Article Sidebar

Submitted
Sep 2, 2023
Published
Apr 5, 2024
Download
PDF
Statistic
Read Counter : 0 Download : 0

Main Article Content

Abstract

Inflasi merupakan salah satu parameter untuk mengukur kestabilan perekonomian di Indonesia. Menjaga stabilitas perekonomian dapat dilakukan dengan mengendalikan laju inflasi. Pengendalian laju inflasi, selain melalui kebijakan yang ditetapkan pemerintah juga dapat dilakukan dengan meramalkan inflasi untuk periode selanjutnya. Peran serta setiap wilayah di Indonesia sangat diperlukan, termasuk Provinsi Sulawesi Selatan yang memiliki 5 kota Indeks Harga Konsumen (IHK) yakni Kota Bulukumba, Watampone, Makassar, Parepare dan Palopo. Inflasi merupakan data deret waktu bulanan yang diduga dipengaruhi oleh aspek antar lokasi dan variabel eksogen. Peramalan inflasi yang melibatkan efek waktu, lokasi dan variabel eksogen dapat menggunakan Generalized Space Time Autoregressive with Exogenous Variable (GSTARX). Penelitian ini, meramalkan inflasi 5 kota di Sulawesi Selatan menggunakan GSTARX dengan variabel eksogen yaitu IHK serta pembobot lokasi yang digunakan adalah bobot seragam dan invers jarak. Penelitian ini bertujuan untuk mendapatkan model peramalan yang sesuai dan mengetahui hasil peramalan inflasi pada 5 kota di Sulawesi Selatan. Hasil penelitian menunjukkan bahwa model GSTARX  adalah model yang cocok dan hasil peramalan inflasi 5 kota di Sulawesi Selatan menunjukkan bahwa pembobot invers jarak memiliki akurasi yang lebih baik karena nilai rata-rata RMSE bobot invers jarak lebih kecil dibanding bobot seragam. Akan tetapi, terdapat selisih yang cukup besar antara hasil peramalan dengan data out-sample (aktual). Efek spasial secara menyeluruh belum mampu dijelaskan oleh kedua bobot yang digunakan menjadi penyebabnya.

Keywords

Model GSTARX Tingkat Inflasi Tingkat IHK Bobot Seragam

Article Details

References

  1. [1] Badan Pusat Statistik (BPS). 2022. Perkembangan Indeks Harga Konsumen Inflasi Gabungan 5 Kota di Sulawesi Selatan September 2022. https://www.bps.go.id/publication/2022/10/05/51c20d238fbdb6f23d0df44d/indeks-harga-konsumen--september-2022.html. Diakses pada tanggal 15 Februari 2023.
  2. [2] Brockwell, P. J., & Davis, R. A., 2002, Introduction to time series and forecasting, New York: Springer.
  3. [3] Dhar, S. S., Chakraborty, B., & Chaudhuri, P. 2014. Comparison of multivariate distributions using quantile–quantile plots and related tests, arXiv e-prints, arXiv-1407.
  4. [4] Fadlurohman, A., 2020, Pemodelan Generalized Space Time Autoregressive with Variable Exogenous (Gstarx) Pada Peramalan Inflasi Enam Kota Survei Biaya Hidup di Jawa Tengah, Doctoral dissertation, Muhammadiyah University, Semarang.
  5. [5] Gelfand, A. E., Diggle, P., Guttorp, P., & Fuentes, M. 2010. Handbook of spatial statistics. CRC press.
  6. [6] Hanke, J. E., Reitsch, A. G., & Wichem, D. W., 2003, Peramalan Bisnis, Ed 7, PT Jakarta: Prenhallindo.
  7. [7] Karlina, B., 2017, Pengaruh Tingkat Inflasi, Indeks Harga Konsumen Terhadap PDB di Indonesia Pada Tahun 2011-2015, Jurnal Ekonomika Dan Manajemen, 6(1), 16-27.
  8. [8] Kementerian Keuangan. 2023. Press Release Kinerja APBN Sulawesi Selatan S. D. 31 Desember Tahun 2022. https://djpb.kemenkeu.go.id/kanwil/sulsel/id/data-publikasi/berita-terbaru/2887-press-release-kinerja-apbn-sulawesi-selatan-s-d-31-desember-tahun-2022.html. Diakses pada tanggal 24 Maret 2023.
  9. [9] Lembo, A. J., 2006, Spatial Autocorrelation, New York: Cornell University.
  10. [10] Lusiyanti, D., & Gunawan, I., 2021, Identifikasi Model Generalized Space-time Autoregressive (GSTAR) untuk Nilai Inflasi di Pulau Sulawesi, Jurnal Ilmiah Matematika Dan Terapan, 18(1), 75-83.
  11. [11] Putri, V. K. 2017. Analisis Pengaruh Jumlah Uang Beredar, Suku Bunga Sertifikat Bank Indonesia Dan Suku Bunga Kredit Investasi Terhadap Inflasi Di Indonesia. Jurnal Online Mahasiswa (JOM) Bidang Ilmu Ekonomi, 4(1), 26-39.
  12. [12] Ruchjana, B. N., 2002, Pemodelan Kurva Produksi Minyak Bumi Menggunakan Model Generalisasi STAR, Forum Statistika dan Komputasi, Institut Pertanian Bogor, Bogor.
  13. [13] Setiawan, Suhartono & M. Prastuti, 2016, S-GSTAR-SUR Model for Seasonal Spatio Temporal Data Forecasting, Malaysian Journal of Mathematical Sciences, 10:53-56.
  14. [14] Supranto, J. 1984. Metode Ramalan Kuantitatif Untuk Perencanaan. Jakarta: Erlangga.
  15. [15] Susanti, D., dan Susiswo. 2013, Aplikasi model GSTAR pada peramalan jumlah kunjungan wisatawan empat lokasi wisata di Batu, Doctoral dissertation, Universitas Negeri Malang, Malang.
  16. [16] Walpole, R. E. 1995. Pengantar Statistika Edisi ke-3, PT. Gramedia Pustaka Utama, Jakarta.
  17. [17] Wati, R. 2022, Pendekatan Generalized Space Time Autoregressive (Gstar) Dalam Memprediksi Tingkat Inflasi Bulanan (Studi Kasus: Kota Bima dan Kota Mataram, Doctoral dissertation, Universitas Mataram, Mataram.
  18. [18] Wei, W. W. 2006. Time Series Univariate and Multivariate Methods. Canada: Addison Wesley Publishing Company, Inc.
  19. [19] Widaryoko, N., 2013, Inflasi dan Pertumbuhan Ekonomi: Pendugaan Ambang Batas Inflasi di Indonesia, Magister Thesis, Institut Pertanian Bogor, Bogor
  20. [20] Wutsqa & Suhartono, 2010, Seasonal Multivariate Time Series Forecasting on Tourism Data by Using Var-Gstar Model, Jurnal Ilmu Dasar, 11(1), 101-109.
  21. [21] Zellner, A., 1962, An Efficient Methods of Estimation SUR and Test for Aggregation Bias, Journal of American Statistical Association, 57:348-368.