Forecasting the Number of Poor People in West Nusa Tenggara in 2025-2029: Time Series Analysis with ARIMA Model

Lailatul Jannah, Syaharuddin Syaharuddin, Vera Mandailina

Abstract


Penelitian ini bertujuan untuk memprediksi jumlah penduduk miskin di Provinsi Nusa Tenggara Barat (NTB) pada periode 2025-2029 dengan menggunakan model ARIMA (Autoregressive Integrated Moving Average). Pendekatan kuantitatif-eksperimental diterapkan dengan memanfaatkan data jumlah penduduk miskin tahun 2015 sampai dengan 2024 yang diperoleh dari Badan Pusat Statistik (BPS). Model ARIMA (1,1,1) digunakan untuk meramalkan tren kemiskinan di masa mendatang. Hasil ramalan menunjukkan adanya penurunan jumlah penduduk miskin yang cukup signifikan, dengan estimasi jumlah penduduk miskin sebesar 680.937 ribu jiwa pada tahun 2025 dan 609.465 ribu jiwa pada tahun 2029. Model tersebut menunjukkan akurasi yang tinggi, dibuktikan dengan nilai Mean Squared Error (MSE) sebesar 21,0527 dan Mean Absolute Percentage Error (MAPE) sebesar 0,53%. Temuan ini memberikan masukan yang berharga dalam penyusunan kebijakan penanggulangan kemiskinan, khususnya terkait dengan alokasi anggaran yang lebih tepat sasaran. Hasil prakiraan ini juga dapat digunakan untuk memperkuat dan memperluas program penanggulangan kemiskinan, dengan penekanan pada daerah-daerah yang masih menghadapi angka kemiskinan tinggi di NTB.

Keywords


Poverty Forecasting, ARIMA Model, Poor Population

Full Text:

PDF

References


Adeyinka, D. A., & Muhajarine, N. (2020). Time series prediction of under-five mortality rates for Nigeria: comparative analysis of artificial neural networks, Holt-Winters exponential smoothing and autoregressive integrated moving average models. BMC Medical Research Methodology, 20(1), 1–11. https://doi.org/10.1186/s12874-020-01159-9

El Keshky, M. E. S., Basyouni, S. S., & Al Sabban, A. M. (2020). Getting Through COVID-19: The Pandemic’s Impact on the Psychology of Sustainability, Quality of Life, and the Global Economy – A Systematic Review. Frontiers in Psychology, 11(November). https://doi.org/10.3389/fpsyg.2020.585897

Gawusu, S., Jamatutu, S. A., & Ahmed, A. (2024). Predictive Modeling of Energy Poverty with Machine Learning Ensembles: Strategic Insights from Socioeconomic Determinants for Effective Policy Implementation. International Journal of Energy Research, 2024. https://doi.org/10.1155/2024/9411326

Hauzan, A., Yulmardi, Y., & Hardiani, H. (2021). Pengaruh pertumbuhan ekonomi, tingkat kemiskinan pengeluaran pemerintah, pengangguran dan pendapatan asli daerah terhadap indeks pembangunan manusia di Provinsi Jambi. E-Jurnal Perspektif Ekonomi Dan Pembangunan Daerah, 10(3), 211–222. https://doi.org/10.22437/pdpd.v10i3.16496

Ibrahim, M., Perwira Negara, H. R., & Syaharuddin, S. (2021). Prediction of Land Area Harvest, Production, Rice Productivity: A Accuracy Analysis of ARIMA Methods. Protech Biosystems Journal, 1(1), 1. https://doi.org/10.31764/protech.v1i1.4776

Insani, A. F., Mushawir, A., Adiaksa, A., Viridi, S., Studi, P., & Komputasi, S. (2025). Optimisation Of Variable Combinations For Household Electricity Consumption Prediction Using a Multivariate Time Series Machine LearningAapproach. 10(1), 87–98.

Ivanda, S. T., & Szs, J. A. (2025). Implementasi Metode Autoregressive Integrated Moving Average Untuk Analisis Peramalan Permintaan Kalibrasi Pada PT XYZ. X(1), 12021–12028.

Kusumawardana, A., & Hidayati, N. (2022). Data Forecasting Model to Know the Social Impact of Poverty in the Era of Globalization in West Java Province, Indonesia. The Es Economics and Entrepreneurship, 1(02), 49–57. https://doi.org/10.58812/esee.v1i02.45

Mizan, S., R, B. D. P., Suriani, N., Mihaimin, R., Laili, N., & Ernita, W. (2019). Peramalan Data Penduduk Miskin Provinsi Nusa Tenggara Barat ( NTB ) Model Auto Regressive Integrated Moving Average ( ARIMA ). Jurnal Pemikiran Dan Penelitian Pendidikan Matematika, 2(1), 1–10.

Nugrahani, I. D., & Risfandy, T. (2022). Jurnal Ilmu Manajemen Markov Switching Autoregressive. 13(November 2021).

Prianda, B. G., & Widodo, E. (2021). Perbandingan Metode Seasonal Arima Dan Extreme Learning Machine Pada Peramalan Jumlah Wisatawan Mancanegara Ke Bali. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 15(4), 639–650. https://doi.org/10.30598/barekengvol15iss4pp639-650

Studi, K., Peramalan, H., Kemiskinan, G., Diy, M., Azzahra, S. A., Andini, W. N., & Fauzan, A. (2025). The Forecasting Result Study of the Poverty Line and Number of Poor Population in DIY using DES and ARIMA. 21(2), 397–407. https://doi.org/10.20956/j.v21i2.36734


Refbacks

  • There are currently no refbacks.