Model Autoregressive Moving Average (ARMA) untuk Peramalan Tingkat Inflasi di Indonesia
Keywords:
inflasi, peramalan, deret waktu, ARMAAbstract
Salah satu faktor yang mempengarui pertumbuhan perekonomian suatu negara adalah besarnya tingkat inflasi. Pentingnya menjaga kestabilan tingkat inflasi dikarenakan adanya pengaruh negatif terhadap kondisi sosial dan ekonomi negara yang diakibatkan oleh tingkat inflasi yang tinggi dan tidak stabil. Oleh karena itu peramalan dapat dilakukan sebagai salah satu upaya menjaga kestabilan tingkat inflasi. Penelitian ini membahas mengenai penggunakan model deret waktu Autoregressive Moving Average (ARMA) dalam meramalkan tingkat inflasi di Indonesia. Data tingkat inflasi dianalisis untuk menentukan model yang terbaik untuk peramalan. Dengan menggunakan data bulanan tingkat inflasi di Indonesia dari Januari 2016 sampai Desember 2021, diperoleh model terbaik yaitu model ARMA(3,3) berdasarkan nilai Akaike Information Criterion terkecil. Hasil analisis menunjukkan bahwa tingkat inflasi pada bulan Januari 2022 hingga Maret 2022 berada di sekitar 0,2%. Pola grafik hasil prediksi mengikuti pola data aktual sehingga model ARMA(3,3) baik untuk digunakan.
Downloads
References
N. M. Baily and P. Friedman, Macroeconomics, Financial Markets, and the International Sector, 2nd ed. New York: Irwin, 1995.
E. Silvia, Y. Wardi, and H. Aimon, “Analisis Pertumbuhan Ekonomi, Investasi, Dan Inflasi Di Indonesia,” J. Kaji. Ekon., vol. 1, no. 2, p. 7105, 2013.
A. Septiatin, Mawardi, M. A. K. Rizki, K. Rizki, and E. D. I. Indonesia, “Pengaruh Inflasi Dan Tingkat Pengangguran Terhadap Pertumbuhan Ekonomi Di Indonesia,” I-Economics A Res. J. Islam. Econ., vol. 2, no. 1, pp. 50–65, 2016.
I. F. Lubis, “Analisis Hubungan Antara Inflasi dan Pertumbuhan Ekonomi: Kasus Indonesia,” Quant. Econ. J., vol. 3, no. 1, 2014.
A. Sulaiman and A. Juarna, “Peramalan Tingkat Pengangguran Di Indonesia Menggunakan Metode Time Series Dengan Model Arima Dan Holt-Winters,” J. Ilm. Inform. Komput., vol. 26, no. 1, pp. 13–28, 2021.
S. Hansun, “Peramalan data IHSG menggunakan fuzzy time series,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 6, no. 2, 2012.
R. Susanti and A. R. Adji, “Analisis Peramalan Ihsg Dengan Time Series Modeling Arima,” J. Manaj. Kewirausahaan, vol. 17, no. 1, pp. 97–106, 2020.
M. Kun and L. Li, “Empirical Analysis of Stock Price Based on ARMA Model,” J. Hebei North Univ. (Natural Sci. Ed., p. 05, 2016.
T. Li and F. Chen, “An Empirical Analysis of Hunan’s Consumer Price Index Based on ARMA Model,” Sch. J. Econ. Bus. Mangement, 2018.
H. Rezaie and M. Khoshbakht Tizkharab, “Rainfall Forecast by Integrated Model ARMA-ARCH for West of Urmia Lake Catchment basin,” J. Civ. Environ. Eng., vol. 49.2, no. 95, pp. 85–94, 2019.
M. V Lyakhnova and G. S. Ruadev, “COVID-19 SIMULATION USING ARMA MODELS,” Mod. Sci., no. 2–1, pp. 37–43, 2021.
Y. Lyu, “Time Series Analysis of the COVID-19 Impact on the US Airline Companies Based on ARMA model,” Proc. 2021 Int. Conf. Control Intelegent Robot., 2021.
D. Rosadi, Pengantar Analisa Runtun Waktu. Yogyakarta: FMIPA UGM, 2006.
A. Widarjono, Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan Bisnis. Yogyakarta: Ekonisia, 2005.
S. Makridakis, S. C. Wheelwright, and V. E. McGee, Metode dan Aplikasi Peramalan. Jakarta: Erlangga, 1999.
W. W. S. Wei, Time Series Analysis, 2nd ed. Addison Wesley Publishing Company, 2006.
S. I. Vrieze, “Model selection and psychological theory: a discussion of the differences between the Akaike information criterion (AIC) and the Bayesian information criterion (BIC).,” Psychol. Methods, vol. 17, no. 2, p. 228, 2012.
C. J. Willmott and K. Matsuura, “Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance,” Clim. Res., vol. 30, no. 1, pp. 79–82, 2005.
