Anda di halaman 1dari 15

JEK T  <>     *44/    

Model ARIMAX Dan Deteksi GARCH


Untuk Peramalan Inflasi Kota Denpasar Tahun 2014

Rukini*)
Badan Pusat Statistik Provinsi Bali

ABSTRAK

pemerintah dalam mengambil kebijakan untuk menjaga stabilitas moneter di masa yang akan datang. Secara
time series, pendekatan kausal, dan gabungan
antara pendekatan time series dan kausal. Model dengan pendekatan gabungan yang banyak digunakan

dikenal juga dengan model regresi dinamis. Selain itu, pendekatan Generalized Autoregresive Conditional
Heteroscedasticity
Penelitian ini akan dijelaskan prosedur pembentukan model ARIMAX dan deteksi GARCH sebagai studi kasus

in-sample adalah model intervensi


dengan nilai AIC dan SBC terkecil, sedangkan untuk data out-sample
Lagrange Multiplier menunjukkan
tidak ditemukan adanya unsur heteroskedastisitas pada model ARIMAX.

ARIMAX Model And GARCH Detection


2014

ABSTRACT

time series time series

Generalized
Autoregresive Conditional Heteroscedasticity

in-sample
out-sample
Langrange Multiplier
in ARIMAX model.

*) E-mail: iinrukini@gmail.com


Model Arimax Dan Deteksi Garch Untuk Peramalan Inflasi Kota Denpasar Tahun 2014 [Rukini]

PENDAHULUAN white noise


yaitu residual mempunyai mean nol dan mempunyai

meningkatnya harga barang dan jasa secara umum, Dalam praktek, pemodelan ARIMA atau ARIMAX
terus menerus dan saling mempengaruhi. Penyebab pada suatu data ekonomi seringkali memberikan
residual dengan varians yang tidak konstan
(heterogen). Engle (1982) memperkenalkan model
dan Output Gap yang berupa ketidakseimbangan Autoregressive Conditional Heteroscedasticity
antara permintaan dan pasokan (Hasbullah, 2012).
mengandung varians yang tidak konstan. Kemudian
model ARCH disempurnakan menjadi Generalized
ARCH (GARCH) oleh Bolerslev (1986). Metode
ini mampu mengatasi heteroskedastisitas dalam

terhadap perekonomian negara, maka perlu dilakukan telah diuraikan diatas, maka rumusan masalah
dalam penelitian ini adalah: Bagaimana prosedur
akan datang guna menentukan langkah-langkah yang pembentukan model ARIMAX dengan prediktor
harus disiapkan dalam menghadapi kondisi ekonomi (input) gabungan data metrik dan non metrik dan

model ARIMAX dengan prediktor gabungan data


time series. Model time series yang paling metrik dan data non metrik serta berapa nilai ramalan
populer dan banyak digunakan dalam peramalan data
time series univariat adalah model Autoregressive berdasarkan model ARIMAX
Integrated Moving Average atau yang dikenal dengan
model ARIMA (Makridakis et al., 1998). Prosedur Metode ARIMA Box-Jenkins
Prosedur pembentukan model ARIMA meliputi

mendapatkan model ARIMA yang sesuai pada suatu cek diagnosa dan peramalan.
(ARIMA) dibagi ke dalam 3 kelompok, yaitu: model
Penelitian-penelitian sebelumnya mengenai autoregressive (AR), moving average (MA), dan
model campuran ARMA (autoregressive moving
time series multivariate diantaranya dilakukan oleh average) yang mempunyai karakteristik dari dua
Kismiantini dan Dhoriva (2010) dampak penurunan model pertama.

di Kota Yogyakarta menggunakan model intervensi


dengan step function dan Rokimah (2012) yang a. Bentuk model AR ( p ) atau model ARIMA ( p, 0, 0)
secara umum adalah :
Sampai t= t-1 + 2 t-1 + ... + p t-p + at
hari ini sejauh penulis ketahui belum ada penelitian p (B) t = at
yang melibatkan gabungan input metrik (yaitu jumlah
b. Bentuk model MA (q) atau model ARIMA (0, 0, q )
secara umum adalah:
listrik (TDL) dan kejadian bom Bali), khususnya t = at – 1at-1 – 2at-2 – ... qat-q (2)
yang menjelaskan prosedur pembentukan modelnya. t= (B)at
Metode pendekatan gabungan yang banyak digunakan
c. Bentuk model ARMA ( p, q ) atau model ARIMA
( p, 0, q ) ) secara umum adalah:
Sebagai salah satu metode dalam analisis data time t = t-1 + 2 t-1 + ... + p t-p + at – 1at-1 –
series, ARIMA dan ARIMAX menjadi metode yang 2at-2 – ... qat-q .......................................... (3)
dipakai secara luas dalam ekonometrika. Metode ini
mensyaratkan beberapa kondisi yang harus dipenuhi, d. Bentuk umum model ARIMA adalah :
d
antara lain data harus stasioner, baik stasioner dalam p (B) (1–B) t= 0 q (B)at............................(4)
mean ataupun stasioner dalam varians. Selain itu,


JURNAL EKONOMI KUANTITATIF TERAPAN7PM/Pt"(64564

Tabel 1. Karakteristik ACF dan PACF yang Stasioner


Proses ACF PACF
Autoregressive orde p Dies down Cuts off setelah lag ke-p
Moving Average orde q Cuts off setelah lag ke-q Dies down
ARMA orde (p,q) Dies down Dies down

e. Sedangkan gabungan antara model ARIMA Noise. Pengujian selanjutnya yaitu uji asumsi residual
non musiman dan ARIMA musiman disebut berdistribusi normal. Pengujian ini dilakukan dengan
menggunakan Kolmogorov Smirnov (Daniel, 1989).
berikut : Hipotesis yang digunakan adalah :
p(Bs) p(1 – B)d 1 – Bs)D t = q(B) s
Q(B )at
H 0 : Fn ( x) F0 ( x) atau residual berdistribusi normal
...... (5) H1 : Fn ( x) F0 ( x) atau residual tidak berdistribusi
normal
2) Estimasi Parameter Statistik uji :
Ada beberapa cara yang dapat digunakan untuk D sup | Fn ( x) F0 ( x) | .................................(8)
x
mendapatkan parameter-parameter model ARIMA
(Wei, 2006), antara lain: Metode Momen; Metode
Maximum Likelihood, dan Metode OLS (Ordinary normal; Fn ( x)
adalah suatu data asal; dan n = banyaknya residual. Nilai Dhitung
parameter pada model ARIMA (mencakup , , dan dibandingkan dengan nilai D pada tabel Kolmogorov-
) dan adalah nilai estimasi dari parameter tersebut, Smirnov dengan derajat bebas n . Daerah penolakan:
serta s.e ( ) adalah standar error dari nilai taksiran Tolak H 0 jika Dhitung Da ,n atau dapat menggunakan
p-value p-value < berarti H 0 ditolak yang
sebagai berikut: berarti residual tidak berdistribusi normal.
Hipotesa:
H0 : = 0 4) Pemilihan Model Terbaik
H0 : Untuk menentukan model terbaik dapat digunakan
Statistik uji: kriteria pemilihan model yang berdasarkan residual
( ) dan kesalahan peramalan (Wei, 2006). Adapun
t= .......................................(6) kriteria pemilihan model yang berdasarkan residual
s.e( ) pada data in-sample menggunakan nilai AIC dan
SBC. Sedangkan untuk pemilihan model berdasarkan
Daerah penolakan : Tolak H 0 jika | t | ta /2; n m kesalahan peramalan pada data out-sample
atau menggunakan nilai p-value < artinya parameter menggunakan nilai RMSE

Model ARIMAX
3) Pemeriksaan Diagnostik
Pemeriksaan diagnosis residual dari model, yaitu input
white noise juga berdistribusi normal. tunggal ( xt ) dan output tunggal ( yt ) adalah (Wei,
Pengujian asumsi white noise menggunakan uji Ljung- 2006):
Box dengan hipotesis sebagai berikut: y1 = v(B)x1 t
H0 1 = 2 = ... = K = 0 (residual White Noise)
s(B) q(B)
H1 : minimal ada satu k 0 (residual tidak White yt = ____ _____ at .................................(9)
Noise), r(B) p(B)
dengan k 1, 2,..., K
Statistik Uji: Tahapan Pembentukan Model ARIMAX dengan
K
Input
Q n(n 2) (n k ) 1 rˆ kk22
berikut ini.
k 1
a.
daerah penolakan: Tolak H 0 jika Q > 2( .K-m), (i) Mempersiapkan deret input dan deret output
dengan (orde ARMA) atau dengan input dan deret output
menggunakan p-value < , artinya model tidak diasumsikan deret input xt mengikuti proses
sesuai karena residual tidak memenuhi asumsi White ARMA :


Model Arimax Dan Deteksi Garch Untuk Peramalan Inflasi Kota Denpasar Tahun 2014 [Rukini]

f x(B)x1 = qx(B)at
intervensi, ada dua metode yang dapat dilakukan
dimana at adalah white noise. Deret at yaitu : yaitu : 1) Metode Eksploratori dimana order
(b, r , s ) didapatkan melalui suatu besaran statistik
f x(B) ............................................(11)
at = ______ untuk mengeksplorasi kemungkinan order (b, r , s )
qx(B)xt yang sesuai dengan melihat plot residual (Yt*); dan
(b, r , s )
dan untuk deret bt adalah:
time series
f x(B) y
bt = ______ t tersebut.
qx(B) b. Estimasi Parameter Model Intervensi
c. Diagnosa Model Fungsi Intervensi
(iii)Penghitungan Crosscorrelation Function (CCF)
dan autokorelasi untuk deret input dan deret 3) Prosedur Pembentukan Model ARIMAX Input
output yang telah di-prewhitening. Gabungan Data Metrik dan Non Metrik
Tahapan Pembentukan Model ARIMAX Input
gab(k)
rab(k) = ______ Gabungan Data Metrik dan Non Metrik dijabarkan
sasb(B) berikut ini.
k = 0, ±1, ±2

(iv) Penaksiran bobot respon impuls input gabungan data metrik dan non metrik
(v) Penetapan (b, r , s ) dapat dilakukan dengan dua kemungkinan: 1)
berdasarkan plot CCF ( p, q )
noise series) model intervensi sama maka tahapan estimasi
dilakukan dengan (b, r , s )
nˆt yt vˆ( B) xt (bi , ri , si ) dari model intervensi serta
( p, q ) ( p, q )
wˆws (sB
______
) b
(B)
nˆt = yytt — B Bxbtxt tahap estimasi dicobakan untuk masing-masing
ˆ
d d(rB )
(B)
r
model yaitu: (b, r , s )
(vii) Penentuan model ARIMA dari deret gangguan (bi , ri , si ) dari model intervensi serta ( p, q) dari
nt (b, r , s ) dari model
f p(B)nt =qq(B)at (bi , ri , si ) dari model intervensi
serta ( p, q ) dari model intervensi.
b. b. Estimasi Parameter Model ARIMAX dengan input
c. gabungan data metrik dan non metrik
c. Diagnosa Model ARIMAX dengan input gabungan
2) Prosedur Pembentukan Model Intervensi data metrik dan non metric
Bentuk umum dari model intervensi adalah
dijabarkan pada Persamaan 16 berikut (Wei, 2006). DATA DAN METODOLOGI

k w
w sjsj( B ) I
_____ (B) q_____
q (B)
q (qB )
Data yang digunakan dalam penelitian ini adalah
yt I jj,t at at
j
d
d rj
1 rj ((B)
B )
,t
f f(
p p B(B)
)
Tahapan Pembentukan Model ARIMAX dengan data tentang kejadian-kejadian khusus yang diduga
Input Data Non Metrik (Model Intervensi) dijabarkan
berikut ini. kenaikan TDL, dan kejadian Bom Bali I dan II. Data

Desember 2013. Pada proses analisis, data akan


intervensi dibagi menjadi dua bagian yaitu data training untuk
(ii) Menentukan model ARIMA menggunakan pembentukan model dan data testing untuk validasi

(b, r, s) 2000 sampai dengan Desember 2013 digunakan


JURNAL EKONOMI KUANTITATIF TERAPAN7PM/Pt"(64564

No Keterangan Skala
1 Yt Metrik (interval)
2 X1t Metrik (rasio)
3 X2j,t Kejadian kenaikan BBM ke-j pada bulan ke-t Nonmetrik (nominal)
4 X3j,t Kejadian kenaikan TDL ke-j pada bulan ke-t Nonmetrik (nominal)
5 X4j,t Kejadian bom Bali ke-j pada bulan ke-t Nonmetrik (nominal)

Waktu (t) Intervensi % Kenaikan Tanggal Kejadian


10 X21,t 16,37% 1Oktober 2000
18 X22,t 30,12%
25 X23,t 28,23%
37 X24,t 21%
63 X25,t 30% 1 Maret 2005
70 X26,t 126% 1 Oktober 2005
101 X27,t 28,73% 24 Mei 2008
162 X28,t 44 %

Waktu (t) Intervensi % Kenaikan Tanggal Kejadian


37 X31,t 6%
40 X32,t 6% April 2003
43 X33,t 6%
46 X34,t 6% Oktober 2003
127 X35,t 6%
133 X36,t 10%
157 X37,t 4%
160 X38,t 4% April 2013
163 X39,t 4%
166 X310,t 4% Oktober 2013

tukan model ARIMAX terdiri dari prosedur pembentu-


kan model dengan input data metrik (dikenal dengan
Waktu (t) Intervensi Tanggal Kejadian
34 X41,t Oktober 2002 model dengan input data nonmetrik (dikenal dengan
70 X42,t Oktober 2005
model intervensi). Tahapan-tahapan yang akan di-
lakukan untuk pengembangan prosedur pembentukan
sebagai data training (in-sample) dan data periode model ARIMAX telah diuraikan sebelumnya. Model
yang didapat kemudian dipilih berdasarkan kriteria
testing (out-sample). -
Secara umum ada dua variabel yang digunakan tisitas varians dari semua model apakah mengandung
dalam penelitian ini, yaitu variabel respon (output) unsur heteroskedastisitas. Langkah terakhir adalah
dan variabel prediktor (input menentukan nilai ramalan berdasarkan model ter-
baiknya.
bulanan di Kota Denpasar. Sedangkan variabel input
penelitian terdiri atas variabel data metrik, yaitu HASIL DAN PEMBAHASAN

ke Bali, dan variabel data non metrik yaitu kejadian Pembentukan Model ARIMA untuk Data Inflasi
kenaikan BBM, kejadian kenaikan TDL, dan kejadian Kota Denpasar
bom Bali. Semua variabel penelitian tersebut diamati Plot time series
dalam periode bulan. Denpasar akan digambarkan pada Gambar 1, 2, dan 3.
Tahapan pengembangan prosedur untuk pemben- -


Plot time
Plotseries
time dan
seriesplot
danACF
plotdari
ACFdata
dariinflasi
data inflasi
Kota Denpasar
Kota Denpasar
akan digambarkan
akan digambarkan
pada Gambar
pada Gambar
1, 2, dan
1, 2,
3. dan 3.
Model Arimax Dan Deteksi Garch Untuk Peramalan Inflasi Kota Denpasar Tahun 2014 [Rukini]

Gambar
Gambar
1. Time1.Series
Time Plot
SeriesInflasi
Plot Inflasi
Kota Denpasar
Kota Denpasar

Gambar 1. Time Series

Gambar
Gambar
2. Plot2.ACF
PlotInflasi
ACF Inflasi Gambar
Gambar
3. Plot3.PACF
Plot PACF
Inflasi Inflasi
Kota Denpasar
Kota Denpasar Kota Denpasar
Kota Denpasar
Autocorrelation
Autocorrelation Partial Autocorrelations
Partial Autocorrelations
Lag -1Lag
9 8 7 -1
6 59 48 37 26 15 04 13 2 31 40 51 62 73 84 95 16 7 8 9 Lag
1 -1 9Lag
8 7 -1
6 59 48 37 26 15 04 13 2 31 40 51 62 73 84 95 16 7 8 9 1
0 |0 | |********************|
|********************| 1 | 1 | . |* . . |* . | |
1 |1 | . |* . . |* . | 2| | 2 | ****| . ****| . | |
2 |2 | ****| . ****| . | 3| | 3 | . | . . | . | |
3 |3 | . | . . | . | 4| | 4 | . |* . . |* . | |
4 |4 | . |**. . |**. | 5| | 5 | . *| . . *| . | |
5 |5 | . *| . . *| . | 6| | 6 | . | . . | . | |
6 |6 | . | . . | . | 7| | 7 | . |**. . |**. | |
7 |7 | . |*** . |*** | 8| | 8 | .**| . .**| . | |
8 |8 | . *| . . *| . | 9| | 9 | . | . . | . | |
9 |9 | .**| . .**| . | 10| | 10 | . |* . . |* . | |
10 |10 | . |* . . |* . | 11| | 11 | . | . . | . | |
11 |11 | . |* . . |* . | 12| | 12 | . |* . . |* . | |
12 |12 | . |* . . |* . | |

Gambar 1 Menunjukkan
Gambar 1 Menunjukkan bahwabahwadata sudah stasioner,
data sudah namunnamun
stasioner, ada satu
ada titik
satu titik
ekstrim yang diduga
ekstrim dapat dapat
yang diduga mempengaruhi pemodelan.
mempengaruhi Plot
pemodelan. ACF
BerdistribusiPlot pada
ACF Gambar
pada 2
Gambar 2
Model White Noise AIC SBC
terlihatterlihat
bahwabahwaada lag Parameter
ada yang keluarkeluar
lag yang dari batas Normal
signifikansi
dari batas (lag ke-2
signifikansi (lag ada
ke-2 yang
ada yang
ARIMA (2,0,0) v v v 328.9216
signifikan) artinyaartinya
signifikan) data belum white noise.
data belum Berdasarkan
white noise. Plot ACF
Berdasarkan Plot dan
ACFPlot Plot 347.6653
danPACF PACF
ARIMA ([1,2],0,0) v v v 323.4389 345.3067
dugaan
ARIMA model model
dugaan
(0,0,2) ARIMA untuk- untuk
ARIMA data inflasi kota
v Denpasar
data inflasi seperti
kota Denpasar disajikan
- seperti pada Tabel
disajikan pada 6.Tabel 6.
Pada Tabel
Pada 6Tabel
menunjukkan bahwabahwa
6 menunjukkan model model
ARIMA yang sesuai
ARIMA untuk untuk
yang sesuai data inflasi Kota Kota
data inflasi
er,Denpasar
namun adaadalah
Denpasar ARIMA
satu adalah
titik ekstrim ([1,2],0,0),
ARIMAyang diduga dimana
([1,2],0,0), semuasemua
dapatdimana asumsiasumsi
telah terpenuhi dan dan
telah terpenuhi
memiliki
mempengaruhi nilaipemodelan.
memiliki AIC dan
nilai SBC
AIC dan
Plotterkecil.
SBC pada
ACF terkecil.
Gambar
-
Tabel 6. Hasil6.Identifikasi
Tabel ModelModel
Hasil Identifikasi ARIMA Inflasi Inflasi
ARIMA Kota Denpasar
Kota Denpasar
belum white noise. Berdasarkan Plot ACF dan Plot
Signifikansi
Signifikansi Berdistribusi
White White Berdistribusi
ModelModel AIC AIC SBC SBC
Parameter
ParameterNoise
Denpasar seperti disajikan pada Tabel 6. Pada Tabel 6 Noise Normal
Normal
ARIMAARIMA
(2,0,0) (2,0,0) v v v v v v 328.9216328.9216
347.6653
347.6653
ARIMAARIMA
([1,2],0,0)
([1,2],0,0) v v v v v v 323.4389323.4389
345.3067
345.3067
ARIMA
dimana ARIMA
(0,0,2)
semua (0,0,2)telah terpenuhi
asumsi - - memiliki
dan v v - -
nilai AIC dan SBC terkecil.

Tahapan Pengembangan Prosedur Pembentu-


kan model ARIMAX

(Input Data Metrik)


-
dies down
melalui beberapa tahapan berikut. yang lambat dan berulang pada periode ke-12. Hal ini
(i) Mempersiapkan deret input dan deret output.
Deret input mean -


Wisman
put dan deret output.
di fokus pada penelitian ini adalah jumlah wisatawan Lag Autocorrelations
-1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
JURNAL EKONOMI KUANTITATIF TERAPAN7PM/Pt"(64564
0 | |********************|
1 | . |****************** |
mlah Gambar 5. Plot ACF Jumlah Wisman
2
3
|
| .
. |*****************
|***************
|
|
4 | . |************* |
. 5 | . |************ | -
6 | . |*********** |
Autocorrelations 7 | .
ara Setelah
|**********
Differencing
|
1 Reguler Dan
Lag -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 981 | . Musiman
|********* 12 |
0 | 9
|********************| | . |********. |
1 | . |****************** 10| | . |****** . |
Partial Autocorrelations
2 | . |***************** 11| | . |****** . |
Lag -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
3 | . |*************** 12| | . |******* . |
13| | 1 .| |***** .***| . | |
4 | . |************* 2 | . *| . |
5 | . |************ 14| | . |**** . |
6 | . |*********** 15| | .3 | |** . . | .| |
7 | . |********** 16| | .4 | |** . . | .| |
8 | . |********* 17| | .5 | |* . . | .| |
18 | . 6 | | . . |* .| |
9 | . |********. | 7 | . | .| |
10 | . |****** . 19 | | . | .
20 | . 8 | | . . *| .| |
11 | . |****** . |
21 | .9 | |* . . |* .| |
12 | . |******* . |
22 | .10 | |* . . *| .| |
13 | . |***** . |
23 | .11 | |** . . |***| |
14 | . |**** . |
24 | .12 | |** **********|
. .| |
15 | . |** . |
16 | . |** . |
17 | . |* . |
Gambar
18 |5 menunjukkan
. |plot ACF. jumlah| wisatawan mancanegara, dimana
19 | . | . |
terlihat
20 |pola dies . down yang| lambat
. dan| berulang pada periode ke-12. Hal
21 | . |* . | 12
ini 22mengindikasikan
| . bahwa
|* data. belum stasioner
| dalam mean Model ARIMA dan
(rata-rata) (0,1, 0)(0,1,1)
23 | . |** . |
adanya
24 |faktor musiman.
. |**Sehingga
. perlu| dilakukan differencing 1 reguler
kemudian di differencing musiman 12. Parameter Estimasi p-value Keputusan

plot ACF jumlah Gambar 6. Plot ACF


wisatawan Jumlah Wisatawan
mancanegara, -
dimanaMancanegara qSetelah
12 0,67698 1 <0,0001
Differencing
ara Reguler
Setelah DanDifferencing
Musiman 12 1 Regule dan
yang lambat dan berulang Musiman pada
12 periode ke-12. Hal
hwa data belum stasioner dalam mean (rata-rata) dan
Autocorrelations
Lag -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 dalam model.
n. Sehingga perlu 0 dilakukan differencing
| 1 reguler
|********************|
1 | ***| . |
musiman 12. 2 | . | . | residual model ARIMA (0,1, 0)(0,1,1)12 menunjukkan
3 | . | . |
mlah Wisatawan Mancanegara
4 | Setelah
. | Differencing
. 1 | nilai p-value yang lebih besar dari a = 0,05 maka H 0
Musiman 12 5
6
|
|
. |* .
. |* .
|
|
7 | . | . | atau tidak terdapat korelasi antar lag atau residual
8 | . *| . |
tions sudah white noise. Oleh sebab itu model ARIMA
1 2 3 4 5 6 7 8 9 1 9 | . |* . |
*******************| 10
11
|
|
. *| .
. |***
|
|
(0,1, 0)(0,1,1)12 layak digunakan dengan Persamaan
. |
. |
12 | **********| . | (17) berikut.
. |
.
.
|
|
(1 B)(1 B)12 x1t (1 12 B12 )at
. |
. | (1 B)(1 B)12 x1t (1 0, 67698 B12 )at
. ga perlu
| dilakukan differencing 1 reguler kemudian di
. |
. differencing
| musiman 12. (ii) Pemutihan deret input dan pemutihan deret
**
.
Gambar
|
|
6 dan Gambar 7 menunjukkan plot ACF output
Setelah didapatkan model ARIMA (0,1, 0)(0,1,1)12
differencing 1 reguler dan differencing musiman maka pemutihan deret input dan deret output dapat
12. Setelah dilakukan proses differencing, plot ACF ditentukan yaitu dari Persamaan (18) diperoleh
persamaan deret input berikut.
rata-rata. Melalui plot ACF dan PACF tersebut dapat
(1 B)(1 B12 ) xt
aatt
(1 0, 67698 B12 )
pola PACF yang dies down dan ACF cut off di lag 12,
(1 B)(1 B12 ) yt
maka dugaan model ARIMA yang terbentuk adalah bbtt
12
model ARIMA (0,1, 0)(0,1,1) . Langkah selanjutnya (1 0, 67698 B12 )
adalah estimasi parameter dan diagnostik model deret Langkah selanjutnya setelah pemutihan deret
input input dan deret output adalah pengecekan korelasi
silang antar deret input dan deret output yang telah
12
ARIMA (0,1, 0)(0,1,1) mempunyai nilai p-value diputihkan.
kurang dari a = 0,05 maka H 0 ditolak yang berarti (iii) Penghitungan korelasi silang antar deret input
(0,1, 0)(0,1,1)12 dan deret output yang telah diputihkan.


nt yt v( B) x1t
(21)
nt t (Arimax
yModel 0 B) x1
Dan1 Deteksit Garch Untuk Peramalan Inflasi Kota Denpasar Tahun 2014 [Rukini]

(vi) Identifikasi bentuk model ARIMA untuk nt


Dengan melihat plot ACF pada deret noise pada 12
Gambar 8, dimana plot
Tabel 8. Hasil Uji White Noise Residual Model ARIMA (0,1, 0)(0,1,1)
ACF cut off di lag 1,2,7,12. Dengan mengestimasi dan uji signifikansi
Lag parameter dugaan MA (1,2,7,12).DF Maka dugaan model p-valuederet noise Keputusan
adalah
6 4,33 12 5 0,5023
ARIMA (0,1,[1, 2])(0,1,1) . Setelah model ARIMA untuk deret noise didapat White Noise
12 7,05 11 0,7950 White Noise
maka model fungsi transfer terbentuk pada Persamaan (22).
18 8,65 17 2 12
0,9507 White Noise
24 yt ( 0 1 B) x1t
10,48 (1 1B 2 B )(1
23 12 B )at 0,9879 White
(22) Noise

Gambar.
Gambar. 8 Plot ACF Dari Deret 8 Plot ACF Dari Deret Noise
Noise
Autocorrelation Plot of Residuals
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 2.680499 1.00000 | |********************| 0
1 -0.974651 -.36361 | *******| . | 0.080322
2 -0.737619 -.27518 | ******| . | 0.090319
3 0.247094 0.09218 | . |** . | 0.095575
4 0.558381 0.20831 | . |**** | 0.096147
5 -0.599711 -.22373 | ****| . | 0.099016
6 -0.187429 -.06992 | . *| . | 0.102226
7 0.712285 0.26573 | . |***** | 0.102534
8 -0.276189 -.10304 | . **| . | 0.106884
9 -0.419819 -.15662 | .***| . | 0.107523
10 0.530894 0.19806 | . |**** | 0.108985
11 0.553794 0.20660 | . |**** | 0.111283
12 -1.266280 -.47240 | *********| . | 0.113731

b. Estimasi parameter model fungsi transfer


Pada tahap ini penghitungan korelasi silang dan
Berdasarkan Tabel 9 dapat disimpulkan bahwa parameter model fungsi nt
autokorelasi dilakukan pada masing-masing deret input Dengan melihat plot ACF pada deret noise pada
transfer telah signifikan dengan taraf signifikansi 5%, dimana memiliki nilai p-
dan deret output yang telah diputihkan. Tujuannya Gambar 8, dimana plot ACF cut off di lag 1,2,7,12.
value lebih besar dari alpha 0,05. Persamaan model fungsi transfer yang
adalah untuk mengetahui apakah ada hubungan dari
terbentuk adalah seperti tertuang dalam Persamaan (23).
dugaan MA (1,2,7,12). Maka dugaan model deret noise
yt
Dari hasil korelasi 0, 0000162
silang x1t 0,akan
diharapkan 0000198 x1t 1 adalah ARIMA (0,1,[1, 2])(0,1,1)12 . Setelah model
diperoleh
hasil dimana deret input tidak mempengaruhi deret (23)
(1 0,81474B 0, 20846B 2 )(1 0,ARIMA 76412Buntuk
12
)at deret noise
output. Penentuan nilai (b, r , s ) didasarkan pada
hasil plot Crosscorrelation Function (CCF). Analisis y1 = w0 — w1B)x1t (1 — q1B — q2B2)(1-q12B12)at
korelasi silangTabel
antara9.deret
Hasilinput
Estimasi
dan dan
deretUji Signifikansi Parameter Model Fungsi Transfer
output
Parameter Estimasi p-value Lag Variabel Keputusan
0 dan 1, sehingga diduga
1
nilai b=0, r=0, dan s=1 yang
0,81474 <,0001 1 yt Signifikan
2 0,20846 0,0270 2 yt Signifikan
selanjutnya.
12 0,76412 <,0001 12 yt Signifikan
1 -0,0000162 0,0017p-value lebih
0 besar dari
x1t alpha 0,05.
Signifikan
Persamaan model
2 -0,0000198 0,0001 1 x1t Signifikan
dalam Persamaan (23).
dalam korelasi silang antara deret input dan yt = 0, 0000162 x1t + 0, 0000198 x1t 1
deret output yang telah diputihkan seperti pada
c. Diagnosa Model Fungsi Transfer + (1 0,81474 B 0, 20846 B )(1 0, 76412 B12 )at 2
Persamaan (20).
Tabel 10 menunjukkan bahwa model fungsi transfer telah memenuhi asumsi
.........(23)
white
ˆv( B ) x1t (wnoise wdimana
B)x1 dengan taraf signifikansi 5% memiliki nilai p-value lebih
(w00 — w1 1B ) x1t t
besar dari 0,05. Tabel 4.6 menunjukkan hasil uji normalitas terhadap residual
nt telah memenuhi asumsi white noise dimana dengan
p-value lebih besar
komponen noise dari 0,05. Tabel 4.6 menunjukkan hasil uji normalitas
menggunakan Persamaan (21) berikut.
p-value
nt yt vˆ( B) x1t
nt yt (w00 —ww1 B
(w 1B)x1
) x1t t


JURNAL EKONOMI KUANTITATIF TERAPAN7PM/Pt"(64564

Parameter Estimasi p-value Lag Keputusan


q1 0,81474 <,0001 1 yt
q2 0,20846 0,0270 2 yt
q12 0,76412 <,0001 12 yt
w1 -0,0000162 0,0017 0 x1t
w2 -0,0000198 0,0001 1 x1t

Tabel 10. Hasil Uji White Noise


-
Lag DF p-value Keputusan
6 3,06 3 0,3820 White Noise
12 11,04 9 0,2730 White Noise
18 13,33 15 0,5771 White Noise
24 18,12 21 0,6414 White Noise
30 25,96 27 0,5206 White Noise

Tabel 11. Hasil Uji Normalitas Residual Model Fungsi

Gambar 10. Time Series


Test p-value Keputusan Saat Kenaikan BBM Pada t=10, t=18,
Kolmogorov- Berdistribusi t=25 Dan t=37
0,063668 0,1286
Smirnov Normal

Denpasar pada bulan ke-t dipengaruhi oleh jumlah

mancanegara pada bulan ke-(t-1) sebesar -0,0000198.

2) Prosedur Pembentukan Model Intervensi (Input


Data Non Metrik)
Penetuan order (b, r, s) untuk masing-masing

melihat plot time series pada setiap t dimana terjadi


intervensi tersebut.
Saat Kenaikan BBM Pada t=63, t=70
Pembentukan model ARIMAX (semua Inter-
dan t=101
vensi)

Intervensi gabungan dari masing-masing kejadian


intervensi dapat dilihat pada Tabel 12. Untuk kejadian
bom Bali II pada bulan Oktober 2005 tidak terlihat,

Sehingga tidak dimasukkan ke dalam model. Hasil

15 dan Gambar 16.

5% memiliki nilai p-value kurang dari 0,05.


Sehingga model intervensi yang diperoleh dapat
ditulis dalam Persamaan 24.


Model Arimax Dan Deteksi Garch Untuk Peramalan Inflasi Kota Denpasar Tahun 2014 [Rukini]

Gambar 12. Time Series


Saat Kenaikan TDL Pada t=37, t=40, Saat Kenaikan TDL Pada t=127 dan
t=43 dan t=46 t=133

Gambar 14. Time Series Plot Kejadian Bom Bali I dan II Pada t=34 dan t=70

Kenaikan BBM
(Oktober 2005)
Bom Bali I Bom Bali II
(Oktober 2002) (Oktober 2005)

Kenaikan BBM
Kenaikan BBM 2005)
(Oktober
Bom Bali I (OktoberBom
2005)
Bali II
Bom Bali I
(Oktober 2002) Bom(Oktober
Bali II 2005)
Intervensi Waktu
(Oktober(t)
2002) b r s Intervensi Waktu (t)
(Oktober 2005) b r s
Kenaikan BBM 10 1 0 0 Kenaikan TDL 37 0 0 0
18 1 0 0 40 0 0 0
25 0 0 1 43 0 0 1
37 0 0 0 46 0 0 0
63 0 0 0 127 0 0 0
70 0 0 0 133 0 0 0
101 1 0 1 157 0 0 0
162 1 0 0 160 0 0 0
Bom Bali 34 1 0 1 163 0 0 0
70 0 0 0 166 0 0 0

Gambar 15. Plot ACF Residual Model Intervensi


Autocorrelation Plot of Residuals
Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error
0 0.333696 1.00000 | |********************| 0
1 0.044553 0.13351 | . |*** | 0.077615
2 -0.060624 -.18167 | ****| . | 0.078986
3 -0.054939 -.16464 | ***| . | 0.081465
4 -0.0074751 -.02240 | . | . | 0.083445
5 -0.033857 -.10146 | .**| . | 0.083481
6 0.010161 0.03045 | . |* . | 0.084221
7 0.044304 0.13277 | . |*** | 0.084287
8 -0.0052827 -.01583 | . | . | 0.085538
9 -0.010865 -.03256 | . *| . | 0.085555
10 0.0069664 0.02088 | . | . | 0.085630


JURNAL EKONOMI KUANTITATIF TERAPAN7PM/Pt"(64564

Gambar 16. Plot PACF Residual Model Intervensi


Partial Autocorrelations
Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1
1 0.13351 | . |*** |
2 -0.20312 | ****| . |
3 -0.11505 | .**| . |
4 -0.01936 | . | . |
5 -0.15854 | ***| . |
6 0.04124 | . |* . |
7 0.07857 | . |**. |
8 -0.07865 | .**| . |
9 0.03083 | . |* . |
10 0.02490 | . | . |

Parameter Estimasi p-value Lag variabel Keputusan


q0 0,46576 <,0001 0 Y 0
f1 0,20086 0,0166 1 Y 0
f 12 -0,25989 0,0024 2 Y 0
w1 1,42137 0,0090 0 X21,t 1
w2 2,79271 <,0000 0 X22,t 1
w3 1,58623 0,0050 0 X23,t 0
w4 -1,27509 0,0225 0 X23,t 0
w5 1,85592 0,0007 0 X25,t 0
w6 6,23734 <,0001 0 X26,t 0
w7 1,22027 0,0295 0 X27,t 1
w8 -1,16094 0,0377 1 X27,t 1
w9 1,67564 0,0021 0 X35,t 0
w10 1,26131 0,0202 0 X41,t 1
w11 1,90163 0,0006 0 X28,t 1

Yt 0, 46576 1, 42137 X 21,t 1 2, 79271X 22,t 1 1,58623 X 23,t 1, 27270 X 23,t


1,85592 X 25,t 6, 23734 X 26,t 1, 22027 X 27,t 1,16094 X 27,t 1

1,167564 X 35,t 1, 26131X 41,t 1 1,90163 X 28,t 1


(24)

at
Denpasar. Pengaruh terbesar yang ditimbulkan dari
(1 0, 20086 B 0, 25989 B 2 )
kenaikan harga BBM adalah pada bulan Oktober
2005 yaitu sebesar 6,23734 hal ini karena kenaikan
harga BBM pada bulan Oktober 2005 sebesar 126%.
-
Pengaruh yang ditimbulkan dari intervensi kenaikan
TDL sebesar 1,67564, sedangkan pengaruh yang
ditimbulkan karena kejadian bom Bali I sebesar
1,26131.
Tabel 14 menunjukkan hasil uji white noise

semua kejadian intervensi telah memenuhi asumsi


white noise. Pada uji normalitas residual model juga
telah memenuhi asumsi berdistribusi normal. Dengan
p-value sebesar
0,1500 yang lebih besar dari 0,05 seperti terlihat pada
Tabel 15.
besarnya pengaruh yang ditimbulkan oleh semua 3) Pembentukan model ARIMAX dengan input
gabungan data metrik dan nonmetrik.


Model Arimax Dan Deteksi Garch Untuk Peramalan Inflasi Kota Denpasar Tahun 2014 [Rukini]

Tabel 14. Hasil Uji White Noise Residual Model Intervensi


Lag DF p-value Keputusan
6 5,54 4 0,2362 White Noise
12 9,68 10 0,4694 White Noise
18 14,27 16 0,5789 White Noise
24 16,69 22 0,7804 White Noise
30 21,71 28 0,7947 White Noise

Tabel 15. Hasil Uji Normalitas Residual Model Intervensi


Test p-value Keputusan
Kolmogorov-Smirnov 0,044789 0,1500 Berdistribusi Normal

Input Gabungan Data Metrik dan

Parameter Estimasi p-value Lag variabel Keputusan


q0 0,77837 <,0001 1 Y 0
f1 0,47697 <,,0001 2 Y 0
f 12 0,69847 <,0001 12 Y 0
w1 4,59041E-6 0,0644 0 X1t 0
w2 2,21040 <,0001 0 X22,t 1
w3 1,05282 0,0499 0 X23,t 0
w4 1,68185 0,0017 0 X25,t 0
w5 6,71510 <,0001 0 X26,t 0
w6 1,34984 0,0178 0 X27,t 1
w7 -1,33521 0,0190 1 X27,t 1
w8 -1,48901 0,0061 0 X33,t 0
w9 1,74742 0,0013 0 X35,t 0
w10 0,96184 0,0820 0 X41,t 1
w11 1,74865 0,0033 0 X28,t 1

Tabel 17. Hasil Uji White Noise Residual Model ARIMAX Dengan Input Gabungan Data Metrik Dan Non Metrik
Lag DF p-value Keputusan
6 1,46 3 0,6920 White Noise
12 8,42 9 0,4927 White Noise
18 12,77 15 0,6203 White Noise
24 15,53 21 0,7952 White Noise
30 22,53 27 0,7102 White Noise

Hasil penelitian yang diperoleh menunjukkan


(p,q) lag telah memenuhi asumsi white noise, dimana
order (p,q) dari model intervensi berbeda, sehingga memiliki nilai p-value lebih besar dari 0,05.
dicobakan untuk masing-masing model. Sehingga model yang diperoleh dapat ditulis dalam
a. Pembentukan model ARIMAX dengan input Persamaan (25) berikut.
gabungan data metrik dan non metrik berdasarkan Yt 0, 0000045 X 1t 2, 2140 X 22,t 1, 05282 X 23,t
1, 68185 X 25,t 6, 71510 X 26,t 1, 34984 X 27,t
1, 33521X 27,t 1 1, 48901X 33,t 1, 74742 X 35,t
Model ARIMAX dengan input gabungan data metrik
dan non metrik setelah dikeluarkan variabel data non 0, 96184 X 41,t 1 1, 74865 X 28,t 1

(1 0, 77837 B 0, 47697 B 2 )(1 0, 69847 B12 )at

p-value
0,1 Pengujian asumsi kenormalan dengan uji Kol-
Tabel 16 menunjukkan hasil uji white noise residual mogorov-Smirnov -
model ARIMAX dengan input gabungan data metrik miliki nilai p-value lebih besar dari 0,05. Sehingga


JURNAL EKONOMI KUANTITATIF TERAPAN7PM/Pt"(64564

Tabel 18.Hasil Uji Normalitas Residual Model ARIMAX Dengan Input Gabungan Data Metrik Dan Non Metrik
Test p-value Keputusan
Kolmogorov-Smirnov 0,063657 0,1317 Berdistribusi Normal

Input Gabungan Data Metrik dan

Parameter Estimasi p-value Lag variabel Keputusan


f1 0,77837 0,0001 1 Y 0
f2 0,47697 0,0179 2 Y 0
w1 2,44988E-6 <,0001 0 X1t 0
w2 1,54260 0,0058 0 X21,t 1
w3 2,98848 <,0001 0 X22,t 1
w4 1,80873 0,0026 0 X23,t 0
w5 -1,53507 0,0097 1 X23,t 0
w6 2,07939 0,0002 0 X25,t 0
w7 6,50381 <,0001 0 X26,t 0
w8 1,11309 0,0618 0 X27,t 1
w9 -1,02743 0,0835 1 X27,t 1
w10 1,47657 0,0082 0 X35,t 0
w11 1,38938 0,0127 0 X41,t 1
w12 1,78885 0,0016 0 X28,t 1

Tabel 20. Hasil Uji White Noise Residual Model ARI-


MAX Dengan Input Gabungan Data Metrik lag telah memenuhi asumsi white noise, dimana
dan Non Metrik memiliki nilai p-value lebih besar dari 0,05.
Lag DF p-value Keputusan Yt 0, 00000024 X 1t 1,54260 X 21,t 1 2,98848 X 22,t 1

6 1,93 4 0,7488 White Noise 1,80873 X 23,t 1,53507 X 23,t 2, 07939 X 25,t
12 10,03 10 0,4381 White Noise
18 17,67 16 0,3435 White Noise
6,50381X 26,t 1,11309 X 27,t 1, 02743 X 27,t 1

24 22,05 22 0,4568 White Noise 1, 47657 X 35,t 1,38938 X 41,t 1 1, 78885 X 28,t 1
30 28,77 28 0,4243 White Noise
at
Tabel 21. Hasil Uji Normalitas Residual Model ARI- (1 0, 77837 B 0, 47697 B 2 )
MAX Dengan Input Gabungan Data Metrik
dan Non Metrik
Test p-value Keputusan Pengujian asumsi kenormalan dengan uji
Kolmogorov- Berdistribusi Kolmogorov-Smirnov
0,05205 0,1500
Smirnov Normal memiliki nilai p-value lebih besar dari 0,05. Sehingga

asumsi berdistribusi normal.


asumsi berdistribusi normal.
Identifikasi Heteroskedastisitas pada Varians
b. Pembentukan model ARIMAX dengan input Residual Model ARIMAX
gabungan data metrik dan non metrik berdasarkan Keempat model tersebut telah memenuhi asumsi
model Intervensi. white noise dan berdistribusi
normal. Langkah selanjutnya adalah pendeteksian
ARIMAX dengan input gabungan data metrik dan non terhadap adanya heteroskedastisitas pada keempat
metrik berdasarkan model intervensi terlihat pada model tersebut. Hasil deteksi heteroskedastisitas
dengan uji Lagrange Multiplier
p-value keempat model tidak ditemukan adanya unsur
heteroskedastisitas, dimana nilai p-value lebih besar
Tabel 20 menunjukkan hasil uji white noise residual dari alpha (0,05).
model ARIMAX dengan input gabungan data metrik


heteroskedastisitas dengan dengan
heteroskedastisitas uji Lagrange Multiplier
uji Lagrange diperoleh
Multiplier bahwa keempat
diperoleh bahwa keempat model model
tidak ditemukan adanya adanya
tidak ditemukan unsur heteroskedastisitas,
unsur heteroskedastisitas,dimana dimananilai p-value lebih besar
nilai p-value lebih besar
dari alpha (0,05).
dari alpha (0,05). Model Arimax Dan Deteksi Garch Untuk Peramalan Inflasi Kota Denpasar Tahun 2014 [Rukini]

Tabel 22.Tabel
Hasil22.
UjiHasil
Heteroskedastisitas Tabel 23.Tabel
Uji Heteroskedastisitas Hasil23.
UjiHasil
Heteroskedastisitas
Uji Heteroskedastisitas
DenganDengan
Uji LM Pada
Uji LMModel
Pada Model DenganDengan
Uji LM Pada
Uji LMModel
Pada Model
Tabel 22. HasilIntervensi
Uji Heteroskedastisitas Dengan Uji Tabel 23. Hasil Uji Heteroskedastisitas Dengan Uji
Intervensi Fungsi Transfer
Fungsi Transfer
LM Pada Model Intervensi

Q and LM Tests forLM


Q and ARCH Disturbances
Tests for ARCH Disturbances Q and LM Tests forLM
Q and ARCH Disturbances
Tests for ARCH Disturbances
Order Q Pr > Q Q PrLM
Order > Q Pr > LMLM Pr > LM Order Q Pr > Q Q PrLM
Order > Q Pr > LM
LM Pr > LM
1 0.3198
1 0.5717
0.3198 0.2854
0.5717 0.5932
0.2854 0.5932 1 0.0472
1 0.8280
0.0472 0.0632
0.8280 0.8015
0.0632 0.8015
2 0.3350
2 0.8458
0.3350 0.2946
0.8458 0.8630
0.2946 0.8630 2 0.0652
2 0.9679
0.0652 0.0838
0.9679 0.9590
0.0838 0.9590
3 0.6426
3 0.8866
0.6426 0.6652
0.8866 0.8813
0.6652 0.8813 3 0.1719
3 0.9820
0.1719 0.1759
0.9820 0.9814
0.1759 0.9814
4 0.7867
4 0.9402
0.7867 0.7358
0.9402 0.9468
0.7358 0.9468 4 0.1721
4 0.9965
0.1721 0.1765
0.9965 0.9963
0.1765 0.9963
5 1.4578
5 0.9179
1.4578 1.3849
0.9179 0.9260
1.3849 0.9260 5 0.4533
5 0.9937
0.4533 0.4825
0.9937 0.9928
0.4825 0.9928
6 1.5805
6 0.9540
1.5805 1.5419
0.9540 0.9567
1.5419 0.9567 6 0.5075
6 0.9977
0.5075 0.5610
0.9977 0.9970
0.5610 0.9970
7 1.8957
7 0.9654
1.8957 1.8807
0.9654 0.9661
1.8807 0.9661 7 1.0445
7 0.9941
1.0445 1.0316
0.9941 0.9943
1.0316 0.9943
8 1.9383
8 0.9828
1.9383 2.0267
0.9828 0.9802
2.0267 0.9802 8 1.1892
8 0.9967
1.1892 1.1782
0.9967 0.9969
1.1782 0.9969
9 3.0646
9 0.9617
3.0646 2.8846
0.9617 0.9687
2.8846 0.9687 9 1.2877
9 0.9984
1.2877 1.2883
0.9984 0.9984
1.2883 0.9984
10 3.1461
10 0.9778
3.1461 2.9202
0.9778 0.9832
2.9202 0.9832 10 2.8102
10 0.9855
2.8102 2.7816
0.9855 0.9861
2.7816 0.9861
11 3.1463
11 0.9886
3.1463 2.9320
0.9886 0.9916
2.9320 0.9916 11 2.9815
11 0.9910
2.9815 2.9925
0.9910 0.9908
2.9925 0.9908
Tabel 12
24. Hasil
6.2253
12 Uji Heteroskedastisitas
0.9043
6.2253 6.6056
0.9043 0.8825
Tabel 24. Hasil Uji Heteroskedastisitas
6.6056 0.8825 Tabel 25.
12 Hasil
3.0807Uji Heteroskedastisitas
0.9949 3.1470 0.9944
Tabel 25. Hasil Uji Heteroskedastisitas
12 3.0807 0.9949 3.1470 0.9944
Dengan
Tabel 24. Hasil Uji LM Pada
Uji Dengan Model
Heteroskedastisitas
Uji LM PadaDengan
ModelUji Dengan
Tabel Uji Uji
25. Hasil LMHeteroskedastisitas
Dengan Pada Model
Uji LM Pada ModelDengan Uji LM
Gabungan
LM Berdasarkan
Pada Gabungan
Model Gabungan Model
Berdasarkan
Berdasarkan Model GabunganPada Berdasarkan Model
Gabungan Berdasarkan Model Model
Model Gabungan Berdasarkan
Fungsi Transfer Intervensi
Intervensi
Fungsi Transfer Intervensi
Q and LM Tests forLM
Q and ARCH Disturbances
Tests for ARCH Disturbances Q and LM Tests forLM
Q and ARCH Disturbances
Tests for ARCH Disturbances
Order Q
OrderPr > Q Q PrLM > Q Pr > LM
LM Pr > LM Order Q
OrderPr > Q Q PrLM > Q Pr > LM
LM Pr > LM
1 0.4474
1 0.5036
0.4474 0.4890
0.5036 0.4844
0.4890 0.4844 1 0.4058
1 0.5241
0.4058 0.4382
0.5241 0.5080
0.4382 0.5080
2 1.2118
2 0.5456
1.2118 1.2409
0.5456 0.5377
1.2409 0.5377 2 0.4227
2 0.8095
0.4227 0.4513
0.8095 0.7980
0.4513 0.7980
3 1.3771
3 0.7109
1.3771 1.3584
0.7109 0.7153
1.3584 0.7153 3 0.4293
3 0.9341
0.4293 0.4792
0.9341 0.9234
0.4792 0.9234
4 1.4326
4 0.8385
1.4326 1.4687
0.8385 0.8322
1.4687 0.8322 4 0.9340
4 0.9196
0.9340 0.9170
0.9196 0.9221
0.9170 0.9221
5 1.5960
5 0.9017
1.5960 1.9649
0.9017 0.8540
1.9649 0.8540 5 2.1895
5 0.8224
2.1895 1.9256
0.8224 0.8593
1.9256 0.8593
6 1.6023
6 0.9524
1.6023 2.0586
0.9524 0.9142
2.0586 0.9142 6 2.3812
6 0.8815
2.3812 1.9992
0.8815 0.9198
1.9992 0.9198
7 2.4301
7 0.9323
2.4301 3.2170
0.9323 0.8642
3.2170 0.8642 7 2.5989
7 0.9195
2.5989 2.3037
0.9195 0.9411
2.3037 0.9411
8 7.7410
8 0.4592
7.7410 7.7675
0.4592 0.4565
7.7675 0.4565 8 2.6653
8 0.9536
2.6653 2.3554
0.9536 0.9681
2.3554 0.9681
9 7.8717
9 0.5471
7.8717 8.3281
0.5471 0.5015
8.3281 0.5015 9 3.9113
9 0.9172
3.9113 3.4643
0.9172 0.9430
3.4643 0.9430
10 11.2992
10 0.3347
11.2992 10.1671
0.3347 0.4260
10.1671 0.4260 10 3.9142
10 0.9511
3.9142 3.4904
0.9511 0.9674
3.4904 0.9674
11 11.4078
11 0.4098
11.4078 11.1353
0.4098 0.4320
11.1353 0.4320 11 3.9742
11 0.9707
3.9742 3.6707
0.9707 0.9786
3.6707 0.9786
12 14.5980
12 0.2642
14.5980 13.2203
0.2642 0.3532
13.2203 0.3532 12 8.8426
12 0.7163
8.8426 8.7456
0.7163 0.7245
8.7456 0.7245

Tabel 26. Kriteria


Pemilihan ModelPemilihan
Terbaik Model ARIMAX Ber- Tabel 27. Kriteria Pemilihan Model ARIMAX Ber-
Pemilihan
dasarkan
Model Terbaik
Data In-Sample dasarkan Data Out-Sample
Hasil analisis dari ketiga
Hasil analisis darimodel
ketiga ARIMAX, model intervensi
model ARIMAX, merupakan
model intervensi model model
merupakan
ARIMAX Model
terbaik berdasarkanAIC data in-sample
SBC dengan Model kriteria AIC, SBC
melihat RMSE
ARIMAX terbaik berdasarkan data in-sample dengan melihat kriteria 0,0981 AIC, SBC
memiliki nilai terkecil 427.7595
seperti 442.9443
terlihat pada Tabel
Intervensi
memiliki nilai terkecil seperti terlihat
292.8454 336.4132
pada26.
Tabel 26.
Intervensi 0,2301
311.3344 353.7605 0,5049
Tabel 26. Kriteria
Tabel Pemilihan
26. Kriteria Model ARIMAX
Pemilihan Berdasarkan
Model ARIMAX Data In-Sample
Berdasarkan Data In-Sample
308.0798 351.6476 0,3997
Intervensi Model Model Intervensi
AIC SBC
AIC SBC
Fungsi Transfer
Fungsi Transfer 427.7595427.7595 442.9443442.9443
Intervensi
Intervensi 292.8454292.8454 336.4132336.4132
Gab_berdasarkan model FT
Gab_berdasarkan model FT 311.3344311.3344 353.7605353.7605
Bulan
Gab_berdasarkan Ramalan
model Intervensi Aktual Bulan AktualRamalan
Gab_berdasarkan model Intervensi 308.0798308.0798
1,25 1,26 1,52
351.6476
- 351.6476
Februari 0,61 0,37 Agustus 0,29 -
Maret Sedangkan untuk
0,56 data
Sedangkan untukout-sample,
0,32model terbaik
data out-sample, model didasarkan
terbaik
September pada nilai
didasarkan pada
0,15 RMSE
nilai RMSE
-
terkecil.terkecil.
April Berdasarkan Tabel
0,26 27 model terbaik
0,13 untuk data
Oktober out-sample adalah
0,78 model
Berdasarkan Tabel 27 model terbaik untuk data out-sample adalah model -
fungsi transfer.
Mei -0,03
fungsi transfer. - Nopember -0,21 -
0,52 - Desember 0,99 -
Tabel 27. Kriteria
Tabel Pemilihan
27. Kriteria Model ARIMAX
Pemilihan Berdasarkan
Model ARIMAX Data Out-Sample
Berdasarkan Data Out-Sample
Model Model RMSE RMSE
Pemilihan Model Terbaik Tabel 26.
Fungsi Transfer
Fungsi Transfer 0,0981
Hasil analisis dari ketiga model ARIMAX, model Sedangkan untuk 0,0981
data out-sample, model terbaik
Intervensi
Intervensi 0,2301 0,2301
intervensi merupakan model ARIMAX terbaik didasarkan pada nilai RMSE terkecil. Berdasarkan
Gab_berdasarkan model FT 0,5049 0,5049
berdasarkan data Gab_berdasarkan model FT
in-sample dengan melihat kriteria Tabel 27 model terbaik untuk data out-sample adalah
Gab_berdasarkan model Intervensi
Gab_berdasarkan model Intervensi 0,3997 0,3997
AIC, SBC memiliki nilai terkecil seperti terlihat pada

Tabel 28. Hasil


Tabel 28.Ramalan TingkatTingkat
Hasil Ramalan Inflasi Kota Denpasar
Inflasi Tahun 2014
Kota Denpasar Berdasarkan
Tahun 2014 Berdasarkan
Model Fungsi Transfer
Model Fungsi Transfer 
Bulan Bulan Ramalan Ramalan Aktual Aktual Bulan Bulan Ramalan Aktual Aktual
Ramalan
JURNAL EKONOMI KUANTITATIF TERAPAN7PM/Pt"(64564

SIMPULAN REFERENSI

Berdasarkan rumusan masalah dan pembahasan Time Series


Analysis:Forecasting and Control (3rd ed. ).
analisis yang telah dilakukan, maka kesimpulan yang Bollerslev, T. (1986), A Generalized Autoregressive Condi-
dapat diperoleh adalah sebagai berikut, berdasarkan tional Heteroscedasti-city.
model ARIMAX yang telah diperoleh, Model vol.31:307-327
ARIMAX terbaik berdasarkan data in-sample adalah BPS Provinsi Bali, 2000-2013, Bali Dalam Angka
Engle, R.F. (1982), Autoregressive Conditional Heterosce-
model intervensi dengan nilai AIC dan SBC terkecil. .
Sedangkan berdasarkan data out-sample, model Econometrics, vol. 50:987-1008
Tangguh dengan Statistik akurat dalam
membaca Realita Dunia, penerbit Nuansa Cendikia.
Dampak penurunan harga BBM

menggunakan model Intervensi dengan Step Fungsi


Edisi Khusus Seminar Nasional Matematika, UNY, Yo-
gyakarta, 5 Desember 2009.
Metode
dan Aplikasi Peramalan. Edisi kedua jilid I penerbit
Erlangga
Denpasar pada bulan ke-(t-1) dipengaruhi oleh jumlah Pendekatan Fungsi Transfer dan Arti-

Timur. Tesis S2, Institut Teknologi Sepuluh Nopember


-0,0000198. Berdasarkan model intervensi yang Surabaya
diperoleh, pengaruh terbesar yang mempengaruhi Wei, W.W.S. (2006), Time Series Analysis Univariate and
Multivariate Method, Second Edition. Pearson Addison
Wesley, USA
kenaikan BBM terjadi pada bulan Oktober 2005 yaitu
Nuvitasari, E. (2009), Analisis Intervensi Multi Input Fungsi
sebesar 6,23734. Hal ini karena besarnya presentase Step dan Pulse untuk Peramalan kunjungan Wisatawan
kenaikan BBM pada bulan tersebut sebesar 126%. ke Indonesia, Tesis S2 Statistika, ITS, Surabaya.
Pengaruh terbesar kedua yang mempengaruhi tingkat Santoso, Teguh (2011), Aplikasi Model GARCH pada Data In-

yaitu sebesar 2,79271, dimana kenaikan BBM pada


id , 19 Mei 2013
Kota Denpasar yang dipengaruhi oleh kenaikan TDL Suhartono (2007), Teori dan Aplikasi Model Intervensi Fungsi
Pulse, , 7, No. 2, hal. 191-214.
Sumaryanto (2009), Volatilitas Harga Eceran Beberapa Ko-
moditas Pangan Utama dengan Menggunakan Model
ARCH dan GARCH.
unsur heteroskedastisitas. No.2, Oktober 2009:135-163. Diakses dari
pse.litbang.deptan.go.id pada 21 Agustus 2013
Widarjono, A. (2002), Aplikasi Model ARCH Kasus Tingkat
SARAN
Kajian Ekonomi Negara Berkembang Hal. 71-82.
Saran yang dapat diberikan berdasarkan hasil

tingkat suku bunga, kurs dolar AS dan lain sebagainya,


agar hasil dari model yang diperoleh untuk peramalan