EcoDash

Dashboard analitik ekonomi Indonesia untuk membaca inflasi, kurs, dan proksi daya beli secara lebih terstruktur, presentable, dan berbasis data resmi.

Positioning
EcoDash dirancang sebagai economic intelligence dashboard untuk demonstrasi profesional, eksplorasi akademik, dan pembacaan insight kebijakan berbasis data resmi Indonesia.

Overview

EcoDash mengintegrasikan dua modul inti:

1. Forecast inflasi multi-horizon untuk membaca arah tekanan harga dalam horizon 1 bulan, 3 bulan, 6 bulan, dan 12 bulan.
2. Estimasi pengeluaran riil per kapita per bulan sebagai proksi daya beli untuk membaca arah tekanan terhadap kapasitas belanja rumah tangga secara regional.

Selain itu, dashboard juga menampilkan:

• ringkasan KPI ekonomi
• panel kurs USD/IDR harian
• peta ekonomi Indonesia berbasis indikator terpilih
• halaman panduan pembacaan dan panduan teknis

Mengapa Proyek Ini Penting

Dalam praktiknya, angka ekonomi sering tersedia dalam banyak sumber, format, dan horizon waktu yang berbeda. EcoDash menyatukan alur tersebut ke dalam satu antarmuka yang lebih mudah dibaca untuk:

• monitoring cepat, ketika pengguna perlu melihat arah inflasi dan kurs terbaru
• analisis komparatif, ketika pengguna ingin membaca perbedaan wilayah atau horizon prediksi
• komunikasi presentasi, ketika insight perlu dijelaskan secara profesional kepada dosen, tim, atau pemangku kepentingan

Modul Utama

1. Forecast Inflasi Multi-Horizon

Modul forecasting dibangun untuk empat horizon publik:

Horizon	Fungsi Utama	Karakter Pembacaan
1M	pembacaan taktis jangka dekat	paling relevan untuk headline near-term
3M	pembacaan arah kuartalan	cocok untuk evaluasi pergeseran tren
6M	pembacaan kebijakan menengah	membantu melihat arah tekanan yang lebih stabil
12M	orientasi makro	untuk konteks strategis, bukan angka presisi

Setiap horizon dievaluasi secara terpisah. Dengan demikian, model terbaik untuk horizon 1M tidak otomatis diasumsikan terbaik untuk 12M.

Keluarga model yang dievaluasi

• Naive Baseline
• ARIMA
• SARIMAX
• Prophet
• LSTM
• Bi-LSTM
• Ensemble horizon-specific
• GARCH sebagai kandidat opsional jika asumsi statistik dan dependensi mendukung

Aturan seleksi model

• MAE digunakan sebagai metrik utama pemeringkatan
• RMSE dan sMAPE dicatat sebagai metrik pendamping
• UI publik hanya menampilkan 2 model terbaik per horizon agar pembacaan tetap fokus

Confidence interval

Confidence interval dibangun dari residual walk-forward backtest, bukan dari shading dekoratif. Artinya:

• band prediksi merepresentasikan ketidakpastian historis model
• horizon yang lebih jauh memang akan menghasilkan band yang lebih lebar
• rentang prediksi harus dibaca sebagai estimasi, bukan kepastian

2. Proksi Daya Beli

Modul kedua tidak mengklaim mengukur daya beli murni secara teoritis. Target yang diprediksi adalah:

pengeluaran riil per kapita per bulan

Nilai tersebut kemudian diinterpretasikan sebagai proksi daya beli, karena merepresentasikan ruang belanja riil rumah tangga setelah penyesuaian inflasi.

Karakteristik implementasi saat ini:

• model utama menggunakan Ridge Regression
• inferensi simulasi memakai baseline wilayah terbaru dari data terproses
• fitur input aktif dapat dioverride pada skenario simulasi
• hasil diposisikan untuk membaca arah perubahan, bukan untuk klaim presisi absolut tinggi

Workflow Sistem

Data resmi
  -> preprocessing & harmonisasi
  -> feature engineering
  -> training / evaluasi model
  -> artefak model & JSON hasil
  -> Django dashboard & API layer
  -> visual insight untuk pengguna

Arsitektur Ringkas

Layer	Peran
datasets/processed	sumber data terproses untuk modeling
dashboard/train_inflation_multihorizon.py	training dan evaluasi forecast inflasi multi-horizon
dashboard/train_daya_beli_ridge.py	training model Ridge untuk proksi daya beli
models/	artefak model dan hasil forecast
dashboard/predictions/views.py	API dan delivery layer ke frontend
dashboard/predictions/templates/	halaman dashboard dan modul visual

Sumber Data dan Model Inti

Data

Repositori ini menggunakan kombinasi data resmi dan referensi ekonomi, termasuk:

• BPS untuk inflasi dan indikator sosial-ekonomi terkait
• Bank Indonesia untuk konteks moneter domestik
• World Bank / FRED / sumber pasar publik untuk variabel eksternal yang relevan
• endpoint kurs harian untuk USD/IDR pada panel live exchange rate

Model inti

Modul	Model Produksi / Kandidat
Forecast inflasi	ARIMA, SARIMAX, Prophet, LSTM, Bi-LSTM, Ensemble, Naive
Proksi daya beli	Ridge Regression

Tech Stack

Framework dan aplikasi

• Django untuk web application dan API delivery
• Python sebagai inti data-processing dan modeling pipeline

Key libraries

• pandas / numpy untuk manipulasi data
• scikit-learn untuk pipeline regresi dan evaluasi
• statsmodels untuk ARIMA / SARIMAX
• Prophet untuk alternative forecasting
• PyTorch untuk LSTM / Bi-LSTM
• matplotlib / seaborn untuk eksplorasi dan visualisasi pendukung

Quick Start

1. Install dependencies

pip install -r requirements.txt

2. Jalankan aplikasi

python dashboard/manage.py runserver

3. Jalankan test utama

python dashboard/manage.py test predictions.tests

Retrain Pipeline

Retrain proksi daya beli

python dashboard/train_daya_beli_ridge.py

Retrain forecast inflasi multi-horizon

python dashboard/train_inflation_multihorizon.py

Script forecasting akan memperbarui artefak yang dipakai web, termasuk:

• ranking model per horizon
• dua model terbaik per horizon
• point forecast
• confidence interval
• payload JSON untuk dashboard

Struktur Repo

.
|-- dashboard/
|   |-- manage.py
|   |-- predictions/
|   |   |-- templates/predictions/
|   |   |-- static/predictions/
|   |   `-- views.py
|   |-- train_inflation_multihorizon.py
|   `-- train_daya_beli_ridge.py
|-- datasets/
|   `-- processed/
|       |-- clean_inflasi_ts.csv
|       `-- clean_daya_beli.csv
|-- docs/
|   `-- readme/
|       `-- hero-ecodash.png
|-- models/
|   |-- inflation_multihorizon_forecast.json
|   |-- inflation_multihorizon_comparison.json
|   |-- forecast_results.json
|   `-- best_daya_beli_ridge.pkl
`-- README.md

Evaluasi dan Catatan Interpretasi

• Forecast horizon pendek lebih cocok untuk pembacaan operasional jangka dekat.
• Forecast horizon panjang tetap berguna, tetapi harus dibaca bersama confidence interval.
• Nilai R^2 pada model proksi daya beli adalah goodness-of-fit, bukan akurasi klasifikasi.
• Modul proksi daya beli saat ini lebih kuat untuk membaca arah tekanan dan perubahan relatif, dibanding klaim angka absolut yang sangat presisi.

Antarmuka Utama

Halaman	Fungsi
Home (/)	landing page dan headline publik
Dashboard (/dashboard/)	pusat monitoring operasional
Forecasting (/forecasting/)	analisis forecast multi-horizon
Daya Beli (/daya-beli/)	simulasi proksi daya beli berbasis model
Panduan (/panduan/)	panduan pembacaan dan panduan teknis
Map (/map/)	peta ekonomi Indonesia dengan filter indikator dan tahun

Use Cases

• presentasi akademik dan demonstrasi proyek
• eksplorasi insight inflasi lintas horizon
• pembacaan pergeseran tekanan ekonomi regional
• komunikasi visual hasil modeling kepada audiens profesional

Tim

Nama	Peran
Muhammad Rajif Al Farikhi	Backend
Sahrul Adicandra Effendy	Backend + Data
Semaya David Petroes Putra	Modelling
Adrina Firda Marwah	Modelling
Okan Athallah Maredith	Frontend

---

_{EcoDash dikembangkan sebagai dashboard analitik ekonomi yang memadukan disiplin data, forecasting, dan presentasi visual yang siap ditunjukkan secara profesional.}