 |
3.91000 |
6.16000 |
4.50000 |
5.57000 |
7.25000 |
6.79000 |
3.60000 |
4.17000 |
3.410000 |
2.83000 | |
|
Mei |
15.6000 |
6.01000 |
10.38000 |
6.04000 |
4.16000 |
5.98000 |
4.45000 |
5.47000 |
7.32000 |
7.15000 |
3.33000 |
4.33000 |
3.230000 |
3.32000 | |
|
Juni |
15.5300 |
5.77000 |
11.03000 |
3.65000 |
5.05000 |
5.54000 |
4.53000 |
5.90000 |
6.70000 |
7.26000 |
3.45000 |
4.37000 |
3.120000 |
3.28000 | |
|
Juli |
15.1500 |
6.06000 |
11.90000 |
2.71000 |
6.22000 |
4.61000 |
4.56000 |
8.61000 |
4.53000 |
7.26000 |
3.21000 |
3.88000 |
3.180000 |
3.32000 | |
|
Agustus |
14.9000 |
6.51000 |
11.85000 |
2.75000 |
6.44000 |
4.79000 |
4.58000 |
8.79000 |
3.99000 |
7.18000 |
2.79000 |
3.82000 |
3.200000 |
3.49000 | |
|
September |
14.5500 |
6.95000 |
12.14000 |
2.83000 |
5.80000 |
4.61000 |
4.31000 |
8.40000 |
4.53000 |
6.83000 |
3.07000 |
3.720 00 |
2.880000 |
3.39000 | |
|
Oktober |
6.2900 |
6.88000 |
11.77000 |
2.57000 |
5.67000 |
4.42000 |
4.61000 |
8.32000 |
4.83000 |
6.25000 |
3.31000 |
3.58000 |
3.160000 |
3.13000 | |
|
November |
5.2700 |
6.71000 |
11.68000 |
2.41000 |
6.33000 |
4.15000 |
4.32000 |
8.37000 |
6.23000 |
4.89000 |
3.58000 |
3.30000 |
3.230000 |
3.00000 | |
|
Desember |
6.6000 |
6.59000 |
11.06000 |
2.78000 |
6.96000 |
3.79000 |
4.30000 |
8.38000 |
8.36000 |
3.35000 |
3.02000 |
3.61000 |
3.130000 |
2.72000 | |
|
Table 3. |
Data IHK Per Kelompok di 66 Kota | ||||||||||||||
|
Abc |
# |
* |
* |
* |
# |
* |
# |
# |
|
Sheetl |
Sheetl |
Sheetl |
Sheetl |
Sheetl |
Sheetl |
Sheetl |
Sheetl |
Sheetl |
|
Kota |
Umum 2000 |
Umum 2001 |
Umum 2002 |
Umum 2003 |
Umum 2004 |
Umum 2005 |
Umum 2006 |
Umum 2007 |
|
Banda Aceh |
21,659 |
24,643 |
27,890 |
29,567 |
11,207 |
13,901 |
17,241 |
19,086 |
|
Lhokseumawe |
21,773 |
24.290 |
27,306 |
29.555 |
11.138 |
12,428 |
14.310 |
15.471 |
|
Sibolga |
23,181 |
25,358 |
27,781 |
30,006 |
11,225 |
12,609 |
14,091 |
15,394 |
|
Pematang Siantar |
21.482 |
23.539 |
26,220 |
27599 |
10.973 |
12.318 |
13,805 |
15.046 |
|
Medan |
22,281 |
24,876 |
27,869 |
29,762 |
11,435 |
12,925 |
14,878 |
15,779 |
|
Padang Sidempuan |
22.154 |
23.714 |
25.971 |
27,933 |
11.535 |
12.666 |
14,559 |
15.786 |
|
Padang |
22,659 |
25,424 |
28,333 |
29,758 |
11,154 |
12,612 |
14,220 |
15,476 |
|
Pekanbaru |
21.601 |
24.511 |
27940 |
30.223 |
11,723 |
13,024 |
14.603 |
15,767 |
Setelah data-data tersebut dibersihkan maka akan dilakukan analisis terhadap data-data tersebut.Analis tersebut bertujuan untuk mempermudah dalam membuat visualisasi dari data-data tersebut.Proses analisis data dapat dilakukan dengan membuat pertanyaan dari data tersebut.
Adapun pertanyaannya:
-
1. Bagaimana indeks harga konsumen 82 kota tiap sub kelompok setiap tahunnya?.
-
2. Bagaimana inflasi gabungan 90 kota pada bulan januari-desember setiap tahunnya?.
-
3. Bagaimana IHK setiap kelompok di Indonesia berdasarkan sub kelompok setiap tahunnya?.
Setelah data-data Indeks Harga Konsumen(IHK) dianalisis,maka tahap selanjutnya adalah membuat visualisasi dari data tersebut.Adapun tools yang digunakan adalah tableau.Visualisasi data bertujuan untuk mengetahui tingkat inflasi di Indonesia. Dengan mengetahui tingkat inflasi dapat memantau perkembangan dan mengendalikan inflasi yang terjadi di Indonesia. Dengan mengetahui tingkat inflasi dapat memantau perkembangan dan mengendalikan inflasi yang terjadi di Indonesia. Dengan mengetahui tingkat inflasi dapat memantau perkembangan dan mengendalikan inflasi yang terjadi di Indonesia.
Berikut ini visualisasi dari data-data tersebut:
!kreasi, dan Olahraga
Indeks Harga Konsumen Per Kelompok di 66 Kota
Indeks Harga Konsumen Per Kelompok di 66 Kota
Indeks Harga Konsumen Per Kelompok di 66 Kota
;ehatan 2005 j
Indeks Harga Konsumen Per Kelompok di 66 Kota
Indeks Harga Konsumen Per Kelompok di 66 Kota
Indeks Harga Konsumen Per Kelompok di 66 Kota
Adanya visualisasi data tersebut dapat memudahkan untuk mengetahui tingkat inflasi di Indonesia melalui data Indeks Harga Konsumen(IHK) berdasarkan kelompoknya dan data IHK per kelompok di tiap kota yang ada di Indonesia.Dari visualisasi data tersebut dapat dlihat bahwa tingkat inflasi di Indonesia mengalami fluktuatif.Adanya fluktuatif tersebut ,tentunya akan membuat perekonomian tidak stabil (memberi guncangan dalam perekonomian).Selain itu,inflasi tertingi berdasarkan sub kelompok transportasi terjadi pada tahun 2015.Tidak hanya itu saja,berdasarkan visualisasi data inflasi tahun ke tahun gabungan 90 kota,terlihat bahwa inflasi IHK juli 2022 sebesar 4,94% lebih tinggi dibandingkan dengan inflasi pada bulan sebelumnya 4,35%.
Inflasi adalah keadaan perekonomian negara yang mana terdapat kecenderungan kenaikkan harga barang dan jasa dalam jangka waktu tertentu.Secara umum,inflasi di Indonesia terjadi karena adanya tekanan dari sisi permintaan(Demand Pull Inflation) maupun dari sisi penawaran(Cost Push Inflation). Badan Pusat Statistik(BPS) mendefinisikan inflasi sebagai kecenderungan naiknya harga barang dan jasa pada umumnya yang berlangsung secara terus-menerus. Menurut Pratidina(2012) pentingnya pengendalian inflasi dikarenakan inflasi yang tinggi menimbulkan dampak negatif terhadap kondisi sosial ekonomi masyarakat. Demi terwujudnya kestabilan inflasi yang akan memberikan dampak positif bagi perekonomian,maka salah upaya yang dapat dilakukan adalah melakukan analisis tingkat inflasi di Indonesia menggunakan teknologi big data analytics.Selain itu,diperlukan visualisasi data yang bertujuan untuk melakukan analisis terhadap tingkat inflasi.Hasil visualisasi data pada penelitian ini adalah visualisasi data tersebut menggambarkan bahwa tingkat inflasi di Indonesia mengalami fluktuatif.Dengan melakukan analisis tersebut,dapat mengetahui,memantau,dan mengendalikan tingkat inflasi yang ada di Indonesia.
Daftar Pustaka
Septiani, G. C. (2022). Analisis Pengaruh Pertumbuhan Ekonomi, Pertumbuhan Penduduk Dan Tingkat Inflasi Terhadap Kemiskinan Di Provinsi Jawa Barat. ULIL ALBAB: Jurnal Ilmiah Multidisiplin, 1(5), 10821092.
Sadhana, G. R. S. ANALISIS BIG DATA DALAM KRISIS EKONOMI GLOBAL. Analisis Big Data Dalam Krisis Ekonomi Global.
Saepuloh, D. (2020). Visualisasi Data Covid 19 Provinsi DKI Jakarta Menggunakan Tableau Data Visualization of Covid 19 Province DKI Jakarta Using Tableau bernama Severe Acute Respiratory Syndrome Perbedaan Tableau Desktop Tableau Public Open Source Berbayar (bukan open sourc. J. Ris. Jakarta, 13(2), 55-64.
Angreini, S., & Supratman, E. (2021). Visualisasi Data Lokasi Rawan Bencana Di Provinsi Sumatera Selatan Menggunakan Tableau. Jurnal Nasional Ilmu Komputer, 2(2), 135-147.
Doni, A. H. (2022). Analisis Pengaruh Inflasi dan Pengangguran terhadap Pertumbuhan Ekonomi di Sumatera Barat. JUSIE (Jurnal Sosial dan Ilmu Ekonomi), 7(01), 21-33.
Sutarmin, W. B. Analisis Dampak Covids-19 terhadap Tingkat Inflasi Harga Sepuluh Komoditas Pangan Strategis dalam Perspektif Manajemen Ketahanan Harga Bahan Pokok Pangan di Jawa Timur.
Martanto, B., Tan, S., & Hidayat, M. S. (2021). Analisis tingkat inflasi di Indonesia Tahun 1998-2020 (pendekatan error correction model). Jurnal Paradigma Ekonomika, 16(3), 619-632.
400
Discussion and feedback