PERAMALAN TINGKAT INFLASI PADA BULAN OKTOBER 2018

DENGAN METODE PEMULUSAN YANG SESUAI

I. PENDAHULUAN

Inflasi merupakan suatu fenomena ekonomi yang menarik untuk dibahas. Inflasi merupakan
kecenderungan (trend) atau gerakan naiknya tingkat harga umum yang berlangsung secara terus-menerus
dari suatu periode ke periode berikutnya. Inflasi yang terkendali dan rendah dapat mendukung
terpeliharanya daya beli masyarakat. Sedangkan inflasi yang tidak stabil akan mempersulit dunia usaha
dalam perencanaan kegiatan bisnis, baik dalam kegiatan produksi dan investasi maupun dalam penentuan
harga barang dan jasa yang diproduksinya. Oleh karenanya diperlukan prediksi inflasi yang akurat di
masa mendatang agar para pelaku usaha dapat melakukan perencanaan yang matang dalam melakukan
kegiatan bisnisnya. Selain para pelaku usaha, prediksi inflasi juga diperlukan oleh pemerintah dalam
menetapkan RAPBN dan bagi masyarakat. Inflasi dapat digunakan sebagai bahan pertimbangan untuk
merencanakan suatu investasi. Sebagai salah satu variabel dalam ekonomi makro, jika inflasi dapat
diramalkan dengan model peramalan yang baik maka akan lebih dapat membantu dalam pengambilan
kebijakan ekonomi ataupun kebijakan lain yang memiliki dampak dari inflasi. Dengan adanya
permasalahan ini maka penulis tertarik untuk mangangkat masalah ini untuk sebuah penelitian.

II. TINJAUAN PUSTAKA

2.1 Teknik peramalan untuk data trend

Rangkaian Trend ditandai dengan adanya kecenderungan arah data bergerak naik (growth) atau
turun (decline) pada jangka panjang. Dengan kata lain runtun waktu dikatakan mempunyai Trend
jika nilai rata-ratanya berubah
sewaktu-waktu sehingga diharapkan untuk menambah atau mengurangi selama periode untuk
ramalan yang mana yang diinginkan.

Teknik peramalan untuk data trend digunakan jika:

a. Daya produksi yang meningkat atau kemajuan teknologi yang mendorong perubahan gaya
hidup (misal: permintaan barang elektronik).
Contoh: permintaan komponen elektronik, yang meningkat dengan adanya komputer dan
pemakaian jalan kereta api yang menurun karena adanya pesawat terbang.
b. Pertambahan jumlah penduduk yang mendorong pada permintaan barang dan jasa.
Contoh: pajak penjualan barang-barang konsumsi, permintaan konsumsi energi, dan penggunaan
bahan mentah.
c. Daya beli dolar yang mempengaruhi perekonomian (inflasi).
Contoh: gaji,biaya produksi dan harga.
d. Penerimaan pasar meningkat.
Contoh: periode pertumbuhan dalam putaran produk baru.

Teknik yang bisa digunakan yaitu:

1. Moving average
2. Holt’s linear exponential smoothing
3. Simple regression
4. Growth curve
5. Exponential
6. Autoregressive integrated moving average

2.2 Pengukuran Kesalahan Peramalan

a) Mean Absolute Deviation (MAD)

MAD digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk
rata-rata absolute kesalahan.

b) Mean Squared Error (MSE)

MSE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam rata-rata
kuadrat dari kesalahan.

c) Mean Absolute Percentage Error (MAPE)

MAPE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk
rata-rata persentase absolute kesalahan.

d) Mean Percentage Error

MPE digunakan untuk menentukan metode peramalan mana yang bias (peramalan tinggi atau
rendah). Jika peramalan mendekati tak bias, MPE akan menghasilkan angka yang mendekati nol.

Semakin kecil nilai-nilai MAPE, MAD, MSE, MPE maka semakin kecil nilai kesalahannya.
Oleh karena itu, dalam menetapkan model yang akan digunakan dalam peramalan, lebih baik
memilih model dengan nilai MAPE, MAD, MSE, MPE yang paling kecil.

III. METODE PENELITIAN

Metode penelitian yang dilakukan dan digunakan dalam tesis ini adalah bimbingan dan diskusi
dengan dosen pembimbing, studi literatur, dan pengolahan data. Sumber literatur diperoleh dari
buku, artikel, dan jurnal yang terkait dengan Forecasting by Smoothing Techniques. Selanjutnya
dilakukan studi kasus peramalan untuk data runtun waktu dengan metode yang relevan pada data
inflasi bulanan Indonesia pada Januari 2015 - September 2018. Sedangkan untuk pengkuran
kesalahan menggunakan Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Mean
Percentage Error (MAPE), dan Mean Absolute Percentage Error (MAPE). Nilai error yang
kecil, mengindikasikan hasil ramalan yang baik. Metode-metode pemulusan yang digunakan
penulis antara lain:

3.1 Naive

Naive model merupakan metode yang paling sederhana, menganggap bahwa peramalan periode
berikutnya sama dengan nilai aktual periode sebelumnya. Dengan demikian data aktual periode
waktu yang baru saja berlalu merupakan alat peramalan yang terbaik untuk meramalkan keadaan
di masa yang akan datang (lebih menekankan pada penggunaan data-data masa lalu untuk
menentukan atau meramalkan kondisi masa depan). Metode ini merupakan metode paling
sederhana karena mengasumsikan bahwa data yang baru saja terjadi merupakan prediksi paling
tepat untuk meramalkan priode yang akan datang.

3.2 Moving Average

Moving Average adalah metode peramalan perataan dengan mengambil sekelompok nilai
pengamatan yang kemudian dihitung rata-ratanya, lalu menggunakan rata-rata tersebut untuk
ramalan untuk periode berikutnya. Setiap kali data observasi baru tersedia, maka angka rata-rata
yang baru dihitung dan dipergunakan sebagai ramalan.

3.3 Single Exponential Smoothing

Metode Single Exponential Smoothing atau penghalusan eksponensial tunggal adalah suatu
prosedur yang secara terus menerus memperbaiki peramalan dengan merata-rata (menghaluskan)
nilai sebelumnya dari data runtut waktu dengan cara menurun (eksponensial).

3.4 Adaptive Response Rate Single Exponential Smoothing (ARRSES)

Metode ini disebut metode afaptif karena menggunakan nilai α yang berubah –ubah secara
otomatis sesuai dengan perubahan pola pada datanya.
1. HASIL DAN PEMBAHASAN

Data Inflasi Bulanan Indonesia yang digunakan dalam studi kasus ini adalah sebagai
berikut.

Tabel 1. Data Inflasi Bulanan Indonesia pada Januari 2015 - September 2018
Bulan 2010 2011 2012 2013 2014 2015 2016 2017 2018
Inflasi Inflasi Inflasi Inflasi Inflasi Inflasi Inflasi Inflasi Inflasi
Januari 0.84 0.89 0.76 1.03 1.07 -0.24 0.51 0.97 0.62
Februari 0.3 0.13 0.05 0.75 0.26 -0.36 -0.09 0.23 0.17
Maret -0.14 -0.32 0.07 0.63 0.08 0.17 0.19 -0.02 0.20
April 0.15 -0.31 0.21 -0.1 -0.02 0.36 -0.45 0.09 0.10
Mei 0.29 0.12 0.07 -0.03 0.16 0.50 0.24 0.39 0.21
Juni 0.97 0.55 0.62 1.03 0.43 0.54 0.66 0.69 0.59
Juli 1.57 0.67 0.7 3.29 0.93 0.93 0.69 0.22 0.28
Agustus 0.76 0.93 0.95 1.12 0.47 0.39 -0.02 -0.07 -0.05
September 0.44 0.27 0.01 -0.35 0.27 -0.05 0.22 0.13 -0.18
Oktober 0.06 -0.12 0.16 0.09 0.47 -0.08 0.14 0.01
November 0.6 0.34 0.07 0.12 1.5 0.21 0.47 0.2
Desember 0.92 0.57 0.54 0.55 2.46 0.96 0.42 0.71

Data tersebut kemudian di buat plot untuk melihat pola data nya.

Plot Tingkat Inflasi

3.5
3
2.5
2
Tingkat Inflasi

1.5
1
0.5
0
-0.5 0 20 40 60 80 100 120

-1
Periode (Bulan)

Gambar 1. Plot Data Tingkat Inflasi Januari 2010 – September 2018

Pada plot data Inflasi Bulanan Indonesia Januari 2010–September 2018 di atas, terlihat
bahwa data memiliki pola yang stasioner karena data berfluktuasi disekitar nilai rata-ratanya
meskipun tidak terlalu mulus. Selanjutnya, pola tersebut digunakan sebagai acuan untuk
 menentukan metode-metode pemulusan dan peramalan yang tepat dan sesuai digunakan dalam
kasus ini.

Karena pola data stasioner tanpa efek musiman ataupun siklus maka metode-metode yang
dapat digunakan antara lain :

1. Metode Naïve untuk data stasioner

2. Metode Moving Averages (MA)
a. Nilai Tengah (Mean)
b. Single Moving Average
3. Metode Single Exponential Smoothing (SES)
4. Metode Adaptive Response Rate Single Exponential Smoothing (ARRSES)

1.1. Peramalan Menggunakan Metode Naïve

Karena data pada Tabel 1 merupakan data yang memiliki pola stasioner maka metode
Naïve yang digunakan pun adalah metode Naïve untuk data stasioner.

Tabel 2. Hasil Peramalan Tingkat Inflasi Bulan Oktober 2018 Menggunakan Metode Naïve
untuk Data Stasioner
Metode Hasil Peramalan
Naïve -0.18

Tabel 3. Kekeliruan Peramalan Data dengan Menggunakan Metode Naïve untuk Data Stasioner
Kekeliruan Besar Kekeliruan
MSE 0.1124
MAD 0.2838
MPE 43.9517
MAPE 255.8862

1.2. Peramalan Menggunakan Metode Moving Averages (MA)

Berikut akan ditentukan hasil peramalan menggunakan metode Moving Average yaitu
nilai tengah, pada periode 3 bulanan (MA(3)), 4 bulanan (MA(4)), 6 bulanan (MA(6)), dan 12
bulanan (MA(12)).

Tabel 5. Hasil Peramalan Tingkat Inflasi Bulan Oktober 2018 Menggunakan Metode Moving
Averages (MA)
Metode Hasil Peramalan
Nilai Tengan (Mean) 0.41
Single Moving Average (MA(3)) 0.02
Single Moving Average (MA(4)) 0.16
Single Moving Average (MA(6)) 0.16
Single Moving Average (MA(12)) 0.24
 Tabel 6. Kekeliruan Peramalan Data dengan Menggunakan Nilai Tengah (Mean)
Kekeliruan Besar Kekeliruan
MSE 0.1122
MAD 0.3048
MPE -64.0838
MAPE 493.8816

Tabel 7. Kekeliruan Peramalan Data dengan Menggunakan Single Moving Average (MA(3))
Kekeliruan Besar Kekeliruan
MSE 0.1396
MAD 0.3298
MPE 143.2094
MAPE 345.0890

Tabel 8. Kekeliruan Peramalan Data dengan Menggunakan Single Moving Average (MA(4))
Kekeliruan Besar Kekeliruan
MSE 0.1278
MAD 0.3061
MPE 54.3069
MAPE 392.1915

Tabel 9. Kekeliruan Peramalan Data dengan Menggunakan Single Moving Average (MA(6))
Kekeliruan Besar Kekeliruan
MSE 0.0891
MAD 0.2476
MPE 25.0566
MAPE 334.0061

Tabel 10. Kekeliruan Peramalan Data dengan Menggunakan Single Moving Average
(MA(12))
Kekeliruan Besar Kekeliruan
MSE 0.0876
MAD 0.2415
MPE -16.6844
MAPE 340.8373

Dari hasil diatas terlihat bahwa semakin besar periode yang digunakan dalam
meramalkan data menggunakan metode Moving Average maka hasil peramalannya semakin baik
karena menghasilkan nilai kekeliruan yang semakin kecil.
1.3. Peramalan Menggunakan Metode Single Exponential Smoothing(SES)

Berikut merupakan hasil peramalan dengan menggunakan metode Single Exponential

Smoothing dengan trial and error pada beberapa nilai α yaitu α = 0.2, α = 0.5, dan α = 0.8.

Tabel 11. Hasil Peramalan Tingkat Inflasi Bulan Oktober 2018 Menggunakan Metode Single
Exponential Smoothing (SES)
Metode Hasil Peramalan
SES (α=0.2) 0.15
SES (α=0.5) -0.02
SES (α=0.8) -0.14

Tabel 12. Kekeliruan Peramalan Data dengan Menggunakan Metode Single Exponential
Smoothing (SES) dengan α=0.2
Kekeliruan Besar Kekeliruan
MSE 0.096516994
MAD 0.263059982
MPE 39.22960877
MAPE 341.3631927

Tabel 13. Kekeliruan Peramalan Data dengan Menggunakan Metode Single Exponential
Smoothing (SES) dengan α=0.5
Kekeliruan Besar Kekeliruan
MSE 0.107633
MAD 0.281661
MPE 102.1165
MAPE 311.8633

Tabel 14. Kekeliruan Peramalan Data dengan Menggunakan Metode Single Exponential
Smoothing (SES) dengan α=0.8
Kekeliruan Besar Kekeliruan
MSE 0.111048
MAD 0.280847
MPE 94.43302
MAPE 274.2956

Dari hasil trial and error diatas diperoleh bahwa peramalan terbaik adalah dengan menggunakan
α=0.2 karena memiliki nilai kekeliruan yang paling kecil.
 1.4. Peramalan Menggunakan Metode Adaptive Response Rate Single Exponential
Smoothing (ARRSES)

Karena pada metode Single Exponential Smoothing nilai peramalan terbaik diperoleh
menggunakan α=0.2, maka dalam metode Adaptive Response Rate Single Exponential
Smoothing (ARRSES) ini nilai 0.2 akan digunakan sebagai nilai β.

Tabel 15. Hasil Peramalan Tingkat Inflasi Bulan Oktober 2018 Menggunakan Metode
Adaptive Response Rate Single Exponential Smoothing (ARRSES)
Metode Hasil Peramalan
ARRSES 0.13

Tabel 16. Kekeliruan Peramalan Data dengan Menggunakan Metode Adaptive Response Rate
Single Exponential Smoothing (ARRSES)
Kekeliruan Besar Kekeliruan
MSE 0.092528999
MAD 0.248128165
MPE 53.88348227
MAPE 281.9639013

IV. KESIMPULAN

Dari perbandingan hasil forecasting yakni perbandingan MSE, MAD, MPE, dan MAPE yang
diperoleh dari ke-4 metode peramalan, metode Adaptive Response Rate Single Exponential
Smoothing (ARRSES) dinilai paling baik untuk digunakan pada penyusunan perencanaan investasi
berdasarkan tingkat inflasi Indonesia, karena menghasilkan MSE, MAD, MPE, dan MAPE
paling rendah dibandingkan dengan ke-4 metode lainnya.