Pergerakan inflasi yang fluktuatif dapat menimbulkan ketidakpastian dan mengganggu efektivitas kebijakan ekonomi. Oleh karena itu, diperlukan metode peramalan yang mampu menghasilkan prediksi yang akurat dan andal. Penelitian ini menggunakan metode Extreme Gradient Boosting (XGBoost) yang dioptimasi dengan Genetic Algorithm (GA) untuk meramalkan inflasi bulanan di Indonesia. Proses diawali dengan pre-processing data dan rekayasa fitur berupa variabel lag, rolling mean, dan rolling standard deviation untuk menangkap pola historis jangka pendek. Model dilatih menggunakan data tanpa standarisasi karena memberikan hasil yang lebih baik dibandingkan data yang distandarisasi. Optimasi hyperparameter dilakukan dengan GA untuk meningkatkan kinerja model. Hasil penelitian menunjukkan bahwa model terbaik menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 7.73%, Mean Absolute Error (MAE) sebesar 0.23, dan koefisien determinasi (R²) sebesar 0.94. Analisis feature importance menunjukkan bahwa niai lag 1 dari variabel inflasi merupakan fitur paling dominan, diikuti oleh lag 2, lag 3, serta variabel makroekonomi seperti M2, IHK, dan BI Rate. Hasil ini menegaskan bahwa informasi historis jangka pendek dan indikator ekonomi utama berperan penting dalam membentuk prediksi inflasi yang akurat dan dapat mendukung pengambilan kebijakan yang lebih tepat.