Penentuan interval fuzzy merupakan tahap krusial dalam metode Fuzzy Time Series (FTS) karena secara langsung mempengaruhi akurasi peramalan. Metode FTS tidak mampu mengoptimalkan panjang interval secara efektif. Algoritma Particle Swarm Optimization (PSO) mampu menyesuaikan panjang interval fuzzy secara adaptif berdasarkan pola data, sehingga meningkatkan akurasi peramalan yang membentuk model FTS-PSO. Model ini digunakan untuk peramalan Indeks Harga Konsumen (IHK) yang memiliki peran penting dalam ekonomi dan pengambilan keputusan. Penelitian ini menggunakan data bulanan IHK periode bulan Januari 2019 hingga bulan Desember 2023. Pendekatan differencing juga diterapkan untuk menangkap pola data dengan lebih baik. Baik model FTS maupun FTS-PSO diuji dengan dan tanpa differencing, dan kinerjanya dievaluasi menggunakan RMSE dan MAPE. Perbandingan ini dilakukan untuk menunjukkan peningkatan kinerja yang diperoleh dari penerapan PSO, khususnya dalam mengatasi ketidakmampuan FTS Chen dalam penentuan interval yang optimal. Hasil penelitian menunjukkan bahwa model FTS-PSO dengan differencing memberikan performa terbaik pada data testing, dengan nilai RMSE sebesar 0,2023 dan MAPE sebesar 0,14%. Nilai tersebut lebih rendah dibandingkan model FTS dengan differencing, model FTS tanpa differencing, dan model FTS-PSO tanpa differencing. Model FTS-PSO memiliki kelemahan, seperti ketergantungan pada parameter awal PSO serta potensi overfitting jika data tidak cukup representatif.