Penyusunan Kerangka Ekonomi Makro Daerah

Evi Noor Afifah

Departemen Ilmu Ekonomi FEB UGM
evinoor.afifah@ugm.ac.id
Tujuan
•  Memberikan gambaran kondisi ekonomi pada sebuah periode waktu
(sekarang dan yang akan datang), yang mencakup:
•  PDRB
•  pertumbuhan ekonomi
•  ke>mpangan
•  Inflasi
•  Ketenagakerjaan
•  Kemiskinan

Konsep dasar
• Tujuan pembangunan
• Peran perencanaan
•  UU 25/2004 dan UU no 23/2014
• Pertumbuhan vs pemerataan
Pengangguran
•  Beberapa ukuran penggangguran:
•  Tingkat Pengangguran Terbuka (TPT) : rasio jumlah penganggur
dengan jumlah angkatan kerja
•  Tingkat Par0sipasi Angkatan Kerja (TPAK): rasio jumlah angkatan
kerja (bekerja dan pengangguran) dengan jumlah penduduk usia
kerja
•  Tingkat Kesempatan Kerja (TKK) : rasio jumlah penduduk yang
bekerja dengan jumlah penduduk angkatan kerja
Pengangguran
•  Kriteria BPS
 Ketimpangan

•  Indeks Gini: mengukur ke>mpangan distribusi pendapatan

•  0≤𝐼𝑛𝑑𝑒𝑘𝑠𝐺𝑖𝑛𝑖≤1
•  Rendah: <0,3
•  Sedang: 0,3-0,5
•  Tinggi: > 0,5

Ketimpangan (2)
Kemiskinan
•  One-dimension vs Mul>-dimension
•  Absolut vs. rela>f
•  Garis kemiskinan
Forecasting

•  Peramalan adalah proses membuat pernyataan

tentang peris>wa yang hasil sebenarnya belum
diama>.
•  Misalnya dengan melakukan es.masi nilai variabel
tertentu di masa yang akan datang.
•  Menggunakan metode sta>s>k dengan data 0me
series atau cross-sec0onal.
Mengapa forecasting?

Sumber: hWp://iqoffice.ca/ dan

hWps://ideasvida.wordpress.com
Bagaimana?

Sumber: hWp://www.clipartbest.com/
 Data Time Series
•  Time series adalah serangkaian pengamatan pada variabel tertentu
yang dikumpulkan selama periode waktu tertentu.
•  Contoh data 0me series:
•  Harian: harga saham, nilai tukar, >ngkat suku bunga.
•  Bulanan: >ngkat penjualan, produksi, persediaan.
•  Tahunan: >ngkat PDB, neraca perdagangan, penerimaan negara,
penerimaan bea masuk.
Komponen Data Time Series

Trend! Cyclical!

Time
Series!
Seasonal! Irregular!
Data Time Series

Penerimaan!

Tahun!
Komponen Trend
•  Secara keseluruhan data mengalami pergerakan ke
atas (upward) atau ke bawah (downward).

Penerimaan!

Tahun!
Komponen Seasonal
•  Upward dan downward swings dalam jangka waktu
pendek hingga menengah (biasanya selama setahun).
•  Pola yang regular.
Penerimaan!

Tahun 1! Tahun 2! Tahun 3! Tahun!

Komponen Cyclical
•  Upward dan downward swings dalam jangka waktu yang
panjang.

Penerimaan!

Tahun!
Komponen Irregular
•  Bersifat >dak sistema>k
dan acak.
•  Terjadi karena sifat variasi
yang acak:
Penerimaan!
•  Kejadian alam
•  Kecelakaan
•  Durasi pendek dan >dak
berulang.

Tahun!
Metode Forecas,ng
1. Naïve method
2. Trend, seasonal, dan cyclical
3. Moving Average (MA)
Naïve Method (1)

•  Model peramalan yang paling cost-effec0ve, dan memberikan

tolok ukur bagi model yang lebih canggih.
•  Untuk data 0me series yang stasioner, nilai variabel di masa
yang akan datang akan sama dengan rata-rata nilai historisnya.
Naïve Method (2)

•  Asumsikan bahwa nilai di periode yang paling akhir

adalah prediktor terbaik untuk nilai di masa depan.

​𝐹↓𝑡+1 = ​𝑌↓𝑡 ×(1+​𝑌↓𝑡 −​𝑌↓𝑡−1 /​𝑌↓𝑡−1  )

Contoh Naïve Method

Tahun! Total Penerimaan!

2008" 800"

2009" 900"

2010" 850"

2011" 875"

2012" 1105"
Trend Forecasting (1)

Teknik 0me series yang menghitung peramalan dengan trend dengan

menggambar garis lurus dari serangkaian data menggunakan rumus:

​𝐹↓𝑡 =𝑎+𝑏𝑡

Keterangan:!
Ft = forecast untuk periode t"
t = jumlah periode "
a = nilai y pada pada saat t sama dengan 0"
b = slope "
Trend Forecasting (2)
Contoh Trend Forecasting (1)
•  PloKng data dengan menggunakan Excel:
Tahun! Penerimaan!
1" 700"

2" 724"

Penerimaan!
3" 720"

4" 729"

5" 740"

6" 742"

7" 758"

8" 750"

9" 770"

10" 775"

Tahun!
Contoh Trend Forecasting (2)

•  Dengan menggunakan Excel maka akan ditemukan

konstanta (a) dan slope (b):

​𝐹↓𝑡 =699,40+7,51𝑡

•  Substitusi nilai t ke dalam persamaan, misal

peramalan untuk periode t=11 dan t=12:"
​𝐹↓11 =699,40+7,51(11)=782,01
​𝐹↓12 =699,40+7,51(12)=789,52
 Contoh Trend Forecasting (3)
Penerimaan!
Penjualan

Minggu
Tahun!
Seasonal Forecasting (1)
•  Seasonality dalam time series adalah seberapa
besar nilai aktual menyimpang dari nilai rata-rata."
•  Terdapat dua model seasonality:"
•  Additive model"
Ft(additive) = Ft(trend) + seasonal unit"
•  Multiplicative model "
Ft(multiplicative) = Ft(trend) x seasonal index (percentage)"

Keterangan:!
Ft(trend ) = nilai dari trend forecasting"
Seasonal unit = nilai unit yang ditambahkan atau dikurangkan
untuk memasukkan faktor musiman"
Seasonal index atau relative = faktor musiman dalam persen"
Seasonal Forecasting (2)

Penerimaan!

Tahun!
Contoh Seasonal Forecasting (1)
•  Asumsikan seasonal index q1=1,20; q2=1,10; q3=0,75;
q4=0,95
Periode! Kuartal! Penerimaan ! Seasonal Relative! Deseasonalized (Penerimaan/Seasonal
Relative)!

1" 1" 158,4" 1,20" 132,0"

2" 2" 163,0" 1,10" 148,2"
3" 3" 110,0" 0,75" 146,7"
4" 4" 146,3" 0,95" 154,0"
5" 1" 192,0" 1,20" 160,0"
6" 2" 187,0" 1,10" 170,0"
7" 3" 132,0" 0,75" 176,0"
8" 4" 173,8" 0,95" 182,9"
 Contoh Seasonal Forecasting (2)
•  Nilai trend untuk periode (9) dan (10):

​𝐹↓9 (𝑡𝑟𝑒𝑛𝑑) =124+7,5(9)=170,9
​𝐹↓10 (𝑡𝑟𝑒𝑛𝑑) =124+7,5(10)=172,8

•  Periode 9 adalah q1 dan periode 10 adalah q2 (lihat

seasonal relative). Maka multiplicative model: "

​𝐹↓9(𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒) =170,9(1,20)=205,1

​𝐹↓10(𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑒) =172,8(1,10)=190.1
Cyclical Forecasting

•  Siklus adalah gerakan naik-turun mirip dengan variasi

musiman (seasonal) tetapi dengan durasi yang lebih
lama.
•  Ke>ka siklus terjadi pada data 0me series,
ke>dakteraturan (irregularity) membuat peneli> sulit
untuk melakukan proyeksi dari data masa lalu
(karena >>k balik sulit untuk diiden>fikasi).

Rata-Rata Bergerak - Moving
Average (MA)
•  Dilakukan dengan merata-rata data 0me series pada
jumlah periode tertentu.



Ft " = Forecast untuk periode t"

MAn " = Moving average selama periode n"

At-i " = Nilai yang diamati (actual value) dalam periode t-i"
n " = Jumlah periode "
Moving Average (MA)

•  Metode rata-rata bergerak membantu dalam mengiden>fikasi

pengaruh tren dari serangkaian data 0me series.
•  Plot rata-rata bergerak menghasilkan kurva 0me series yang "halus"
yang dengan jelas menunjukkan tren jangka panjang.
•  Biasanya dipilih jumlah periode yang ganjil agar dapat memusatkan
rata-rata pada periode tertentu (untuk tujuan pembuatan grafik).
•  Jika menggunakan jumlah periode genap, peneli> dapat memusatkan
rata-rata dengan mencari dua periode rata-rata bergerak.
Contoh Moving Average
Tahun! Total Penerimaan!

2010" 850"

2011" 875"

2012" 1105"
3 data
2013" 950" penerimaan
2014" 1200" terakhir

•  Hitung three-period moving average"

•  Jika total penerimaan pada tahun 2015 adalah 1200 maka

peramalan untuk tahun 2016:"
Weighted Moving Average (1)
•  Mirip dengan metode rata-rata bergerak, tetapi memberikan bobot yang
lebih pada nilai-nilai terbaru (recent values) dalam 0me series rangkaian
waktu.
•  Misalnya, nilai yang paling baru diberi bobot 0,40, nilai terbaru berikutnya
0,30, lalu 0,20 dan yang terakhir 0,10.
•  Perha>kan bahwa jumlah bobot harus berjumlah 1,00, dan bahwa bobot
terberat diberikan ke nilai yang paling baru.
Weighted Moving Average (2)

wt = bobot untuk periode t

wt-1 = bobot untuk periode t-1, dst
At = actual value pada periode t
At-1 = actual value pada periode t-1, dst

Contoh: Weighted Moving Average

Tahun! Total Penerimaan!

2011" 875"

2012" 1105"

2013" 950"

2014" 1200"

•  Asumsikan bobot sbb:

wt =0,4; wt-1=0,3; wt-2 =0,2; wt-3 =0,1

​𝐹↓2015 =0,4(1200)+0,3(950)+0,2(1105)+0,1(875)=1073,5
TERIMA KASIH