Ms U Y Ms >Md + - DP Uang AD : DP Y AS : CP Y Barang Inflation is a process of continuously rising prices, or equivalently, of a continuously falling value of money Latar Belakang 2
Pendapatan Riil , Kekayaan Riil Tabungan Masyarakat Pertumbuhan Ekonomi Terhambat (5-6%) C,P,I Y Hutang Impor Trade Balance Capital Outflow CA BoP - Mengapa ? 3 0.00% 2.00% 4.00% 6.00% 8.00% 10.00% 12.00% 14.00% 16.00% 18.00% 20.00% 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85 Plot Data 4 Rational Expectations e = a dimana e = y-1 = y Forecasting (Jangka Pendek) Sederhana
Kenapa ARIMA ? 5 Metode ARIMA Bersifat univariat Menggunakan nilai masa lalu dan sekarang Mengabaikan masalah dependensi dari variabel lain Memiliki ketepatan yang baik untuk peramalan jangka pendek Dua bentuk umum ARIMA : Seasonal dan Non-Seasonal
Metodologi Penelitian 6
Identifikasi Model Estimasi parameter model Uji Diagnosis Prediksi Tidak Ya Diagram Alur Metodologi Box-jenkin Metodologi Penelitian 1. Identifikasi model tentatif
2. Pendugaan parameter
3. Cek diagnostic
4. Forecasting
Tahapan Tahapan Pembuatan Model ARIMA Identifikasi kestasioneran data Metode Box-Jenkins diterapkan pada data yang sudah stasioner Suatu data dikatakan stasioner jika : Rataan series konstan untuk setiap periode pengamatan. Varians atau ragam series konstan untuk setiap periode pengamatan. Kovarinas atau koragam dua series konstan untuk setiap periode pengamatan Jika data tidak stasioner maka harus distasionerkan telebih dahulu dan salah satu caranya adalah dengan melakukan pembedaan (differencing)
Metodologi Penelitian 8 Tahapan Pemodelan ARMA/ARIMA 1. Membuat plot data berdasarkan periode pengamatan Jika data berfluktuasi pada garis lurus atau di sekitar nilai tertentu dengan tingkat fluktuasi yang relatif sama maka data tersebut dikatakan cenderung stasioner 2. Penentuan orde p dan orde q Menggunakan hasil correlogram dari data series terkait
Metodologi Penelitian 9 Kriteria Pemilihan Model ARIMA Terbaik 1. Pilih model yang paling sederhana 2. Koefisien estimasinya signifikan 3. Nilai AIC dan SC relatif kecil 4. Nilai Standar Error of Regression relatif kecil 5. Nilai Sum Square Residual relatif kecil 6. Nilai Adjusted R-Squared relatif besar 7. Q-statistics dan correlogram menunjukkan bahwa nilai AC dan PAC tidak signifikan
Metodologi Penelitian 10 Identifikasi Pada Level 2. Identifikasi Coleogram 1. Identifikasi Grafik Identifikasi pada grafik menunjukkan kecenderungan membentuk trend (data tidak stasioner) Identifikasi pada Coleogram menunjukkan nilai p-value lebih kecil dari nilai kritis (5%) dan nilai ACF memotong garis batas dan menurun secara perlahan menuju nol (data tidak stasioner) 11 Identifikasi Pada Level 3. Uji ADF Hasil uji ADF pada level menunjukkan: Nilai |ADF test statistic| <|titik kritis taraf nyata 5%| yakni |-3,043546| < |-3,464198| nilai p-value lebih besar dari taraf nyata pada level 1%, 5%, dan 10%
Sehingga disimpulkan dimana H0 mengandung unit root diterima dan disimpulkan bahwa data bersifat tidak Stasioner 12 Identifikasi Pada First Difference 1. Identifikasi Grafik 2. Identifikasi Coleogram Identifikasi pada grafik menunjukkan kecenderungan fluktuatif di sekitar nilai tetap (data stasioner) Identifikasi pada Coleogram menunjukkan bahwa datanya sudah stasioner karena setelah time lag ke satu koefisien autokorelasi sudah tidak signifikan lagi (koefesien ACF menurun secara acak dan cepat menuju nol). 13 Identifikasi Pada First Difference 3. Uji ADF Hasil uji ADF pada first difference menunjukkan: Nilai |ADF test statistic| < |titik kritis taraf nyata 5%| yakni |-7,43982| > |-3,46198| nilai p-value lebih kecil dari taraf nyata pada level 1%, 5%, dan 10%
Sehingga disimpulkan dimana H0 mengandung unit root tidak diterima dan disimpulkan bahwa data bersifat Stasioner 14 Estimasi Model ARMA/ARIMA 1. ARIMA (1,1,1) 2. ARIMA (1,1,0) 15 Estimasi Model ARMA/ARIMA 3. ARIMA (0,1,1) Adj. R- squared AIC SC SSR SER ARIMA(1,1,1) 0,071455 6,206100 6,119285 0,009237 0,010679 ARIMA(1,1,0) 0,035401 6,179546 6,121669 0,009714 0,010884 ARIMA(0,1,1) 0,045853 6,192256 6,134782 0,009711 0,010816 KRITERIA PEMILIHAN MODEL ARIMA TERBAIK Berdasarkan perbandingan diatas model ARIMA terbaik adalah ARIMA (1,1,0) dikarenakan memenuhi kriteria: Koefisien estimasi signifikan Nilai SC dan AIC relatif kecil 16 Evaluasi Model Hasil ACF dan PACF dari nilai residual ternyata tidak ada yang signifikan hingga pada lag 36. Ini menunjukkan bahwa nilai residual yang diestimasi adalah random sehingga model ARIMA yang terpilih merupakan model terbaik 17 Peramalan STATIC FORECAST Berdasarkan output Eviews untuk static forecast untuk peramalan Inflasi 12 bulan kedepan berdasarkan ukuran MAPE (Mean Absolute Percent Error) terlihat bahwa tingkat kesalahan peramalan relatif kecil yaitu hanya 8.69 % NILAI PERAMALAN Peramalan Bulan Inflasi Januari 4.57% Februari 5.31% Maret 5.35% April 5.24% Mei 5.10% Juni 4.95% Juli 4.80% Agustus 4.65% September 4.50% Oktober 4.35% November 4.20% Desember 4.05% 18 Kesimpulan Penilitian ini menunjukkan bahwa ARIMA (1,1,0) merupakan model yang paling tepat dibandingkan model lain untuk meramalkan inflasi di Indonesia. Hasil ramalan menunjukkan bahwa inflasi di Indonesia 10 bulan kedepan mengalami rata-rata penurunan sebesar 3,4 % 19