Estimasi Inflasi di Indonesia:

dengan Metode ARIMA

Januari 2006 s.d. Februari 2013

Kelompok I
r

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