COMPARATIVE FORECASTING EARLY WARNING SYSTEM DEVIASI ANGGARAN PEMERINTAH BERBASIS MACHINE LEARNING: STUDI EMPIRIS IKPA KANWIL DJPB PROVINSI NTB SEBAGAI BUN
DOI:
https://doi.org/10.29303/e-jep.v7i2.04Keywords:
Transformasi Digital Perbendaharaan, IKPA, Analisis Runtun Waktu, APBN, Akuntabilitas FiskalAbstract
Transformasi digital treasury dalam pengelolaan keuangan negara memerlukan pendekatan berbasis data untuk meningkatkan akuntabilitas APBN. Indikator Kinerja Pelaksanaan Anggaran (IKPA) menjadi instrumen utama dalam mengukur kinerja anggaran pada satuan kerja. Namun, dari delapan indikator penyusun IKPA, selama tiga tahun terakhir, komponen deviasi halaman III DIPA menunjukkan nilai terendah, mengindikasikan adanya tantangan dalam akurasi perencanaan dan eksekusi anggaran. Penelitian ini membandingkan tiga model prediktif berbasis artificial intelligence untuk meramalkan nilai indikator deviasi halaman III DIPA: SARIMA (Seasonal Autoregressive Integrated Moving Average) yang handal dalam menangkap pola musiman, XGBoost (Extreme Gradient Boosting) yang unggul dalam optimasi gradien, dan Random Forest yang kuat dalam menangani kompleksitas data. Dataset mencakup observasi bulanan nilai indikator deviasi halaman III DIPA dari Januari 2022 sampai dengan September 2024, memberikan dasar yang komprehensif untuk analisis time series. Metodologi penelitian menerapkan pendekatan kuantitatif dengan preprocessing data, pemilihan fitur, dan validasi silang untuk memastikan robustness model. Evaluasi performa menggunakan metrik MAE, RMSE, dan MAPE. Temuan penelitian mengungkapkan bahwa Model SARIMA memberikan akurasi prediksi tertinggi dengan error rate terendah. Kontribusi penelitian ini signifikan dalam dua aspek: pengembangan early warning system untuk deviasi anggaran dan penyediaan tools pendukung keputusan berbasis AI untuk perencanaan anggaran yang lebih akurat. Implementasi model ini diharapkan dapat membantu satuan kerja meningkatkan nilai IKPA mereka secara keseluruhan.
References
Chen, Q. (2021). Stock Movement Prediction with Financial News using Contextualized Embedding from BERT. Retrieved from http://arxiv.org/abs/2107.08721
Davidson, M., & Kim, J. (2024). Comparative Analysis of Time Series Models. Forecasting Review, 25(3), 289–304.
Kristiantoro, D., Widodo, H., & Sanjaya, R. (2022). Digital Transformation in Indonesian Public Financial Management: Challenges and Opportunities. Public Administration and Policy Review, 10(2), 145–162.
Kuntadi, C., & Luki Karunia, R. (2024). Jurnal Manajemen, Akuntansi dan Logistik FAKTOR-FAKTOR YANG MEMPENGARUHI CAPAIAN NILAI IKPA PADA KEMENTERIAN / LEMBAGA (Vol. 2).
María Ruiz-Martínez, J., Valencia-García, R., & García-Sánchez, F. (n.d.). Semantic-Based Sentiment analysis in financial news. Retrieved from http://project-first.eu/
Nasrulloh, A., & Nabire, A. (2025). Effect of SAKTI Implementation and IKPA on Financial Report Quality with Internal Control as an Intervening Variable. Management, and Accounting (Vol. 5). Retrieved from https://jurnal.amertainstitute.com/index.php/GoodWill/
Nugroho, B., Widodo, H., & Pratama, R. (2023). Evaluasi Implementasi IKPA: Studi Kasus pada 20 Satuan Kerja di Wilayah Jawa Tengah. Jurnal Manajemen Keuangan Publik, 10(1), 34–51.
Permatasari, D., & Dewi, R. (2023). Analisis Pengaruh IKPA terhadap Kualitas Pelaksanaan Anggaran pada Satuan Kerja Pemerintah. Jurnal Akuntansi Dan Keuangan Sektor Publik, 9(1), 12–28.
Rahmawati, R., Sari, D. P., & Wijaya, A. (2022). Pengaruh Implementasi IKPA terhadap Kualitas Pelaksanaan Anggaran pada 45 Satuan Kerja di Wilayah DKI Jakarta. Jurnal Akuntansi Dan Keuangan Sektor Publik, 7(2), 89–105.
Rodriguez, A., & others. (2024). Understanding Prophet’s Growth Models. Time Series Analysis Journal, 42(2), 178–193.
Sodikin, S. (2021). ANALISIS PENGUKURAN KINERJA PELAKSANAAN ANGGARAN MENGGUNAKAN IKPA. JENTRE, 2(2), 64–71. doi:10.38075/jen.v2i2.45
Taylor, S. J., & Letham, B. (2018). Prophet: Forecasting at Scale. The American Statistician, 72(1), 37.
Velarde, G., Sudhir, A., Deshmane, S., Deshmunkh, A., Sharma, K., & Joshi, V. (2023). Evaluating XGBoost for Balanced and Imbalanced Data: Application to Fraud Detection. Retrieved from http://arxiv.org/abs/2303.15218
Warman, W., Komariyah, L., & Kaltsum, K. F. U. (2023). Konsep Umum Evaluasi Kebijakan. Jurnal Ilmu Manajemen Dan Pendidikan, 3, 25–32. doi:10.30872/jimpian.v3ise.2912
Zhang, X., Fuehres, H., & Gloor, P. A. (2011). Predicting Stock Market Indicators Through Twitter “I hope it is not as bad as I fear”. Procedia - Social and Behavioral Sciences, 26, 55–62. doi:10.1016/j.sbspro.2011.10.562
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Dinda Pusparahmi Sholawatunnisa, Heru Supriyanto
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
