Makalah ini membahas peramalan laju inflasi di Indonesia menggunakan metode ARIMA. Data inflasi bulanan tahun 2017 digunakan untuk memprediksi inflasi 2018. Hasilnya menunjukkan inflasi 2018 diperkirakan meningkat menjadi rata-rata 4,05% dibandingkan 2017. Pemerintah perlu menggunakan kebijakan moneter dan fiskal untuk mengatasi kenaikan inflasi.
1. PENGGUNAAN METODE ARIMA DALAM MERAMAL PERGERAKAN
LAJU INFLASI DI INDONESIA
Makalah
Diajukan Untuk Memenuhi Tugas Matakuliah Teknik Proyeksi Bisnis
Disusun Oleh :
1. Perdana Elizolines A. (150810201123)
2. Kinanti Cahyaning Putri (150810201125)
3. Made Agung Sai Narayana (150810201158)
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS JEMBER
2017
2. BAB I
PENDAHULUAN
1.1 Latar Belakang
Inflasi merupakan slah satu fenomena ekonomi yangyang selalu menarik
untuk dibahas terutama berkaitan dengan dampaknya yang luas terhadap
ekonomi makro,seperti pertumbuhan ekonomi,keseimbangan eksternal,daya
saing,tingkat bunga,bahkan distribusi pendapatan. Inflasi merupakan suatu
masalah yang menghantui perekonomian setiap negara. Perkembangannya
yang terus menerus mengalami peningkatan menjadi hambatan pada
pertumbuhan ekonomi ke arah yang lebih baik. Banyak kajian yang
membahas inflasi, tidak hanya cakupan regional, nasional, namun juga
internasional. Inflasi cenderung terjadi pada negara-negara berkembang
seperti halnya Indonesia.
Bank Indonesia selalu melakukan evaluasi apakah proyeksi inflasi
kedepan masih sesuai dengan sasaran yan telah ditetapkan. Proyeksi ini
dilakukan dengan sejumlah model dan sejumlah informasi yang mampu
menggambarkan kondisi laju inflasi kedepan. Proyeksi laju inflasi kedepan
dapat juga dilakukan dengan melakukan peramalan time-series ( Saluza, 2015
). Dalam peramalan time-series dapat diketahui bagaimana proses suatu
estimasi dan hasil dari peramalan dapat diperoleh dengan baik. Untuk itu,
dalam analisis ini dibutuhkan berbagai macam informasi atau data yang cukup
banyak dan diamati dalam periode waktu yang relatif cukup panjang.
Untuk mendapatkan informasi-informasi yang dibutuhkan mengenai laju
inflasi tersebut, metode yang digunakan adalah Autoregressive Integrated
Moving Average ( ARIMA). Karena ARIMA merupakan suatu statistik yang
cocok digunakan untuk meramal sejumlah variabel secara cepat, sederhana,
murah dan akurat karena hanya membutuhkan data variabel yang akan
diramal. Metode ARIMA menggunakan pendekatan iteratif dalam identifikasi
3. terhadap suatu model yang ada. Model yang dipilih diuji lagi dengan data
masa lampau, untuk melihat apakah model tersebut menggambarkan keadaan
data secara akurat atau tidak.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang diatas, didapat suatu rumusan masalah
sebagai berikut :
1.2.1 Bagaimana cara melakukan peramalan mengenai laju inflasi di Indonesia
menggunakan time-series analisis dengan model ARIMA?
1.3 Tujuan
Tujuan dari penulisan makalah ini adalah :
1.3.1 Untuk mengetahui prediksi mengenai pergerakan laju inflasi di
Indonesia dengan menggunakan time-series analisis dengan model
ARIMA.
4. BAB II
METODE
Jenis data yang digunakan merupakan jenis data sekunder yang bersumber
dari website resmi Bank Indonesia. Data time-series yang digunakan adalah data
mengenai laju inflasi dari bulan Januari – Desember Tahun 2017.
Tabel 1. Data time-series laju inflasi di Indonesia Tahun 2017.
BULAN TINGKAT INFLASI
Januari 3,49%
Februari 3,83%
Maret 3,61%
April 4,17%
Mei 4,33%
Juni 4,37%
Juli 3,88%
Agustus 3,82%
September 3,72%
Oktober 3,58%
November 3,30%
Desember 3,61%
Sumber: https://www.bi.go.id
Didalam melakukan peramalan laju inflasi di Indonesia ini, digunakan
metode analisis deskriptif dan kuantitatif. Metode analisis deskriptif digunakan
untuk menjelaskan dan menggambarkan tingkat inflasi yang terjadi di Indonesia
secara umum. Analisis deskriptif menggunakan metode pertumbuhan dengan
tujuan untuk menganalisis apakah tingkat inflasi di Indonesia mengalami
kenaikan atau penurunan.
Analisis kuantitatif digunakan untuk meramalkan tingkat inflasi di
Indonesia pada tahun-tahun selanjutnya. Analisis kuantitatif menggunakan model
5. ARIMA dijelaskan secara lengkap pada metode selanjutnya. Autoregresif
Integrated Moving Average (ARIMA)sering juga disebut metode runtun waktu
Box-Jenkins yang menggunakan data deret waktu (Hirata et al., 2015; Sena dan
Nagwani, 2015). Untuk peramalan dan prediksi jangka pendek, ARIMA
mempunyai validitas dan ketepatan yang sangat baik, namun kekurangan ARIMA
adalah tidak cocok untuk peramalan jangka panjang karena validitasnya kurang
baik dan cenderung datar (flat) dan konstan (BPS, 2012).
Model ARIMA dibagi ke dalam 3 kelompok yaitu model model
autoregressive (AR), moving average (MA), dan model campuran ARIMA
(autoregressive moving average) yang mempunyai karakteristik dari dua model
pertama (Sena dan Nagwani, 2015).
Pertama, model Autoregressive Model (AR) yang merupakan model
autoregressive mendasarkan pada asumsi data pada periode sekarang dipengaruhi
oleh data periode sebelumnya. Bentuk umum model matematika autoregressive
dengan ordo p (AR(p)) atau model ARIMA (p,0,0) dinyatakan dalam persamaan :.
Xt =ϕ1Xt-1+ ϕ2Xt-2+....+ ϕ1Xt-p+ɛt ...........(2)
Dimana,
Xt : data pada periode ke-t
ϕp : parameter autoregressive ke-p
ɛt : nilai kesalahan pada saat t,
Kedua, model moving average (MA) yang merupakan bentuk umum model
moving average ordo q (MA(q)) atau ARIMA (0,0,q) dinyatakan dalam
persamaan :
Xt =ɛt+ ϴ1ɛt-1+ ϴ2ɛt-2...- ϴq ɛt-q................... (3)
Dimana,
Xt : data pada periode ke-t
ϴq : parameter moving average
ɛt-q : nilai kesalahan pada saat t-q
6. Ketiga, model autoregressive moving average (campuran) terdiri dari dua
proses yang berbeda yaitu proses ARMA dan proses ARIMA. Model umum untuk
proses ARMA adalah campuran dari ordo p (AR(p)) dan moving avarage ordo q
(MA(q)) murni yang dinyatakan dalam persamaan :.
Xt = ϕ1Xt-1+ ϕ2Xt-2+...+ ϕpXt-p+ ɛt-ϴ1ɛ(t-1)- ϴ2ɛ(t-2)-...- ϴqɛ(t-
q)......................... (4)
Dimana,
Xt : data pada periode ke-t
ϕp : parameter autoregressive ke-p
ϴq : parameter moving average
ɛt : nilai kesalahan pada saat t,
Sedangkan untuk model campuran proses ARIMA hampir sama seperti
model ARMA, hanya saja model ARIMA didasarkan pada asumsi data pada
periode sekarang yang dipengaruhi oleh data periode sebelumnya dan nilai
residual data periode sebelumnya. Jika kondisi data non-stasioneritas ditambahkan
pada campuran proses ARMA, maka model umum ARIMA (p,d,q) terpenuhi.
Persamaan untuk kasus sederhana ARIMA (1,1,1) dinyatakan dalam persamaan :
(1- ϕ1B) Xt = μ’ + (1- ϴ1B) еt................(5)
Model ARIMA Box-Jenkins terdiri dari tiga tahapan, yaitu tahap
identifikasi struktur model, tahap estimasi paramater dan kalibrasi, dan tahap
pengujian dan validasi model (Sena dan Nagwani, 2015).
Tahap pertama yang dilakukan adalah identifikasi struktur model dengan
menentukan kestasioneran data. Data yang stasioner dapat juga disebut sebagai
data yang tidak mengandung trend. Sena dan Nagwani (2015) menyatakan bahwa
kestasioneran data dapat dilihat dari uji Augmented Dicky Fuller (ADF) melalui
pengamatan pola ACF (auto-correlation function) dan PACF (partial auto-
correlation function). ACF dilakukan untu mengukur korelasi antara suatu
variabel series dengan variabel series yang lain pada beberapa lag sebelumnya.
Sementara itu, PACF untuk mengukur tambahan korelasi antara suatu series Y
dan nilai lag dari series tersebut yang tidak memperhitungkan lag dari series yang
7. lebih rendah (Muslim, 2014). Data dengan rata-ratanya tidak stasioner dapat
ditransformasi (distasionerkan) dengan metode pembedaan atau differencing,
menghitung perubahan atau selisih nilai observasi. Jika belum stasioner maka
perlu dilakukan differencing sesuai dengan direfensiasi derajat berapa data
tersebut mencapai kestasioneran (first order diffrencing, second order diffrencing
dan seterusnya)
Selanjutnya, tahap kedua adalah melakukan estimasi dan kalibrasi model
yang terdiri dari dua cara mendasar untuk melakukan estimasi model, yaitu (BPS,
2012) :
1. Cara coba-coba (trial and error), pengujian terhadap beberapa nilai yang
berbeda dan memilih diantara nilai-nilai tersebut yang memiliki jumlah kuadrat
nilai sisa (galat) (sum of squared residuals) yang minimum.
2. Perbaikan secara iteratif (pengulangan), Memilih nilai taksiran awal dan
membiarkan program komputer untuk memperhalus penaksiran tersebut secara
iteratif (berulang).
Tahapan terakhir adalah pengujian dan validasi model terbaik yang
dilakukan dengan syarat model yang diperoleh dapat dikatakan baik jika nilai
error-nya bersifat random, artinya sudah tidak mempunyai pola tertentu. Tahapan
ini dilakukan uji diagnostik dalam upaya untuk memastikan apakah model yang
diestimasi sudah baik atau belum. Untuk menentukan model yang terbaik dapat
digunakan standard error estimasi yang dinyatakan dalam persamaan.
S = ⌊𝑆𝑆𝐸𝑛−𝑛𝑝⌋12⁄= ⌊Σ(𝑌𝑡−ŷ𝑡)2𝑛𝑡=1𝑛−𝑛𝑝⌋12⁄................ (6)
Dimana,
SSE : standard error
Yt : nilai sebenarnya waktu ke-t
Ŷt : nilai dugaan pada waktu ke-t
8. BAB III
HASIL DAN PEMBAHASAN
Studi kasus dilakukan terhadap laju pergerakan inflasi yang terjadi di
Indonesia. Data yang digunakan merupakan data bulanan Januari 2017 sampai
dengan Desember 2017. Data didapat dari website resmi Bank Indonesia. Berikut
adalah data inflasi Indonesia tahun 2017 serta forecastingnya untuk tahun 2018.
Data Ramalan
Bulan Inflasi 2017 Inflasi2018
Januari 3,49% 3,68%
Februari 3,83% 3,75%
Maret 3,61% 3,81%
April 4,17% 3,88%
Mei 4,33% 3,95%
Juni 4,37% 4,02%
Juli 3,88% 4,09%
Agustus 3,82% 4,15%
September 3,72% 4,22%
Oktober 3,58% 4,29%
November 3,30% 4,36%
Desember 3,61% 4,42%
Dari data tersebut terlihat bahwa pergerakan laju inflasi Indonesia untuk
tahun 2018 cenderung akan mengalami kenaikan sebesar 6,36% dari tahun
sebelumnya. Bilai data dari tabel tersebut hendak dijadikan grafik, maka :
9. Dari grafik tersebut terlihat bahwa perkiraan akan laju pergerakan inflasi
di Indonesia pada tahun 2018 cenderung meningkat daripada pergerakan laju
inflasi sebelumnya di tahun 2017 yang mengalami penurunan. Berikut juga dapat
ditampilkan tabel :
Step Mean STD UL LL
1 3,68% 0,35% 4,36% 2,99%
2 3,75% 0,39% 4,50% 2,99%
3 3,81% 0,52% 4,83% 2,79%
4 3,88% 0,55% 4,95% 2,81%
5 3,95% 0,65% 5,22% 2,68%
6 4,02% 0,67% 5,33% 2,71%
7 4,09% 0,75% 5,56% 2,61%
8 4,15% 0,77% 5,67% 2,64%
9 4,22% 0,85% 5,88% 2,56%
10 4,29% 0,86% 5,98% 2,60%
11 4,36% 0,93% 6,18% 2,53%
12 4,42% 0,94% 6,28% 2,57%
Dari tabel tersebut diketahui bahwa nilai rata-rata dari peramalan akan laju
pergerakan inflasi di Indonesia untuk tahun 2018 mengalami peningkatan sebesar
4, 05%.
0.00%
1.00%
2.00%
3.00%
4.00%
5.00%
Inflasi (%)
Inflasi 2017 Perkiraan Inflasi 2018
10. Pada dasarnya inflasi juga memiliki dampak positif dan negatif sesuai dengan
parah tidaknya inflasi tersebut. Pada inflasi yang parah dan tidak terkendali maka
akan berdampak negatif yang cukup besar bagi masyarakat dan pemerintah.
Dampak negatif inflasi diantaranya perekonomian menjadi kacau, semangat kerja
masyarakat menurun dan malas untuk menabung dan berinvestasi karena harga
barang terus mengalami perubahan, terjadinya kesenjangan masyarakat karena
pendapatan tidak mampu mengikuti kebutuhan karena kenaikan harga. Selain itu
pada dunia perbankan adanya inflasi menyebabkan nilai mata uang menurun dan
membuat masyarakat enggan menabung dan investasi. Sementara itu bila inflasi
rendah akan memberikan dampak poitif, diantaranya dapat meningkatkan
pendapatan nasional, dapat mendorong masyarakat untuk bekerja, menabung dan
mengadakan investasi. Adapun cara yang dapat dilakukan oleh pemerintah untuk
mengatasi bila terjadi kenaikan tingkat inflasi pada tahun 2018 adalah dengan
dengan menerapkan kebijakan moneter dan kebijakan fiskal. Kebijakan moneter
tersebut meliputi kebijakan penetapan persediaan kas, kebijakan diskonto,
kebijakan operasi pasar terbuka. Sementara kebijakan fiskal meliputi menaikkan
tarif pajak dan melakukan penghematan atas pengeluaran pemerintah.
11. BAB IV
KESIMPULAN
Berdasarkan hasil pengamatan mengenai peramalan akan pergerakan laju
inflasi di Indonesia untuk tahun 2018 dengan menggunakan metode ARIMA
(Autoregressive Integrated Moving Average) diperoleh hasil sebesar 6,36% dari
tahun sebelumnya 2017. Hal ini mengindikasikan bahwa terjadi peningkatan akan
laju pergerakan inflasi di Indonesia pada tahun 2018.
12. DAFTAR PUSTAKA
https://irun89.wordpress.com, diakses pada 25 April 2018
Hartati (2017).Penggunaan Metode ARIMA Dalam Meramal Pergerakan
Inflasi. Jurnal Matematika,Saint dan Teknologi, Vol.18, No.1, hlm.1-10,
htpps://jurnal.ut.ac.id, diakses pada 25 April 2018.
www.portal-statistik.com, diakses pada 25 April 2018