PENDAHULUAN
1.1
Latar Belakang
indeks
harga
konsumen.
Dengan
demikian
angka
inflasi
sangat
mempengaruhi daya beli masyarakat yang berpenghasilan tetap, dan di sisi lain
juga mempengaruhi besarnya produksi barang. Dalam ilmu ekonomi, inflasi
merupakan proses meningkatnya harga-harga secara umum dan terus-menerus
(kontinu) berkaitan dengan mekanisme pasar yang dapat disebabkan oleh berbagai
faktor, antara lain, konsumsi masyarakat yang meningkat, berlebihnya likuiditas
di pasar yang memicu konsumsi atau bahkan spekulasi, sampai termasuk juga
akibat adanya ketidaklancaran distribusi barang. Dengan kata lain, inflasi juga
merupakan proses menurunnya nilai mata uang secara kontinu. Contoh inflasi di
Indonesia antara lain kenaikan harga bahan bakar minyak (BBM) dari waktu ke
waktu. Kenaikan harga BBM juga dipengaruhi oleh tingginya permintaan dari
masyarakat (konsumen) dan rendahnya persediaan BBM tersebut.
Inflasi dapat digolongkan menjadi empat golongan berdasarkan tingkat
keparahannya, yaitu inflasi ringan, sedang, berat, dan hiperinflasi. Inflasi ringan
terjadi apabila kenaikan harga berada di bawah angka
antara
atau inflasi tak terkendali terjadi apabila kenaikan harga berada di atas
setahun. Inflasi di Indonesia dibagi menurut kelompok komoditi yaitu sandang,
makanan jadi, minuman, rokok, tembakau, perumahan, air, listrik, gas, bahan
bakar, kesehatan, pendidikan, rekreasi, olahraga, transpor, komunikasi dan jasa
keuangan, serta indeks umum.
Sandang merupakan kebutuhan pokok manusia. Jumlah dan harga bahan
sandang yang sering berubah memberikan pengaruh pada nilai dari sandang.
Gejolak nilai ini menimbulkan inflasi sandang. Setiap tahun BPS membuat
1
catatan bulanan tentang inflasi menurut kelompok komoditi salah satunya yaitu
inflasi pada komoditi sandang. Data-data tersebut diperlukan untuk mengetahui
dan memperkiraan besar inflasi pada komoditas sandang pada periode yang akan
datang. Data inflasi Indonesia pada komoditas sandang periode Januari 2010
sampai dengan Maret 2015 merupakan data tunggal dan terurut dalam waktu,
sehingga dalam statistik runtun waktu dapat dianalisis menggunakan model
runtun waktu.
Model runtun waktu yang merupakan kombinasi linier dari proses white
noise adalah model Moving Average (MA). Model MA( ) adalah model deret dan
rata-rata bergerak yang mempunyai orde . Model MA( ) hanya dapat diterapkan
pada data yang stasioner baik terhadap rata-rata maupun variansinya. Pada
penulisan makalah ini perhitungan model MA( ) menggunakan bantuan software
Minitab 16 dan Eviews 5.
2.
1.3 Tujuan
Tujuan penulisan makalah ini adalah
1.
2.
1.4 Manfaat
Manfaat penulisan makalah ini adalah
1.
2.
BAB II
LANDASAN TEORI
2.1 Tinjauan Pustaka
Model moving average adalah suatu model untuk menganalisis data
stasioner yang terurut dalam waktu. Apabila data mengalami proses moving
average berorde q maka model untuk data tersebut adalah MA(q).
Untuk menganalisis data dengan model MA terdapat beberapa tahap yang
perlu dilakukan yaitu identifikasi, estimasi, diagnostik, dan peramalan. Dalam
setiap tahap tersebut terdapat beberapa subtahap yang harus dilakukan sehingga
akan diperoleh model yang sesuai dengan data.
2.2 Identifikasi
Untuk mengidentifikasi data dengan model MA diperlukan pengertian
dasar tentang runtun waktu, kestasioneran, model-model MA, dan autokorelasi.
disebut runtun waktu. Runtun waktu dikatakan deterministik jika keadaan yang
datang dapat diramalkan secara pasti berdasarkan data sebelumnya.
Makridakis [2] menyatakan bahwa data yang digunakan dalam model MA
adalah data yang stasioner.
2.2.2 Model MA
Mmenurut Cryer [1], model moving average dengan order q atau proses
MA(q), didefinisikan sebagai
dengan
Proses MA(1)
dimana {
. Mean
adalah
dan untuk
2.2.3 Kestasioneran
Model MA hanya dapat diterapkan pada data yang stasioner.
Kestasioneran data ada dua yaitu stasioner terhadap rata-ratanya dan stasioner
terhadap variansinya. Deret data dikatakan stasioner jika dibangkitkan oleh proses
yang didasarkan pada rata-rata yang konstan dan variansi yang konstan disekitar
rata-ratanya. Dalam kenyataannya jarang sekali ditemukan deret data yang
stasioner. Kebanyakan deret data adalah tidak stasioner terutama data-data yang
berhubungan dengan bidang ekonomi. Jika data tidak stasioner terhadap variansi
maka diperlukan transformasi untuk menstasionerkan data.
2.2.4 Autokorelasi
Menurut Cryer [1], fungsi autokorelasi (ACF) pada lag k menyatakan
hubungan keeratan antara variabel random pada saat
saat
sebagai berikut:
(
)
(
dengan
(
(
))
[ (( )(
(
) (
( ) (
))
)(
[ ( ) (
( ) (
) (
)]
(
( (
) (
)]
)]
)]
)) )
dan
( )
( )
(
(
(
(
)
)
)
)
(
(
))
)(
)]
))
)
(
[ ((
)
( ) (
)]
[
(
)
(
) (
[ ( ) (
)
( ) (
[ (
) (
)
(
) (
)]
(
( (
)]
)]
[ (( )(
[ ((
( )
(
[
)
(
)(
)]
)
(
=
Dengan menggunakan persamaan
{
Persamaan variansi dapat dihitung dengan
(
merupakan
deret yang konvergen. Proses autoregresi dan moving average dapat dipandang
sebagai ekuivalen dan diharapkan apabila model tingkat rendah tipe yang satu
yang dapat menjelaskan dengan baik suatu runtun waktu maka demikian juga
dengan model tingkat tinggi tipe yang lain. Tentu saja prinsip persimoni akan
memilih model dengan tingkat rendah sebagai representasi runtun waktu.
Dipandang proses MA(1) :
dimana {
adalah
[(
)(
. Mean
)]
sehingga
(
dan
Proses variansi
Secara teoristis berikut ini merupakan sifat-sifat ACF dan PACF untuk prosesproses yang diketahui.
Table 2.1 Perbandingan ACF dan PACF pada AR(p) dan MA(q)
Proses
ACF
MA(q)
AR(p)
Menurun secara
ekponensial atau mengikuti
bentuk gelombang sinus
yang terendam.
PACF
Menurun secara
eksponensial atau mengikuti
bentuk gelombang sinus
yang terendam
Terputus setelah lag p
2.3 Estimasi
Metode yang digunakan untuk mengestimasi parameter adalah metode
momen untuk mendapat nilai estimasi awal dan metode kuadrat terkecil untuk
mendapatkan nilai estimasi akhir.
dari nilai-nilai yang diperoleh tersebut hanya satu nilai yang memenuhi syarat
invertible adalah | |
akan diperoleh
dengan: S. (
= nilai sisa
Penjabaran estimasi
Model MA(q) dinyatakan dalam bentuk:
10
berdistribusi normal.
H1 :
11
( )
H1 : tidak semua
( )
( )
2.5 Peramalan
Model yang diperoleh pada tahap estimasi dan telah melalui diagnostik
dapat digunakan untuk peramalan beberapa periode waktu yang akan datang.
Bentuk peramalan untuk 1 periode waktu kedepan adalah
( )
12
[(
13
( ( ))]
BAB III
METODE PENELITIAN
14
BAB IV
PEMBAHASAN
4.1
Deskripsi Data
inflasi
Indonesia pada komoditi sandang periode Januari 2010 sampai dengan Maret
2015 yang diambil dari website Badan Pusat Statistik (dapat dilihat di lampiran).
Dalam menganalisis data tersebut, digunakan software E-Views 8.
4.2
Identifikasi Model
Nilai Inflasi
Gambar 4.1. Plot Time Series data inflasi Indonesia pada komoditi
sandang periode Januari 2010 - Maret 2015
Berdasarkan Gambar 4.1 di atas, terlihat bahwa data berfluktuasi pada
mean data yang terlihat hampir konstan. Oleh karena itu, dugaan sementara data
inflasi Indonesia pada komoditi sandang periode Januari 2010 sampai dengan
15
Maret 2015 telah stasioner terhadap mean dan variansi. Menurut Rosadi [3] untuk
membuktikan dugaan tersebut, dapat digunakan Unit Root Test Augmented
Dickey-Fuller pada E-Views 8 sebagai berikut.
(ii)
(iii) Daerah kritis:
ditolak jika
(v) Kesimpulan
Karena
, maka
ditolak artinya
16
(ii)
(iii) Daerah kritis:
ditolak jika
output
software
E-Views
diperoleh
(v) Kesimpulan
Karena
, maka
Autocorrelation
Function
17
(ACF).
Berikut
merupakan
plot
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
ACF
0.283503
-0.113838
0.010448
-0.158213
-0.085668
0.010617
-0.099121
-0.141765
-0.102245
0.124299
0.226171
0.081969
0.095961
0.048318
-0.006117
T
2.25
-0.84
0.08
-1.15
-0.61
0.08
-0.70
-1.00
-0.71
0.85
1.54
0.54
0.63
0.31
-0.04
LBQ
5.31
6.18
6.19
7.92
8.44
8.45
9.17
10.66
11.46
12.65
16.68
17.22
17.97
18.17
18.17
(ii)
(iii) Daerah kritis:
(iv)
ditolak jika
atau
Statistik Uji
Dari Gambar 4.4 diperoleh nilai
18
(v)
Kesimpulan
Karena
dilihat pada plot ACF dengan data terputus (cut off) setelah lag pertama. Jadi
dapat disimpulkan bahwa parameter model MA adalah
, sehingga model
untuk data inflasi Indonesia pada komoditi sandang periode Januari 2010 - Maret
2015 adalah MA(1). Bentuk dari model MA(1) dapat ditulis sebagai berikut:
4.2.1
19
(ii)
(iii) Daerah kritis:
ditolak jika
bahwa
dalam model.
Gambar 4.6. Plot kenormalan residual data inflasi Indonesia pada komoditi
sandang periode Januari 2010 - Maret 2015
Uji hipotesis
(i)
(ii)
(iii) Daerah kritis:
ditolak jika
20
(v) Kesimpulan
Karena
berarti
21
( )
(ii)
(iii) Daerah kritis : H0 ditolak jika
(iv) Statistik uji :
Dari gambar 4.8 didapatkan
22
(v) Kesimpulan
Karena
(ii)
(iii) Daerah Kritis:
ditolak jika
23
Gambar
didapatkan
.
(v)
Kesimpulan
Karena,
maka
tidak
4.3
Peramalan
Peramalan
April 2015
0.100626
Mei 2015
0.364866
Juni 2015
0.364866
Berdasarkan Tabel 4.1 terlihat bahwa nilai peramalan inflasi Indonesia pada
komoditi sandang bulan April 2015 adalah 0.100626, bulan Mei 2015 adalah
0.364866, dan Juni 2015 adalah 0.364866.
24
BAB V
KESIMPULAN
dngan,
= observasi runtun waktu pada waktu t
= sesatan(white noise)
2. Peramalan inflasi Indonesia pada komoditi sandang periode Januari 2010 Maret 2015 untuk tiga periode yang akan datang adalah 0.100626, 0.364866,
dan 0.364866.
25
DAFTAR PUSTAKA
[1]
Cryer, J. D., Time Series Analysis, Duxbury Press, United State of Amarica,
1986.
[2]
[3]
[4]
[5]
26
LAMPIRAN
Data inflasi Indonesia pada komoditi sandang periode Januari 2010 - Maret 2015
Tahun
2010
2011
2012
Bulan
Januari
-0.20
Februari
-0.47
Maret
0.01
April
0.14
Mei
1.19
Juni
0.93
Juli
-0.09
Agustus
0.06
September
1.08
Oktober
1.73
November
0.89
Desember
1.08
Januari
0.15
Februari
-0.08
Maret
0.38
April
0.75
Mei
0.64
Juni
0.57
Juli
0.62
Agustus
3.07
September
0.97
Oktober
-1.26
November
1.36
Desember
0.20
Januari
-0.08
Februari
1.22
27
2013
2014
Maret
0.15
April
-0.46
Mei
-0.22
Juni
0.39
Juli
0.18
Agustus
0.86
September
1.47
Oktober
0.94
November
-0.10
Desember
0.24
Januari
0.25
Februari
-0.59
Maret
-0.70
April
-1.13
Mei
-1.22
Juni
-0.29
Juli
-0.09
Agustus
1.81
September
2.99
Oktober
-0.56
November
-0.03
Desember
0.17
Januari
0.55
Februari
0.57
Maret
0.08
April
-0.25
Mei
0.12
Juni
0.30
Juli
0.85
Agustus
0.23
28
2015
September
-0.17
Oktober
0.21
November
-0.08
Desember
0.64
Januari
0.85
Februari
0.52
Maret
-0.08
29