forecasting inflasi
Post on 01-Mar-2018
248 Views
Preview:
TRANSCRIPT
-
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
-
7/26/2019 Forecasting Inflasi
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
-
7/26/2019 Forecasting Inflasi
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
-
7/26/2019 Forecasting Inflasi
4/12
Gambar 2 plot data setelah di transformasi
Selanjutnya kita akan melakukan pendugaan pemodelan
Gambar 3 plot ACF dan PACF data setelah ditransformasi
-
7/26/2019 Forecasting Inflasi
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
-
7/26/2019 Forecasting Inflasi
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.
-
7/26/2019 Forecasting Inflasi
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.
-
7/26/2019 Forecasting Inflasi
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 -
7/26/2019 Forecasting Inflasi
9/12
Apendix
Figure 1
-
7/26/2019 Forecasting Inflasi
10/12
Figure 2
-
7/26/2019 Forecasting Inflasi
11/12
Figure 3
Tsdiag 102
Tsdiag 203
Tsdiag 001
-
7/26/2019 Forecasting Inflasi
12/12
Figure 4
top related