Fungsi Transfer Hubungan Perubahan Jumlah 2010
Fungsi Transfer Hubungan Perubahan Jumlah 2010
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2010
RINGKASAN
FEB RINA HANDAYANI. Fungsi Transfer Hubungan Jumlah Uang Beredar dan Tingkat Inflasi.
Dibimbing oleh MOHAMMAD MASJKUR dan YENNI ANGRAINI.
Inflasi merupakan salah satu bentuk penyakit ekonomi yang sering dialami oleh hampir semua
negara. Dalam perekonomian Indonesia, permasalahan tingkat inflasi merupakan indikator
ekonomi makro yang sangat penting karena jika tidak segera diatasi, tingkat inflasi mempunyai
dampak negatif yang parah terhadap perekonomian. Menurut Teori Kuantitas Uang, adanya
perubahan jumlah uang beredar akan mempengaruhi perubahan tingkat harga yang biasa disebut
tingkat inflasi. Model fungsi transfer yang merupakan suatu model peramalan deret waktu
berganda yang menggabungkan beberapa karakteristik model-model ARIMA satu peubah dengan
beberapa karakteristik analisis regresi digunakan untuk mengetahui hubungan perubahan jumlah
uang beredar dan tingkat inflasi. Hasil penelitian menunjukkan bahwa model fungsi transfer lebih
baik untuk peramalan tingkat inflasi bulanan dibandingkan dengan model ARIMA. Dari model
fungsi transfer yang diperoleh dapat diketahui bahwa tingkat inflasi dipengaruhi oleh tingkat
inflasi satu bulan, dua belas bulan, dan tiga belas bulan sebelumnya serta dipengaruhi oleh
perubahan jumlah uang beredar satu bulan, dua bulan, tiga belas bulan, dan empat belas bulan
sebelumnya. Selain itu, hasil peramalan dengan model fungsi transfer juga sudah mendekati data
aktualnya. Hal ini terlihat dari nilai MAPE dan MAD yang relatif kecil, yaitu masing-masing
sebesar 9.65% dan 0.34. Sedangkan dengan model ARIMA didapatkan nilai MAPE dan MAD
masing-masing sebesar 100.51% dan 3.25.
Kata kunci : Perubahan Jumlah Uang Beredar, Tingkat Inflasi, Fungsi Transfer
FUNGSI TRANSFER HUBUNGAN PERUBAHAN JUMLAH
UANG BEREDAR DAN TINGKAT INFLASI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2010
Judul : Fungsi Transfer Hubungan Perubahan Jumlah Uang Beredar dan Tingkat
Inflasi
Nama : Feb Rina Handayani
NRP : G14061567
Menyetujui :
Mengetahui :
Plh. Ketua Departemen Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam IPB
Tanggal Lulus :
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT atas segala berkah dan rahmat-Nya
sehingga penulis dapat menyelesaikan karya ilmiah ini. Karya ilmiah ini berjudul ”Fungsi Transfer
Hubungan Perubahan Jumlah Uang Beredar dan Tingkat Inflasi”. Karya ilmiah ini penulis susun
sebagai salah satu syarat untuk mendapatkan gelar Sarjana Statistika pada Departemen Statistika,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Penulis menyampaikan terimakasih kepada Bapak Ir. Mohammad Masjkur, M.S dan Ibu Yenni
Angraini, S.Si, M.Si selaku dosen pembimbing yang telah memberikan bimbingan, masukan dan
arahan selama penulisan karya ilmiah ini. Ucapan terimakasih juga disampaikan kepada kedua
orang tua dan seluruh keluarga yang telah memberikan doa, kasih sayang serta dorongan yang
tulus baik moril maupun materiil. Tak lupa ucapan terimakasih juga penulis sampaikan untuk
teman-teman Statistika 43 atas kebersamaannya, ka Erwin yang telah menjadi teman diskusi
tentang metode penelitian ini, dan ka Doddy yang telah memberikan masukan-masukan serta
dukungannya. Semoga karya ilmiah ini dapat memberikan manfaat.
Penulis dilahirkan di Bogor pada tanggal 24 Februari 1988 dari pasangan Bapak Suherman dan
Ibu Sri Mulyati (Alm). Penulis merupakan anak kedua dari tiga bersaudara.
Tahun 2000 penulis lulus dari SD Negeri Cantang Jaya, kemudian melanjutkan studi di SLTP
Negeri 5 Bogor hingga tahun 2003. Selanjutnya, penulis menyelesaikan pendidikannya di SMA
Negeri 2 Bogor dan lulus pada tahun 2006. Pada tahun yang sama penulis diterima di Institut
Pertanian Bogor melalui Undangan Seleksi Masuk IPB (USMI). Setelah satu tahun menjalani
perkuliahan di TPB, pada tahun 2007 penulis diterima sebagai mahasiswa Departemen Statistika,
FMIPA IPB dengan mayor Statistika dan minor Ekonomi dan Studi Pembangunan.
Selama mengikuti perkuliahan, penulis berkesempatan menjadi Asisten Dosen Mata Kuliah
Metode Statistika dan Mata Kuliah Perancangan Percobaan I pada tahun ajaran 2008/2009. Penulis
juga aktif dalam organisasi kemahasiswaan Himpunan Profesi Gamma Sigma Beta (GSB), yaitu
sebagai pengurus di Department Survey and Research. Selain itu, penulis juga aktif dalam
kegiatan kepanitiaan seperti Pesta Sains 2008, Statistika Ria 2008, Welcome Ceremony Statistics
(WCS) 2008 dan 2009. Pada tahun 2009 penulis menjadi peserta terbaik Program Pengembangan
Kewirausahaan Mahasiswa Kategori Bidang Usaha Jasa yang diselenggarakan oleh Direktorat
Pengembangan Karir dan Hubungan Alumni IPB. Penulis melaksanakan kegiatan praktik lapang
pada tahun 2010 di International Flavor and Fragrance-PT Essence Indonesia, Jakarta Timur.
DAFTAR ISI
Halaman
DAFTAR GAMBAR ................................................................................................................ vii
DAFTAR TABEL ..................................................................................................................... vii
DAFTAR LAMPIRAN ............................................................................................................. viii
PENDAHULUAN ..................................................................................................................... 1
Latar Belakang ..................................................................................................................... 1
Tujuan .................................................................................................................................. 1
METODOLOGI ........................................................................................................................ 5
Data ...................................................................................................................................... 5
Metode ................................................................................................................................. 5
SIMPULAN .............................................................................................................................. 8
Simpulan .............................................................................................................................. 8
Saran ..................................................................................................................................... 9
LAMPIRAN .............................................................................................................................. 10
DAFTAR TABEL
Halaman
1 Hasil Uji Dickey-Fuller ........................................................................................................... 6
2 Nilai AIC dan SBC Kandidat Model ARIMA Deret Input .................................................... 6
3 Nilai AIC dan SBC Kandidat Model ARIMA Deret Output ................................................. 7
4 Nilai AIC dan SBC Kandidat Model Fungsi Transfer ........................................................... 7
5 Perbandingan Hasil Peramalan Model Fungsi Transfer, ARIMA, dan Data Aktual ............. 8
DAFTAR GAMBAR
Halaman
1 Plot Perubahan Jumlah Uang Beredar (%) ............................................................................. 5
2 Plot Tingkat Inflasi (%) .......................................................................................................... 5
3 Plot Deret Input Stasioner ....................................................................................................... 5
4 Plot Deret Output Stasioner .................................................................................................... 6
5 Plot ACF Deret Input Stasioner .............................................................................................. 6
6 Plot PACF Deret Input Stasioner ............................................................................................ 6
7 Plot ACF Deret Output Stasioner............................................................................................ 6
8 Plot PACF Deret Output Stasioner ......................................................................................... 7
DAFTAR LAMPIRAN
Halaman
1 Plot ACF dan PACF Data Asli Perubahan Jumlah Uang Beredar dan Tingkat Inflasi ....... 11
2 Pendugaan Paremeter ARIMA (0,1,0)(1,0,0)12 Deret Input ................................................. 11
3 Pendugaan Paremeter ARIMA (0,1,0)(0,0,1)12 Deret Output .............................................. 12
4 Korelasi Silang antara t dan t .............................................................................................. 12
5 Pendugaan Parameter Model Fungsi Transfer b=1, s=0, dan r=0 ........................................ 13
6 Plot ACF dan PACF Deret Sisaan Model Fungsi Transfer b=1, s=0, dan r=0 ...................... 13
7 Pendugaan Parameter Model Fungsi Transfer b=1, s=0, dan r=1 ........................................ 14
8 Plot ACF dan PACF Deret Sisaan Model Fungsi Transfer b=1, s=0, dan r=1 ...................... 14
9 Kombinasi Model Fungsi Transfer dengan Model Sisaan ..................................................... 15
10 Hasil Pendugaan Model Fungsi Transfer Akhir .................................................................... 15
11 Plot ACF dan PACF Sisaan Model Fungsi Transfer Akhir ................................................... 16
12 Statistik uji Box Pierce untuk Menguji Kebebasan Sisaan Model Fungsi Transfer ....... 16
13 Statistik uji Box Pierce untuk Menguji Kebebasan Antara Input dan Sisaan Model
Fungsi Transfer ........................................................................................................................ 16
14 Plot Bersama Data Aktual, Model Fungsi Transfer, dan Model ARIMA ............................. 17
1
PENDAHULUAN Tujuan
Tujuan dari penelitian ini adalah :
1. Membuat model fungsi transfer yang
Latar Belakang menjelaskan hubungan antara perubahan
Di tengah perkembangan perekonomian jumlah uang beredar dengan tingkat inflasi
yang terjadi, inflasi tetap menjadi perhatian bulanan.
utama pemerintah karena inflasi merupakan 2. Membandingkan hasil peramalan model
penyakit ekonomi yang tidak bisa diabaikan. fungsi transfer dengan model ARIMA.
Kestabilan inflasi merupakan prasyarat bagi
pertumbuhan ekonomi yang
berkesinambungan yang pada akhirnya TINJAUAN PUSTAKA
memberikan manfaat bagi peningkatan
kesejahteraan masyarakat. Oleh karena itu Kestasioneran Data Deret Waktu
inflasi sering menjadi target kebijakan Model umum deret waktu yang stasioner
pemerintah. Inflasi yang tinggi begitu penting ( ) dapat dituliskan sebagai berikut :
untuk diperhatikan mengingat dampaknya
bagi perekonomian yang bisa menimbulkan
ketidakstabilan, pertumbuhan ekonomi yang dengan merupakan ingar putih (white
lambat dan pengangguran yang senantiasa noise) yaitu barisan peubah acak yang saling
meningkat. Berkenaan dengan hal tersebut, bebas dan memiliki sebaran identik dengan
upaya mengendalikan inflasi agar stabil begitu , , dan
penting untuk dilakukan. (Wei 1990). Model umum deret waktu
Perubahan jumlah uang beredar yang tersebut mencakup model-model yang lebih
tinggi sering menjadi penyebab tingginya khusus, seperti proses Rataan Bergerak
tingkat inflasi. Naiknya jumlah uang beredar (Moving Average), proses Regresi Diri
akan menaikkan permintaan agregat yang (Autoregressive) serta proses campuran antara
pada akhirnya jika tidak diikuti oleh keduanya (Autoregressive-Moving Average).
pertumbuhan di sektor riil akan menyebabkan Data deret waktu dikatakan stasioner jika
naiknya tingkat harga, yang biasa disebut fluktuasi data berada di sekitar nilai tengah
dengan inflasi. Penjelasan yang dan ragam yang relatif konstan untuk seluruh
menggambarkan bagaimana tingkat harga periode waktu. Pemeriksaan kestasioneran
ditentukan dan berubah seiring dengan data dapat dilihat dari plot data terhadap
perubahan jumlah uang beredar disebut Teori waktu dan plot korelasi dirinya (ACF). Selain
Kuantitas Uang. Oleh karena itu, Bank itu, salah satu uji akar unit yang biasa
Indonesia sebagai bank sentral yang digunakan untuk menguji kestasioneran suatu
mengawasi jumlah uang beredar memiliki data deret waktu adalah uji Dickey-Fuller.
kendali tertinggi atas tingkat inflasi. Jika Bank Persamaan yang digunakan pada uji Dickey-
Indonesia mempertahankan jumlah uang yang Fuller ialah sebagai berikut:
beredar tetap stabil, maka tingkat harga akan
stabil. Begitupun sebaliknya jika Bank dengan dan diduga melalui
Indonesia meningkatkan jumlah uang yang metode kudrat terkecil.
beredar dengan cepat, tingkat harga akan Hipotesis yang diuji yaitu :
meningkat dengan cepat (Mankiw 2000). H0 : ( tidak stasioner)
Peramalan tingkat inflasi dapat H1 : ( stasioner)
dimodelkan dengan model ARIMA. Akan Statistik uji yang digunakan yaitu :
tetapi jika informasi mengenai perubahan
!"#$!
%
jumlah uang beredar tersedia, maka dapat
digunakan model fungsi transfer. Model
fungsi transfer adalah suatu model peramalan
Jika nilai t-hit < nilai kritis dalam Tabel
deret waktu berganda yang menggabungkan
Dickey-Fuller, maka keputusan yang diambil
beberapa karakteristik model-model ARIMA
adalah menolak H0 yang berarti data deret
satu peubah dengan beberapa karakteristik
waktu sudah stasioner (Enders 2004).
analisis regresi. Model fungsi transfer
diharapkan dapat menjelaskan pengaruh
perubahan jumlah uang beredar terhadap Proses Regresi Diri
Proses regresi diri (Autoregressive), sesuai
tingkat inflasi sehingga dapat dijadikan suatu
dengan namanya berimplikasi sebagai regresi
kebijakan moneter untuk pencapaian target
diri terhadap dirinya sendiri. Proses regresi
inflasi yang akan datang.
2
diri berordo p atau AR(p) memiliki persamaan Memasukkan faktor musiman (S) ke
sebagai berikut : dalam model akan dapat mereduksi besarnya
& & &' '
sisaan yang disebabkan oleh faktor musiman.
) ) )*
kemungkinan maksimum. SBC didefinisikan
* sebagai :
dengan ) adalah koefisien MA pada ordo ke- n ln . + M ln n
dengan .
i. Selain model tersebut, proses rataan
bergerak dapat dimodelkan sebagai berikut : adalah penduga dari , M
) (
banyaknya parameter dalam model, dan n
banyaknya sisaan yang dapat dihitung dari
) ( )( )* (* .
suatu deret. Model terbaik adalah model
dengan
dengan nilai SBC minimum.
(Montgomery 1990). SBC dibentuk untuk menyeleksi model
ARIMA (p,d,q) dan memilih nilai parameter yang sebenarnya
Autoregressive integrated moving average setepat mungkin. Sementara Akaike
(ARIMA) adalah model yang mampu Information Criterion (AIC) cenderung
menjelaskan data deret waktu yang tidak memilih model dengan parameter lebih
stasioner. ARIMA merupakan gabungan banyak dari SBC, dimana AIC dapat
antara model autoregressive (AR) berordo-p didefinisikan sebagai :
dan model moving average (MA) berordo-q n ln + 2M.
yang mengalami pembedaan ordo ke-d
(Montgomery 1990). Model umum ARIMA Untuk data yang besar SBC lebih baik serta
(p,d,q) adalah sebagai berikut : lebih konsisten (Wei 1990).
& & &' '
) ) )*
Model Fungsi Transfer
* Model fungsi transfer merupakan suatu
&' ( , - )* (
berdasarkan pula pada satu atau lebih time
series yang berhubungan (disebut input
series) dengan output series tersebut. Model
,- = operator pembedaan dengan derajat
dengan : fungsi transfer ini menghubungkan deret
output, deret input, dan noise (Prasetyo 2009).
,"""" """ (
pembeda d Perbedaan model fungsi transfer dengan
regresi linier terdapat pada jenis data yang
&' ( & ( &' ('
B = operator backshift digunakan. Fungsi transfer menggunakan data
)* ( )( )* (*
deret waktu yang tidak saling bebas antar
periodenya. Sehingga perhitungan korelasi
3
antara deret input dan deret output 1. Identifikasi Bentuk Model Fungsi
menggunakan korelasi silang (Makridakis et Transfer
al. 1983).
3/0 1
1 " 2./0 1 "
1.1. Mempersiapkan deret input dan
/0
%/ %0
output
Tahap ini mengidentifikasikan apakah
deret input dan output sudah stasioner baik
; <
Dimana :
7
9 : " := > ?< " >= @ 1 A
dalam rataan maupun dalam ragam. Jika data
58
tidak stasioner maka dilakukan pembedaan
3/0 1 B
dan transformasi untuk menghilangkan
6
;?<
8
input. Oleh karena itu, sebelum proses
prewhitening, dibangun terlebih dahulu model
ARIMA bagi xt (Makridakis et al. 1983).
Model fungsi transfer memiliki bentuk umum Misalkan jika deret input xt dimodelkan
seperti berikut :
C (
sebagai proses ARIMA (p,0,q), maka deret ini
" E "8
D (
memiliki model :
F
J' ( E )* ( K
Dimana : dengan K merupakan sisaan acak. Dengan
1. yt dan xt merupakan deret waktu yang demikian deret input yang telah mengalami
stasioner. prewhitening (K adalah :
J' ( E
2. b adalah angka yang melambangkan
K
)* (
periode sebelum deret input (xt) memulai
)* (
sehingga model kombinasi fungsi transfer :
C ( ) (
" E "
D ( F
J ( 1.4. Perhitungan korelasi silang antara
) ( " ") ( ) ( "G " )* (*
deret input dan deret output yang
J ( " "J ( J ( "G " J' (' Fungsi korelasi silang antara K dan L
telah di prewhitening.
%M %N
ordo dari proses autoregressive, q adalah ordo
dari proses moving average, merupakan
dimana 2.MN 1 adalah korelasi silang antara
sisaan pada waktu ke-t.
K dan L pada lag ke-k, 3MN 1 adalah
Prosedur pembentukan model fungsi
kovarian antara K dan L pada lag ke-k, %M
transfer meliputi tahapan-tahapan berikut :
4
dan ] yang
Konstanta b, r, dan s ditentukan input). Keacakan sisaan serta tidak adanya
K dan L . Cara menentukan b, r, dan s adalah
berdasarkan pola fungsi korelasi silang antara nilai korelasi silang antara
berbeda nyata dengan nol menunjukkan model
sebagai berikut ; sudah sesuai.
a. Korelasi silang berbeda nyata dengan nol Uji statistik Q Box-Pierce dapat
untuk pertama kalinya pada lag ke-b. diaplikasikan untuk menguji kebebasan sisaan
b. Untuk s dilihat dari lag berikutnya yang dan tidak adanya korelasi antara input dan
mempunyai pola yang jelas atau lama
`
sisaan. Sisaan saling bebas jika :
^ _9 1 """""""@ """"""_ 8 a b
input mempengaruhi output setelah nyata
yang pertama.
<
c. Nilai r mengindikasikan berapa lama deret
output berhubungan dengan nilai yang lebih kecil dari nilai dengan derajat bebas
terdahulu dari deret output itu sendiri. K – p – q, dengan n adalah jumlah
1 adalah
Nilai r dilihat dari plot korelasi diri output. pengamatan, K lag maksimum yang diamati,
u adalah Max(r, s+b), dan
1.6. Pendugaan awal parameter dan autokorelasi untuk lag ke-k. Dengan cara yang
sama, korelasi silang mengindikasikan tidak
RS R O "R O G O RI T
U
Penduga awal parameter fungsi transfer
`
adanya pola antara input dan sisaan jika
V "R V "R V RI V I TV F ;
W X OGOX Y
4. Peramalan
1 %N
dengan dengan memasukkan nilai-nilai parameter
"
MN
<
%M
fungsi transfer dan nilai deret input dan output
yang didapat dari langkah-langkah
sebelumnya.
Pendugaan awal ini digunakan sebagai nilai Setelah melakukan peramalan, ketepatan
awal pada algoritma pendugaan akhir peramalan dapat dicari dengan menghitung
nonlinier parameter dan deret sisaan . Mean Absolute Percentage Error (MAPE),
dengan rumus sebagai berikut :
E h
2. Pendugaan Akhir Parameter Model
;
g g
E
Fungsi Transfer
cdef "i"
Pendugaan awal parameter merupakan
nilai awal pada algoritma pendugaan kuadrat 8
terkecil nonlinier untuk membentuk penduga
akhir parameter model yang dilakukan secara atau dengan mencari nilai Mean Absolute
iteratif. Proses diulang sampai kekonvergenan Deviation (MAD) dengan rumus sebagai
; [E
h[
berikut :
jkl
tercapai. Pendugaan kuadrat terkecil nonlinier
8
untuk menduga parameter diperoleh dengan
;
meminimumkan :
% DO CO &O )[X 9
dimana xt adalah pengamatan pada waktu ke-t
dan ft adalah ramalan pada waktu ke-t.
\
Semakin kecil nilai MAPE dan MAD
menunjukkan data hasil peramalan semakin
dengan t0 adalah maksimum{p + r + 1, b + p + mendekati nilai aktual (Bowerman et al.
s + 1}(Wei 1990). 1993).
5
Pierce menunjukkan bahwa sisaan tidak digunakan untuk identifikasi model fungsi
saling berkorelasi. Sehingga model ARIMA transfer (b, r, s). Hasil korelasi silang antara t
tingkat inflasi yang diperoleh adalh sebagai dan t dapat dilihat pada Lampiran 4.
berikut :
,> mpn(
Identifikasi Awal Model Fungsi Transfer
Identifikasi awal model fungsi transfer
dilakukan dengan melihat pola korelasi silang
antara t dan t. Untuk nilai b ditentukan
berdasarkan lag yang nyata pertama kali pada
pola korelasi silangnya, sehingga nilai b=1.
Selanjutnya untuk mendapatkan nilai s dilihat
berapa lama nilai input mempengaruhi output
setelah nyata yang pertama. Sedangkan untuk
nilai r dapat dilihat berdasarkan plot korelasi
diri output stasioner yang menunjukkan lag
yang nyata setelah nyata yang pertama.
Berdasarkan keterangan di atas, identifikasi
Gambar 8 Plot PACF Deret Output Stasioner. awal model fungsi transfer memilki nilai b=1,
Tabel 3 Nilai AIC dan SBC Kandidat Model s=0, dan r=0. Pengujian parameter untuk
ARIMA Deret Output model tersebut dapat dilihat pada Lampiran 5.
Model AIC SBC Sehingga identifikasi awal model fungsi
transfer sebagai berikut :
,> mQq,: 8
ARIMA 260.45 262.76
(0,1,0)(1,0,0)12
ARIMA 241.96 244.28
(0,1,0)(0,0,1)12 Identifikasi Model Sisaan
ARIMA* 243.94 248.57 Model yang didapatkan dari identifikasi
awal model fungsi transfer, yaitu :
,> mQq,: 8
(0,1,0)(1,0,1)12
ARIMA 245.17 249.79
(0,1,0)(2,0,0)12
Sehingga untuk memperoleh nilai nt adalah :
8 ,> mQq,:
ARIMA* 243.94 248.57
(0,1,0)(0,0,2)12
Ket : (*) salah satu parameter tidak signifikan.
Identifikasi awal model fungsi transfer
Prewhitening Deret Input dan Deret menghasilkan plot ACF dan PACF sisaan
Output pada Lampiran 6.
Tahap prewhitening dilakukan Identifikasi Akhir Parameter Model
berdasarkan model ARIMA untuk data Fungsi Transfer
perubahan jumlah uang beredar (deret input).
Dalam tahap ini digunakan unsur white noise Untuk mendapatkan model yang terbaik
model tersebut. Dengan demikian model dilakukan pemeriksaan kandidat model
Prewhitening untuk deret input adalah : lainnya (Tabel 4).
diikutsertakan dalam identifikasi akhir model periode tertentu dan tidak ada unsur
fungsi transfer. Sisaan dari model fungsi perubahan jumlah uang beredar sebagai faktor
transfer dengan nilai b=1, s=0, dan r=1 yang mempengaruhi tingkat inflasi. Oleh
memiliki plot ACF dan PACF yang dapat karena itu, model fungsi transfer lebih baik
dilihat pada Lampiran 8. Sehingga identifikasi untuk peramalan tingkat inflasi bulanan.
akhir model fungsi transfer dilakukan dengan
Tabel 5 Perbandingan Hasil Peramalan Fungsi
mengkombinasikan model awal dengan
Transfer, ARIMA dan Data Aktual.
sisaannya (Lampiran 9).
Bulan Peramalan Aktual
Dengan pertimbangan uji parameter,
korelasi diri sisaan, dan korelasi antara deret Transfer ARIMA
input dan sisaan, maka ditetapkan bahwa
Mei-09 6.32 6.45 6.04
model akhir yang diperoleh adalah model
fungsi transfer dengan nilai b=1, s=0, dan r=0 Jun-09 5.57 6.05 3.65
dengan model sisaan ARIMA(0,0,0)(1,0,0)12. 5.21
Jul-09 2.86 2.71
Hasil pendugaan akhir model fungsi transfer
dapat dilihat pada Lampiran 10. Plot ACF dan Agust-09 2.50 4.50 2.75
PACF sisaan akhir (Lampiran 11) yang tidak Sep-09 2.91 4.48 2.83
berbeda nyata dengan nol serta nilai korelasi 5.25
diri sisaan (Lampiran 12) mengindikasikan Okt-09 2.36 2.57
bahwa sisaan model ini saling bebas. Nilai Nop-09 2.26 6.22 2.41
korelasi antara input dan sisaan juga tidak Des-09 2.76 6.73 2.78
berbeda nyata dengan nol pada taraf nyata 5%
Jan-10 3.51 7.75 3.72
(Lampiran 13) sehingga asumsi kebebasan
antara input dan sisaan terpenuhi. Dari Feb-10 3.89 8.24 3.81
pengujian parameter, didapatkan model akhir Mar-10 3.84 8.47 3.43
fungsi transfer adalah sebagai berikut :
,> mQq,:
8.59
mr(
Apr-10 4.26 3.91
Mei-10 4.47 8.59 4.16
atau juga dapat dimodelkan sebagai berikut : MAPE 9.65% 100.51%
> > mr> mr> s mQq: MAD 0.34 3.25
mQq: m r: s m r: t
"
Selain itu, plot bersama antara data aktual,
model fungsi transfer dan model ARIMA
tingkat inflasi pada Lampiran 14
Model fungsi transfer ini memiliki makna menunjukkan bahwa pola data aktual lebih
bahwa tingkat inflasi dipengaruhi oleh tingkat mirip dengan pola model fungsi transfer
inflasi satu bulan, dua belas bulan, dan tiga dibandingkan dengan pola ARIMA tingkat
belas bulan sebelumnya serta dipengaruhi oleh inflasi. MAPE dan MAD data keseluruhan
perubahan jumlah uang beredar satu bulan, dari model fungsi transfer masing-masing
dua bulan, tiga belas bulan, dan empat belas sebesar 8.72% dan 0.67. Sedangkan MAPE
bulan sebelumnya. dan MAD data keseluruhan dari model
ARIMA tingkat inflasi masing-masing sebesar
Peramalan 20.67% dan 0.99.
Perbandingan hasil peramalan dengan
model fungsi transfer, model ARIMA tingkat
inflasi dan data aktual dapat dilihat pada Tabel
SIMPULAN DAN SARAN
5. Nilai MAPE dan MAD hasil peramalan Simpulan
dengan model fungsi transfer masing-masing Hasil penelitian menunjukkan bahwa
sebesar 9.65% dan 0.34 sedangkan pada model fungsi transfer yang diperoleh lebih
model ARIMA masing-masing sebesar 100.51 baik untuk peramalan tingkat inflasi bulanan
dan 3.25. Berdasarkan Tabel 5 diketahui dibandingkan dengan model ARIMA. Model
bahwa hasil peramalan model fungsi transfer fungsi transfer yang didapatkan adalah
lebih mendekati data aktual dibandingkan sebagai berikut :
> > mr> mr> mQq:
dengan model ARIMA tingkat inflasi.
s
mQq: m r: m r:
Perbedaan hasil ramalan ini disebabkan
s t
"
karena pada model ARIMA tingkat inflasi
hanya didasarkan pada satu pengamatan
9
DAFTAR PUSTAKA
Bowerman BL, Richard T.O’Connell. 1993.
Forecasting and Time Series : an applied
approach. 3rd edition. California :
Wadsworth.
Box GEP, GM Jenkins, GC Reinsel. 2008.
Time Series Analysis : Forecasting and
Control. 4th edition. Canada : John Wiley
and Sons, Inc.
Enders W. 2004. Applied Econometric Time
Series. 2nd edition. USA : John Wiley and
Sons, Inc.
Mankiw NG. 2000. Teori Makroekonomi.
Jakarta : Erlangga.
Makridakis S, SC Wheelwright, VE McGee.
1983. Forecasting : Methods and
Applications. 2nd edition. Singapore :
McGraw-Hill, Inc.
Montgomery DC, LA Johnson, JS Gardiner.
1990. Forecasting and Time Series
Analysis. 2nd edition. Singapore :
McGraw-Hill, Inc.
Prasetyo EI. 2009. Analisis Hubungan Curah
Hujan dan Produksi Kelapa Sawit dengan
Model Fungsi Transfer [skripsi].
Departemen Statistika IPB, Bogor.
Wei WWS. 1990. Time Series Analysis
Univariate and Multivariate Methods.
Canada : Addison-Wesley.
10
LAMPIRAN
11
Lampiran 1. Plot ACF dan PACF Data Asli Perubahan Jumlah Uang Beredar dan Tingkat Inflasi
! " # $ %
! " # $ %
Pendugaan -0.69
Galat baku 0.11
t-hitung -6.05
Nilai-p <.0001
Lag 12
AIC 259.37
SBC 261.68
u
Pendugaan 0.86
Galat baku 0.08
t-hitung 11.22
Nilai-p <.0001
Lag 12
AIC 241.96
SBC 244.28
C
Lampiran 5. Pendugaan Parameter Model Fungsi Transfer b=1, s=0, dan r=0.
Pendugaan 0.23
Galat baku 0.11
t-hitung 2.08
Nilai-p 0.04
lag 0
AIC 264.28
SBC 266.55
Lampiran 6. Plot ACF dan PACF Deret Sisaan Model Fungsi Transfer b=1, s=0, dan r=0.
! "#
14
C D
Lampiran 7. Pendugaan Parameter Model Fungsi Transfer b=1, s=0, dan r=1.
Lampiran 8. Plot ACF dan PACF Deret Sisaan Model Fungsi Transfer b=1, s=0, dan r=1.
$ "#
15
vw (-0.50)
Nilai b.r.s Model sisaan parameter AIC SBC
xy (0.23)
(1.0.0) ARIMA(0.0.0)(1.0.0)12 247.32 251.84
C (0.12)*
ARIMA(0.0.0)(0.0.1)12 (0.87) 231.34 235.86
C (0.27)
ARIMA(0.0.0)(1.0.0)5 (-0.27) 261.26 265.26
C (0.26)
ARIMA(0.0.0)(0.0.1)5 (0.24)* 261.97 266.49
C (0.27)
(1.1.0) ARIMA(0.0.0)(1.0.0)12 (-0.49) 244.67 251.41
D (0.05)*
C (0.12)*
ARIMA(0.0.0)(0.0.1)12 (0.86) 231.07 237.81
D (0.40)*
C (0.35)
ARIMA(0.0.0)(1.0.0)5 (-0.35) 253.76 260.50
D (0.64)
C (0.32)
ARIMA(0.0.0)(0.0.1)5 (0.27) 255.82 262.57
D (0.64)
Ket : (*) Parameter tidak signifikan
C
Lampiran 10. Hasil Pendugaan Model Fungsi Transfer Akhir.
Lampiran 11. Plot ACF dan PACF Sisaan Model Fungsi Transfer Akhir.
" $ "#
Lampiran 12. Statistik uji Box Pierce untuk Menguji Kebebasan Sisaan Model Fungsi Transfer
Lampiran 13. Statistik uji Box Pierce untuk Menguji Kebebasan Antara Input dan Sisaan Model
Fungsi Transfer
Lampiran 14. Plot Bersama Data Aktual, Model Fungsi Transfer, dan Model ARIMA
Fungsi Transfer
MAPE = 8.72%
MAD = 0.67
ARIMA
MAPE = 20.67%
MAD = 0.99