Forecasting Inflasi

7/26/2019 Forecasting Inflasi

1/12

Forecasting Inflasi

ARIMA Techniques

Dosen pembimbing : Madona Wijaya

Team :

Emin Muhaemin (1113094000020)

Fajar Nur Aulia (1113094000013)

Fajrul Ahsan W (1113094000022)

Putra Gema N (1113094000012)

Sarah Harefah (1113094000030)

Matematika Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta

2015/2016


2/12

Peramalan Menggunakan Teknik ARIMA Untuk Data Inflasi

Abstrak

Dalam penelitian ini, kami memprediksi Inflasi bulanan. Saya menemukan bahwa ada

hubungan antara kenaikan inflasi dari tahun ke tahun. Waktu sangat signifikan dalam model pada

tingkat 5%. Untuk data inflasi, residual dapat dimodelkan dengan model ARIMA dengan 0 (AR)

dan 1 (MA) dan model ini memberikan perkiraan yang terbaik. ARIMA (0,0,1) Model juga memiliki

nilai-nilai AIC dan BIC terendah. Model menunjukkan kecukupan dari Ljung-Box Q-statistik

karena semua poin insignficant. Shapiro-wilk menunjukan kenormalan

1.

Deskripsi Masalah

Secara historis, tingkat dan volatilitas inflasi Indonesia lebih tinggi dibanding negara-

negara berkembang lain. Sementara negara-negara berkembang lain mengalami tingkat

inflasi antara 3% sampai 5% pada periode 2005-2014, Indonesia memiliki rata-rata tingkat

inflasi tahunan sekitar 8,5% dalam periode yang sama. Bagian ini mendiskusikan mengapa

tingkat inflasi Indonesia tinggi, menyediakan analisis mengenai tren-tren terbaru, dan

memberikan proyeksi untuk inflasi masa mendatang di Indonesia yang merupakan negara

dengan ekonomi terbesar di Asia Tenggara.

2. Tujuan Penelitian

Tujuan penelitian ini adalah untuk mengetahui dan memprediksi perkembangan

ekonomi Indonesia yang memiliki inflasi tahunan yang besar di Asia Tenggara. Dengan model

time series terbaik

3. Analisis Data

Secara garis besar dalam pengamatan ini digunakan data pengamatan inflasi

Indonesia dari tahun 2005 sampai 2016 dengan jumlah pengamatan sebanyak 124 bulan.

Dengan menggunakan teknik forecasting dapat diramalkan model yang terbaik. Ada

beberapa tahap dalam anilisis jenis ini. Yang pertama, menentukan stasioneritas dari seri

waktu. Ini dilakukan dengan mengidentifikasi model awal, menggunakan ACF dan PACF


3/12

fungsi inflasi. Model diperkirakan dan diuji untuk menentukan apakah model tersebut fit

kemudian model dipilih dan digunakan untuk memprediksi nilai-nilai inflasi masa depan.

3.1.Stasioneritas

Dalam menerapkan teknik tertentu untuk mengidentifikasi model arima untuk inflasi,

kita harus menentukan stasionaritas dari series bentuk waktunya.

Gambar 1

Hal ini terlihat jelas bahwa ada kecenderungan data tidak stasioner dalam segi variansi.

Dalam proses pembangunan model, kita akan menggunakan BoxCox untuk

menstasionerkan variansi dengan mengtransformasi data menjadi , = -0,5


4/12

Gambar 2 plot data setelah di transformasi

Selanjutnya kita akan melakukan pendugaan pemodelan

Gambar 3 plot ACF dan PACF data setelah ditransformasi


5/12

Setelah melihat EACF data yang telah di transformasi kita mendapatkan beberapa

kandidat model yaitu

Model AIC

ARIMA (0,0,1) 334.46

ARIMA (1,0,2) 334.63

ARIMA (2,0,3) 335.89

Dari ketiga kandidat model, kita gunakan model ARIMA (0,0,1) untuk meforcecast data

inflasi karena memiliki AIC terkecil. Berdasarkan auto arima juga didapatkan ARIMA

(0,0,1)

3.2.

Diagnosis ModelPertama , kami mempertimbangkan residual dari model ARIMA (0,0,1). Plot time series

dari residual model yang memungkinkan kita untuk mencari tren dan

heteroskedastisitas dalam residual . Hal ini jelas dari plot time series ditampilkan di

bahwa serangkaian residual adalah stasioner


6/12

ACF dari residual juga digunakan sebagai alat diagnostik . Di sini kita melihat bahwa nilai-

nilai ACF 95 % nol - terikat - menunjukkan bahwa tidak ada korelasi antara residual . plot

ini digunakan sebagai indikator dari independensi istilah residual. QQ - plot dan

histogram dari residual digunakan untuk menguji normalitas . Di sini kita dapat melihat

bahwa QQ plot sekitar mengikuti QQ -line dan histogram menunjukan distribusi

berbentuk lonceng . Ini adalah indikator yang baik untuk normalitas dalam residual . Tes

KS juga dapat digunakan di sini untuk menguji distribusi normal . Untuk set residual , kita

menggunakan uji KS untuk membandingkan residual dari model sesuai normal distribusi

( p - value : 0,05155 ; di mana hipotesis nol mengasumsikan bahwa sampel mengikuti

distribusi yang normal) . Keempat plot ( dan tes terkait ) mengkonfirmasi bahwa residual

dari ARIMA ( 0,0,1 ) normal.


7/12

Autokorelasi residual ARIMA (0,0,1) menunjukan bahwa tidak ada korelasi. Hal ini

meunjukan residual independen. Dengan menggunakan Box-Ljung test (p-value 0.984;

dimana hipotesis nol mengasumsikan residual independen).

3.3.Forecasting

Perkiraan Inflasi masa depan untuk Indonesia berdasarkan data inflasi 1 tahun

terakhir . Kita sekarang dapat menggunakan bentuk final dari model ARIMA (0,0,1) untuk

seri waktu untuk memperkirakan nilai Inflasi masa depan . Inflasi diperkirakan untuk 1

Tahun berikutnya akan ditampilkan pada Tabel ( di samping kesalahan standar dari

perkiraan )

Bulan ke Estimasi Inflasi Inflasi

1 1.16 1.50

2 1.43 1.54

3 1.93 1.93

4 1.47 1.39

5 1.27 0.95

6 1.47 0.92

7 2.50 1.21

8 3.46 1.96

9 0.76 1.5110 0.64 0.91

11 1.17 1.19

12 1.36 0.55

Hal ini juga jelas bahwa kita memiliki percaya diri dalam perkiraan inflasi ke masa

depan.


8/12

4. Kesimpulan

Tujuan dari analisis ini adalah untuk menentukan model ARIMA yang sesuai untuk data

inflasi bulanan tertentu di Indonesia. Secara khusus kami tertarik dalam peramalan nilai

inflasi masa depan menggunakan model ini . analisis menunjukkan bahwa waktu pendapatan

series harian non - stasioner . Secara keseluruhan ditetapkan bahwa ARIMA ( 0,0,1 ) adalah

model ARIMA yang paling tepat untuk data .Nilai inflasi masa depan untuk tahun depan

diperkirakan dengan menggunakan model ini . Kami menemukan bahwa nilai-nilai yang

diperkirakan mendekati data inflasi. Ini dapat digunakan sebagai indikator masa depan jangka

pendek .

5. Daftar Pustaka

https://www.bps.go.id/linkTabelStatis/view/id/907

http://dokumen.tips/documents/modul-5-identifikasi-model-komplit.html

https://atmospherekita.files.wordpress.com/2013/04/slide-presentasi-arima.pdf
https://www.bps.go.id/linkTabelStatis/view/id/907https://www.bps.go.id/linkTabelStatis/view/id/907http://dokumen.tips/documents/modul-5-identifikasi-model-komplit.htmlhttp://dokumen.tips/documents/modul-5-identifikasi-model-komplit.htmlhttps://atmospherekita.files.wordpress.com/2013/04/slide-presentasi-arima.pdfhttps://atmospherekita.files.wordpress.com/2013/04/slide-presentasi-arima.pdfhttps://atmospherekita.files.wordpress.com/2013/04/slide-presentasi-arima.pdfhttp://dokumen.tips/documents/modul-5-identifikasi-model-komplit.htmlhttps://www.bps.go.id/linkTabelStatis/view/id/907


9/12

Apendix

Figure 1


10/12

Figure 2


11/12

Figure 3

Tsdiag 102

Tsdiag 203

Tsdiag 001


12/12

Figure 4

Forecasting Inflasi

Documents

Transcript of Forecasting Inflasi