Peramalan Inflasi Kota di Provinsi Jawa Barat Menggunakan Metode Generalized Space Time Autoregressive (GSTAR)
DOI:
https://doi.org/10.29313/bcss.v6i1.23674Keywords:
Inflasi, GSTAR, Jawa BaratAbstract
Abstract. One of the economic challenges that is currently a concern is inflation. Inflation is a continuous increase in the prices of goods and services over a certain period of time. Rising prices cause the value of money to decline, thereby reducing people's purchasing power. West Java Province is a strategic region that includes seven major cities, Bandung, Bekasi, Bogor, Cirebon, Depok, Sukabumi, and Tasikmalaya. Inflation can be controlled through targeted policies. In this case, statistical methods are important for generating forecasts. One relevant method is the Generalized Space-Time Autoregressive (GSTAR) model, which allows the use of different parameters for each location. The GSTAR model is a statistical approach used for forecasting and time series analysis. The GSTAR model is effective in determining the autoregressive order (p), as it assumes that the autoregressive parameter (p) differs in each location. The results of this study obtained the best GSTAR model (3,1) with different location weights. Bogor uses inverse distance location weights, Sukabumi uses uniform location weights, Bandung uses uniform location weights, Cirebon uses uniform location weights, Bekasi uses inverse distance location weights, Depok uses inverse distance location weights, and Tasikmalaya uses inverse distance location weights taken based on the smallest MSE value.
Abstrak. Salah satu tantangan ekonomi yang menjadi perhatian saat ini adalah inflasi. Inflasi adalah kenaikan harga barang dan jasa yang terus menerus dalam suatu periode waktu tertentu. Kenaikan harga menyebabkan nilai uang menurun, sehingga daya beli masyarakat juga menurun. Provinsi Jawa Barat merupakan salah satu wilayah strategis yang mencakup tujuh kota utama yaitu Bandung, Bekasi, Bogor, Cirebon, Depok, Sukabumi, dan Tasikmalaya. Inflasi bisa dikendalikan melalui kebijakan tepat sasaran. Dalam hal ini, metode statistik penting untuk menghasilkan peramalan. Salah satu metode yang relavan adalah model Generalized Space-Time Autoregressive (GSTAR) yang memungkinkan penggunaan parameter berbeda untuk setiap lokasi. Model GSTAR merupakan pendekatan statistik yang digunakan untuk peramalan dan analisis deret waktu yang melibatkan unsur lokasi dan waktu. Model GSTAR efektif dalam menentukan ordo autoregressive (p), karena mengasumsikan bahwa parameter autoregressive (p) berbeda di setiap lokasi. Hasil dari penelitian ini diperoleh model terbaik GSTAR (3,1) dengan bobot lokasi yang berbeda. Kota Bogor menggunakan bobot lokasi invers jarak, Kota Sukabumi menggunakan bobot lokasi seragam, Kota Bandung menggunakan bobot lokasi seragam, Kota Cirebon menggunakan bobot lokasi seragam, Kota Bekasi menggunakan bobot lokasi invers jarak, Kota Depok menggunakan bobot lokasi invers jarak, dan Kota Tasikmalaya menggunakan bobot lokasi invers jarak yang diambil berdasarkan nilai MSE terkecil.
References
Abdia, H., Akhsan, T. A., Kalondeng, A., & Siswanto, S. (2025). Pemodelan Generalized Space Time Autoregressive untuk Meramalkan Data Inflasi Bulanan di Provinsi Jawa Barat Abstrak. 11(1), 38–52.
Andriyani, M. F., Hoyyi, A., Yasin, H., Statistika, D., & Diponegoro, U. (2018). Pemodelan indeks harga konsumen di jawa tengah dengan metode generalized space time autoregressive seemingly unrelated regression (gstar-sur) 1,2,3. 7, 337–347.
Dan, P., Curah, P., Menggunakan, H., Skripsi, M. G., Statistika, S., Heryati, L., Raja, L., Studi, P., Statistika, S., Statistika, J., Matematika, F., Ilmu, D. A. N., Alam, P., & Brawijaya, U. (2018). No Title.
Handayani, R., Wahyuningsih, S., & Yuniarti, D. (2018). Pemodelan Generalized Space Time Autoregressive ( GSTAR ) Pada Data Inflasi di Kota Samarinda dan Kota Balikpapan Modeling Generalized Space Time Autoregressive ( GSTAR ) On Inflation Data In Samarinda And Balikpapan Program Studi Statistika FMIPA Universitas Mulawarman Program Studi Statistika FMIPA Universitas Mulawarman. 9, 153–162.
Hybrid, P., Space, G., Autoregressive, T., Support, D. A. N., Regression, V., Pulse, D., Kasus, S., Inflasi, D., Kota, T., Tahun, S. S., Ratri, D., Studi, P., Fakultas, S., Dan, M., Pengetahuan, I., Universitas, A., & Makassar, H. (2024). No Title.
Ingriela, M., Mario, T., Bekti, R. D., Statistka, J., & Terapan, F. S. (2021). Pemodelan Generalized Space Time Autoregressive ( Gstar ) Untuk Peramalan Tingkat Inflasi Di Pulau Jawa. 06(02), 171–184.
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
Prihadyatama, A., Madiun, P. N., Kurniawan, H. A., Madiun, P. N., & Madiun, K. (2022). Studi Literatur Roadmap Pengendalian Inflasi Daerah di Indonesia. 1(4).
Rahmi Oktavia Maudinatul, & Sunendiari, S. (2021). Aplikasi Model Indeks Tunggal dalam Pembentukan Portofolio Optimal pada Data Harga Saham Indeks IDX30 di Bursa Efek Indonesia. Jurnal Riset Statistika, 1(1), 73–82. https://doi.org/10.29313/jrs.v1i1.305
Risyda, P. A., Rahmi, S., & Syahinda, T. R. (2025). Dinamika Pertumbuhan Penduduk dalam Mendorong Ekonomi Berkelanjutan. 5, 121–133.
Sekarsari, D., Amaliah, F., Zahra, A., Ayuningtyas, F. R., & Fadilla, A. (2024). Analisis Dinamika Inflasi dan Implikasinya terhadap Stabilitas Ekonomi di Indonesia. 1(3), 1–9.
Sheila Ghazia Shofwani, & Kudus, A. (2021). Penentuan Kriteria Pengunjung dalam Pemilihan Green Hotel di Kota Bandung Menggunakan Metode Discrete Choice Experiment dengan Desain Choice Sets Kombinatorial. Jurnal Riset Statistika, 1(1), 1–9. https://doi.org/10.29313/jrs.v1i1.5
Statistika, P. S., Matematika, F., Ilmu, D. A. N., Alam, P., & Indonesia, U. I. (2022). Implementasi Model Generalized Space Time Autoregressive ( Gstar ) Dalam.
Wildan, & Karyana, Y. (2021). Evaluasi Kesalahan Proyeksi Penduduk Tahun 2020 untuk Memproyeksikan Penduduk Tahun 2025 Provinsi Jawa Barat. Jurnal Riset Statistika, 1(2), 92–98. https://doi.org/10.29313/jrs.v1i2.407
