Penerapan Model SARIMA untuk Memprediksi Tingkat Inflasi di Indonesia
Abstract
Inflasi merupakan suatu kenaikan harga barang atau jasa secara menyeluruh dan berkelanjutan, yang menyebabkan menurunya nilai tukar rupiah dan berpengaruh terhadap daya beli bahan baku atau industri di mana bahan tersebut diimpor. Hal ini tentunya dapat menjadi ancaman dan ditandai dengan fenomena keuangan yang menggambarkan pertumbuhan keuangan yang berlebihan dan tidak stabil. Usaha yang bisa diperoleh dalam menangani masalah tersebut adalah prakiraan inflasi di Indonesia. Penelitian ini bertujuan untuk mendapatkan model prakiraan inflasi bulanan di Indonesia dan mengetahui kapan harus menaikkan prakiraan tersebut berupa upaya adaptasi untuk menstabilkan inflasi. Data yang dipergunakan merupakan data inflasi bulanan periode Januari 2003 sampai November 2020. Metode yang dipergunakan dalam penelitian ini yaitu model SARIMA yang merupakan evolusi dari model ARIMA yang dapat disesuaikan dengan model data inflasi musiman. Berdasarkan hasil pengolahan, didapatkan model terbaik dengan nilai AIC terendah, SARIMA (1,0,1)(1,1,1)12 dengan nilai sebesar MAPE 5.19%. Hasil prediksi menunjukkan bahwa dalam beberapa bulan kedepan akan terjadi peningkatan tingkat inflasi sesuai model yang telah dibuat. Berdasarkan hal tersebut, penelitian ini diharapkan menjadi acuan bagi pemerintah dalam menentukan langkah antisipasi terjadinya permasalahan pada bidang perekonomian.
Full Text:
PDFReferences
R. Dornbusch and S. Fischer. 1997. Makroekonomi Edisi Keempat. Jakarta: Erlangga.
Istiqomah, “Pengaruh Inflasi dan Investasi Terhadap Nilai Tukar Rupiah dan Indonesia,” 2011.
Bank Indonesia (BI). 2020. Data Inflasi Januari 2003 hingga November 2020. https://www.bi.go.id/id/moneter/inflasi/data/Default.aspx. Diunduh pada tanggal 23 Desember 2020.
A. P. Raneo and F. Muthia, “Penerapan Model GARCH Dalam Peramalan Volatilitas di Bursa Efek Indonesia,” J. Manaj. Dan Bisnis Sriwij., vol. 16, no. 3, pp. 194–202, 2019.
K. Nurfadilah, F. R. C, and I. Kasse, “Peramalan Tingkat Suku Bunga Pasar Uang Antar Bank (Puab) Dengan Vector Autoregressive Exogenous (Varx),” J. MSA ( Mat. dan Stat. serta Apl. ), vol. 6, no. 1, p. 51, 2018.
S. Makridakis, S. C.Wheelright, and V. E.McGee, Metode dan Aplikasi Peramalan. Jakarta Barat: Binarupa Aksara, 1999.
Desvina and A. Pani, “Analisis Time Series Particulate Matter (PM10),” Lemb. Penelit. dan Pengabdi. Kpd. Masy. UIN SUSKA, 2014.
Cryer, J. D., and K.-S. Chan, Time Series Analysis with Application in R, Second. Lowa City: Springer, 2008.
A. pani desvina dan Khairunisa, “Penerapan Metode Arch / Garch Dalam Meramalkan Transaksi Nilai Tukar ( Kurs ) Jual Mata Uang Indonesia ( IDR ) Terhadap Mata Uang Eropa ( GBP ),” J. Sains Mat. dan Stat., vol. 4, no. 2, pp. 114–123, 2018.
F. Pakaja and A. Naba, “Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor,” Neural Networks, vol. 6, no. 1, pp. 23–28, 2015.
P, C, Chang, Y, W, Wang, and C, H, Liu, “The development of a weighted evolving fuzzy neural network for PCB sales forecasting,” Expert Syst, Appl,, vol, 32, no, 1, pp, 86–96, 2007.
Boediono, 1998, Ekonomi Moneter, Seri Sinopsis Pengantar Ilmu Ekonomi, BPFE: Yogyakarta.
DOI: http://dx.doi.org/10.24014/jsms.v7i2.13168
Refbacks
- There are currently no refbacks.
Jurnal JSMS
p-ISSN : 2460-4542 (print)
e-ISSN : 2615-8663 (online)
Alamat : Program Studi Matematika
Fakultas Sains dan Teknologi, UIN Suska Riau
Jl. H.R Soebrantas, No. 155, Tampan, Pekanbaru.
Website : http://ejournal.uin-suska.ac.id/index.php/JSMS
e-mail : jsmsfst@uin-suska.ac.id