Peramalan Inflasi Provinsi Jawa Barat Selama Tahun 2024 Menggunakan Standard Theta Method (STM)

  • Salma Nur Fauziah 10060119033 Statistika
  • Marizsa Herlina Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam

Abstract

Abstract. Forecasting is a method used to predict the future as accurately as possible using past information. Standard Theta Method (STM) is one of the forecasting methods, where time series data is decomposed resulting in short-term and long-term components. These components are identified using the Theta model and extrapolated separately, and then combined in the final forecasting stage. Inflation forecasting is important in order to formulate an early monetary policy. Inflation needs to be monitored to keep it stable. This is done to prevent economic instability in Indonesia. In this study, forecasting will be carried out using the STM method for the inflation value of West Java Province. The STM method is applied to data that does not contain seasonality. In this research data, seasonal detection is carried out with the Autocorrelation Function (ACF), the results show that the data contains seasonal elements in every six periods. Therefore, multiplicative deseasonalization is performed to remove the seasonality. After this process, an STM analysis was performed which resulted in a constant b of -0.0086 and a parameter a of 0.4098. These parameters were used to calculate the two Theta lines. Then, data is extrapolated to the two lines, which are finally combined to obtain forecasting results. The forecasting results show the same seasonal pattern.

Keywords: Forecasting, Theta Model, Standard Theta Method, Multiplicative Deseasonalization, Inflation.

Abstrak. Peramalan adalah metode yang digunakan untuk memprediksi masa depan seakurat mungkin menggunakan informasi masa lalu. Standard Theta Method (STM) adalah salah satu metode peramalan, dimana data deret waktu akan diuraikan yang menghasilkan komponen jangka pendek dan jangka panjang. Komponen-komponen ini diidentifikasi dengan menggunakan model Theta dan diekstrapolasi secara terpisah, lalu akan dikombinasikan pada tahap peramalan akhir. Peramalan inlflasi merupakan hal yang penting untuk dilakukan agar dapat merumuskan kebijakan moneter yang lebih dini. Inflasi perlu diawasi perkembangannya agar tetap stabil. Hal tersebut dilakukan agar mencegah ketidakstabilan perekonomian di Indonesia. Pada penelitian ini akan dilakukan peramalan menggunakan metode STM untuk nilai inflasi Provinsi Jawa Barat. Metode STM diaplikasikan pada data yang tidak mengandung musiman. Pada data penelitian ini dilakukan pendeteksian musiman dengan Autocorrelation Function (ACF), diperoleh hasil bahwa data mengandung unsur musiman di setiap enam periode. Oleh karena itu, dilakukan multiplicative deseasonalization untuk menghilangkan musimannya. Setelah proses tersebut, dilakukan analisis STM yang menghasilkan konstanta b sebesar -0.0086 dan parameter a sebesar 0.4098. Parameter tersebut digunakan untuk mengitung kedua garis Theta. Lalu, dilakukan ekstrapolasi data terhadap kedua garis yang pada akhirnya dikombinasikan untuk mendapat hasil peramalan. Hasil peramalan menunjukkan pola musiman yang sama.

Kata Kunci: Peramalan, Theta Model, Standard Theta Method, Multiplicative Deseasonalization, Inflasi.

References

Assimakopoulos, V., & Nikolopoulos, K. (2000). The Theta Model: A Decomposition Approach to Forecasting. International Journal of Forecasting, 16, 521-530. www.elsevier.com/locate/ijforecast.

Bank Indonesia. (2023). Inflasi (Online), (https://www.bi.go.id/id/fungsi-utama/moneter/inflasi/default.aspx, diakses 30 November 2023).

Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. (Edisi kedua). Australia: Otexts.

Salim, A., Fadilla, & Purnamasari, A. (2021). Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi Indonesia. Jurnal Pemikiran dan Pengembangan Ekonomi Syariah, 7(1), 17-28.

Spiliotis, E., Makridakis, S., & Assimakopoulos, V. (2020). Generalizing the Theta Method for Automatic Forecasting. European Journal of Operational Research. DOI: 10.1016/j.ejor.2020.01.007.

Tadayonrad, Y. & Ndiaye, A. B. (2022). A Dynamic Combination of Theta Method and ATA: Validating on a Real Business Case. Engineering Proceedings.

Williams, D. W. (2017). Preparing Data for Forecasting. Pennsylvania: CRC Press.

Ageng Roro Dwi Utamy, & Yayat Karyana. (2023). Perkiraan Migrasi Perkelompok Umur Provinsi Banten Tahun 2020. Bandung Conference Series: Statistics, 3(2), 149–159. https://doi.org/10.29313/bcss.v3i2.7669

Dewi, F., 1, H., & Kudus, A. (2023). Penanganan Data Missing dengan Algoritma Multivariate Imputation By Chained Equations (MICE). 1(1), 35–42. https://doi.org/10.29313/datamath.v1i1.25

Oktoriandi, D. (2022). Penerapan uji Q Cochran terhadap Atribut Produk Laptop Menggunakan Multiple Response Analysis (MRA). Jurnal Riset Statistika, 1(2), 127–134. https://doi.org/10.29313/jrs.v1i2.521

Published
2024-02-08