Model Bayesian Median Autoregressive (BayesMAR) untuk Meramalkan Ekspor Barang di Indonesia
Abstract
Abstract. Time series data is data derived from an observation taken sequentially in a certain time with the same interval. The goal is to estimate or to forecast future time series values. One of the robust time series models is Bayesian Median Autoregressive (BayesMAR). The advantage of the BayesMAR model is that it is more flexible and robust to outliers. Because the Bayesian framework itself includes the prior distribution of the median, where the median is robust to outliers and does not need to fulfill classical assumptions. This article applied BayesMAR model to forecast goods exports in Indonesia using data from 1990 to July 2023. The order p is selected by BICp and the minimum value is obtained at order 5 with the obtained model was yt = 1,17432 + 1,18786yt-1 - 0,3124yt-2 + 0,06306yt-3 + 0,38462yt-4 - 0,51256yt-5 + 0,18942yt-6. Based on the model, the forecasting of goods exports in Indonesia for the next four periods is obtained, namely the 136th period (October 01, 2023) of 972.16619 trillion rupiah, the 137th period (January 01, 2024) of 946.23121 trillion rupiah, the 138th period (April 01, 2024) of 924.93310 trillion rupiah, and in the 139th period (July 01, 2024) of 962.05450 trillion rupiah.
Abstrak. Data deret waktu adalah data yang berasal dari suatu pengamatan yang diambil secara berurutan dalam waktu tertentu dengan interval yang sama. Tujuannya untuk memperkirakan atau meramalkan nilai deret waktu yang akan datang. Salah satu model deret waktu yang robust yaitu Bayesian Median Autoregressive (BayesMAR). Kelebihan model BayesMAR yaitu model ini lebih fleksibel. Karena kerangka kerja Bayesian itu sendiri yaitu memasukkan distribusi awal (prior) dari median, dimana median memiliki sifat robust terhadap pencilan dan tidak perlu memenuhi asumsi klasik. Dalam skripsi ini akan dibahas mengenai penerapan model Bayesian Median Autoregressive untuk meramalkan ekspor barang di Indonesia dengan menggunakan data dari tahun 1990 sampai Juli tahun 2023. Orde p dipilih dengan BICp dan diperoleh nilai yang paling minimum antara orde 1 sampai 10 yaitu orde 5. Maka model peramalan yang paling baik adalah menggunakan BayesMAR orde 5 dengan differencing satu kali sehingga modelnya yt = 1,17432 + 1,18786yt-1 - 0,3124yt-2 + 0,06306yt-3 + 0,38462yt-4 - 0,51256yt-5 + 0,18942yt-6. Berdasarkan model tersebut diperoleh peramalan ekspor barang di Indonesia untuk empat periode ke depan yaitu periode ke-136 (01 Oktober 2023) sebesar 972,16619 triliun rupiah, periode ke-137 (01 Januari 2024) sebesar 946,23121 triliun rupiah, periode ke-138 (01 April 2024) sebesar 924,93310 triliun rupiah, dan pada periode ke-139 (01 Juli 2024) sebesar 962,05450 triliun rupiah.
References
Z. Zeng and M. Li, "Bayesian median autoregression for robust time series," International Journal of Forecasting, vol. 37, no. 2, pp. 1000-1010, 2021.
H. Limanseto, "Optimalkan Kontribusi Neraca Perdagangan Terhadap Devisa Negara, Pemerintah Terus Dorong Hilirisasi SDA," 1 Maret 2023. [Online]. Available: https://ekon.go.id/publikasi/detail/4958/optimalkan-kontribusi-neraca-perdagangan-terhadap-devisa-negara-pemerintah-terus-dorong-hilirisasi-sda.
Kedeputian Bidang Ekonomi, Perkembangan Ekonomi Indonesia dan Dunia: Triwulan II Tahun 2023, Jakarta: Kementerian PPN/Bappenas, 2023.
V. Profillidis and G. Botzoris, Modeling of Transport Demand: Analyzing, Calculating, and Forecasting Transport Demand, Amsterdam: Elsevier, 2018.
M. S. Paolella, Linear Models and Time-Series Analysis: Regression, ANOVA and GARCH, Switzerland: John Wiley & Sons, 2016.
S. G. Makridakis, S. C. Wheelwright and R. J. Hyndman, Forecasting: Methods and Applications, 3rd ed., New York: John Wiley & Sons, 1997.
Suliadi, Parameter Estimation, Bandung: Dept. of Statistics, Bandung Islamic University, 2023.
G. E. P. Box and G. C. Tiao, Bayesian Inference in Statistical Analysis, Boston: Addison-Wesley, 1973.
D. C. Montgomery, C. L. Jennings and M. Kulachi, Introduction to Time Series Analysis and Forecasting, 2nd ed., Canada: John Wiley & Sons, 2015.
Dyar Al Falah Hilman, & Aceng Komarudin Mutaqin. (2023). Penerapan Regresi Double Poisson untuk Memprediksi Pertandingan dan Klasemen Liga 1 Indonesia. Jurnal Riset Statistika, 97–106. https://doi.org/10.29313/jrs.v3i2.2784
Mario Bernardino. (2023). Penerapan CUSUM-Tukey’s Control Chart untuk Mendeteksi Perubahan Rata-Rata Proses pada Data Non-Normal. Jurnal Riset Statistika, 119–124. https://doi.org/10.29313/jrs.v3i2.2955
Sahwa Chanigia Viqri, Z., & Kurniati, E. (2023). Perbandingan Penerapan Metode Fuzzy Time Series Model Chen-Hsu dan Model Lee dalam Memprediksi Kurs Rupiah terhadap Dolar Amerika. 1(1), 19–26. https://doi.org/10.29313/datamath.v1i1.12
