You are on page 1of 11

Peramalan Inflasi di Indonesia Dengan Pendekatan ARIMA dan Fuzzy Time Series

Adi Wijaya, S.ST, M.Si1


adiw@bps.go.id

Keyword : inflation, forecasting, ARIMA, Fuzzy time series, Chens and Chengs Method

Inflasi merupakan fenomena ekonomi yang hampir terjadi di semua negara di dunia termasuk Indonesia. Inflasi memiliki nilai yang berbeda dari satu periode ke periode lainnya dan berbeda pula dari satu negara dengan negara lain. Inflasi merupakan kenaikan harga-harga secara umum, yang menjadi salah satu awal dari beragam masalah ekonomi dan sosial yang memerlukan mekanisme tertentu dalam penanganannya. Masih segar dalam ingatan bagaimana inflasi di pertengahan tahun 1998 menghancurkan pondasi ekonomi Indonesia yang bergeser pada beragam masalah sosial, budaya dan politik. Kebijakan moneter yang disusun oleh Bank Indonesia sebagai otoritas moneter di Indonesia dalam suatu kerangka kebijakan moneter dengan menggunakan Inflation Targeting, suatu kerangka kebijakan moneter yang dicirikan dengan penetapan target inflasi yang diumumkan secara resmi kepada publik dan inflasi merupakan satu-satunya tujuan dari kebijakan moneter (Agung J, 2002). Hutabarat (2003) menyatakan bahwa model proyeksi inflasi dan simulasi kebijakan menjadi dasar pijakan awal sebelum mempertimbangkan berbagai aspek lain dalam memutuskan kebijakan moneter. Dalam kerangka kebijakan penargetan inflasi (inflation targeting framework), penyampaian target inflasi kepada publik lebih awal dan secara terbuka berguna untuk

ad

iw

ta l

ks

.w

1 Pendahuluan

or dp
1

re

Abstract. Inflation is an economic phenomenon that occurs in almost all countries in the world, including Indonesia. Different figures of inflation forecasts issued by government agencies and non-governmental economic actors create doubt in determining inflation expectations. One way to produce a valid and accurate forecast figures by performing the selection of right techniques or methods of forecasting. This research will use ARIMA, the classical forecasting method in comparison with fuzzy time series (using Chens and Chengs method), the modern forecasting methods in forecasting inflation data. The results show that the forecasted inflation of these three methods is quite close to the real data in January 2011, but in the months that followed the pattern of forecast results show considerable fluctuations differ between methods. So that it can be seen that the three methods used for forecasting either a step forward forecasting. Among the three above mentioned methods of forecasting, forecasting method using the fuzzy logic relationship (first order) method of Chengs method is the best method of predicting monthly inflation in Indonesia.

ss .

co

2 Tinjauan Pustaka

2.1 Autoregressive Integrated Moving Average Autoregressive Integrated Moving Average (ARIMA) atau biasa disebut dengan metode Box-Jenkins sangat baik ketepatannya untuk peramalan jangka pendek, yang tidak membentuk suatu model struktural baik itu persamaan tunggal atau simultan yang bebasis kepada teori ekonomi atau logika, namun dengan menganalisis probabilistik atau stokastik dari data deret waktu (time series) dengan menggunakan nilai masa lalu dan sekarang untuk menghasilkan peramalan jangka pendek yang akurat. Hal ini terjelaskan dengan prinsip dari metode ini yaitu let the data speak for themselves (Gujarati, 2004). Metode ARIMA dibagi kedalam tiga kelompok model deret waktu linier, yaitu: autoregressive model (AR), moving average model (MA) dan model campuran yang memiliki karakteristik kedua model di atas yaitu autoregressive moving average (ARMA) dan autoregressive integrated moving average (ARIMA). Sebuah model deret waktu digunakan berdasarkan asumsi bahwa data deret waktu yang digunakan harus stasioner yang artinya variasi data deret waktu bernilai konstan atau data berada di sekitar nilai rata-ratanya. Tapi hal ini tidak banyak ditemui dalam banyak data deret waktu, mayoritas merupakan data yang tidak stasioner. Seringkali sebuah data deret waktu tidak memenuhi sifat stasioner, hal ini memerlukan proses lanjutan agar data stasioner. Jika data tidak stasioner pada

ad

iw

ta l

ks

.w

or dp
2

re

membentuk ekspektasi inflasi. Ekspektasi ini akan mempengaruhi tingkat inflasi di masa yang akan datang, melalui dampak yang ditimbulkan terhadap permintaan agregat dan tingkat kesenjangan output. Perbedaan angka perkiraan inflasi yang dikeluarkan lembaga pemerintah maupun non-pemerintah membuat para pelaku ekonomi ragu dalam menetapkan ekspektasi inflasinya. Hal ini menimbulkan pertanyaan bagaimana memperkirakan laju inflasi bulanan dengan akurat dan cepat, dan pertanyaan. Salah satu cara dalam menghasilkan angka ramalan yang valid dan akurat dan teruji signifikan secara statistik adalah dengan melakukan pemilihan teknik atau metode peramalan yang tepat. Perkembangan teknik atau metode peramalan dengan data deret waktu cukup pesat, banyak pilihan metode yang dapat digunakan untuk meramalkan sebuah deret waktu sesuai dengan kebutuhan dan kondisi data dengan penawaran tingkat akurasi hasil ramalan yang tinggi. Pada penelitian ini akan dibahas penggunaan metode peramalan klasik yaitu ARIMA dibandingkan dengan metode peramalan modern yaitu fuzzy time series dengan menggunakan metode Chen (Chen-1) dan Cheng (Chen-2) dalam peramalan data inflasi.

ss .

co

variannya, maka dapat dilakukan transformasi stabilisasi varians, seperti transformasi kuasa Box-Coc (Box-Cocs power transformation) atau transformasi logaritmis. Akan tetapi jika data tidak stasioner pada nilai rataratanya, maka dapat dilakukan proses differencing. Model dengan data yang stasioner melalui proses differencing ini disebut sebagai model ARIMA. Dengan demikian, jika data stasioner pada proses differencing d kali, dan mengaplikasikan ARMA(p,q), maka model yang terbentuk adalah model ARIMA(p,d,q) dimana p adalah menunjukkan ordo/derajat autoregressive (AR) atau tingkat AR, d adalah tingkat proses differencing dan q adalah menunjukkan ordo/derajat moving average atau tingkat MA. Bentuk umum model ini adalah: dengan:

2.2 Fuzzy Time Series

Logika fuzzy mendasarkan pada prinsip ketidakpastian suatu elemen pada sebuah himpunan. Pada teori himpunan klasik, jika terdapat dua himpunan misalkan A dan B, maka keberadaan sebuah elemen pada suatu himpunan hanya akan mempunyai satu kemungkinan keanggotaan, yaitu menjadi anggota himpunan A atau himpunan B. Akan tetapi pada logika fuzzy, suatu elemen dapat menjadi anggota dari kedua himpunan, baik A ataupun B dengan derajat keanggotaan tertentu. Aturan fuzzy merupakan bentuk pemodelan pada logika fuzzy dengan mengunakan kata-kata atau kalimat bahasa modern. Aturan fuzzy dapat diinterpretasikan sebagai relasi antar himpunan fuzzy yang telah dibahas sebelumnya. Bentuk umum aturan fuzzy adalah: dimana A dan B adalah nilai lingustik yang didefinisikan oleh himpunan fuzzy pada semesta X dan Y. disebut sebagai anteseden atau premis dan disebut konsekuen (Jang, 1997). Logika fuzzy sudah digunakan dan diterapkan di berbagai bidang atau disiplin ilmu misalkan digunakan untuk prediksi temperatur atau suhu (Chen dan Hwang, 2000), peramalan pada pasar valuta asing (Tseng et al, 2001) dan stok pasar untuk jangka pendek (Astalakis dan Valavanis, 2009).

ad

iw

ta l

ks

.w

or dp
3

= = data deret waktu yang telah mengalami differencing = = = differencing non-musiman pada orde ke-d = backshift operator = nilai kesalahan pada waktu ke- t

re

ss .

co

Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Badan Pusat Statistik yaitu data inflasi bulanan (BPS, 2011). Periode penelitian yang digunakan adalah bulan Juli 1997 hingga Desember 2010 (157 bulan) dengan pembagian untuk data training sebanyak 150 bulan dan untuk data testing sebanyak 7 bulan. Pengambilan periode penelitian ini didasarkan pada keadaan perekonomian Indonesia setelah krisis moneter. Langkah-langkah metode analisis yang dilakukan pada penelitian ini adalah : 1. Melakukan pemodelan ARIMA 2. Melakukan pemodelan dengan fuzzy time series dengan metode Chen (Chen-1) 3. Melakukan pemodelan dengan fuzzy time series dengan metode Cheng (Chen-2)

ad

iw

3 Metodologi Penelitian

ta l

Dimana a, b, , z merupakan jumlah pengulangan dari tiap-tiap FLR

ks

.w

Dimana m merupakan nilai tengah dari FLR Metode Cheng (Chen-2) Menggunakan FLR dengan all relationship yaitu dengan memasukkan semua hubungan, dengan menggunakan teorema penentuan nilai tengah sebagai berikut (Cheng, 2008):

or dp
4

re

ss .

Menurut Chen (1996) tahapan dalam melakukan peramalan pada data time series dengan menggunakan fuzzy logic relationship (FLR) atau biasa disebut fuzzy time series adalah sebagai berikut: 1. Definisikan universe of discourse (semesta) misalkan U dan bagi U menjadi beberapa interval dengan jarak yang sama 2. Definisikan himpunan fuzzy pada U dan lakukan fuzzyfication pada data historis yang diamati 3. Dapatkan pengelompokan FLR yang berdasar pada data historis 4. Klasifikasikan FLR yang telah diperoleh dari tahap ke-3 ke dalam kelompok-kelompok 5. Hitung nilai ramalan dengan menggunakan dua metode dalam penelitian yaitu: Metode Chen (Chen-1) Menggunakan FLR dengan no-recurrence relationship yaitu dengan tanpa memasukkan pengulangan nilai tengah kelompok fuzzy , dengan menggunakan teorema penentuan nilai tengah sebagai berikut:

co

4. Melakukan peramalan dengan ketiga metode pada data testing maupun pada data training 5. Membandingkan hasil dan ketepatan ramalan ketiga metode 6. Interpretasi dan kesimpulan

4 Hasil dan Pembahasan


Inflasi di indonesia pada periode setelah krisis ekonomi memiliki dua titik puncak yaitu Juli 1998 dengan tingkat inflasi sebesar 8,56% dan pada bulan Oktober 2005 sebesar 8,7% dengan penyebab utama yaitu kebijakan pemerintah mengurangi subsidi BBM yang mengakibatkan kenaikan harga BBM berimbas pada kenaikan harga-harga secara umum. Secara rata-rata inflasi di Indonesia berada di kisaran 0,75% setiap bulannya.
10

Inflasi

Pembentukan model ramalan inflasi di indonesia dengan menggunakan ARIMA diperoleh hasil bahwa model terbaik adalah ARIMA(1,0,0) atau AR(1) dengan memperhatikan pola ACF yang menurun secara eksponensial (dies down) dan PACF nya yang muncul spike pada lag ke-1 (cut off setelah lag ke-1) yaitu: Secara lengkap, hasil pengolahan ARIMA dan interpretasinya dapat dilihat pada tabel 4.1 berikut:

ad

Month Jul Jul Jul Jul Jul Jul Jul Jul Jul Jul Jul Jul Jul Year 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

iw

Gambar 4.1 Grafik perkembangan laju inflasi bulanan di Indonesia (periode Juli 1998-Juli 2010)

ta l

ks

.w

or dp
5

re

ss .

co

Tabel 4.1 Hasil pengolahan ARIMA (1,0,0) dengan data inflasi Juli 1998 Desember 2010
kriteria (1) Stationary test hasil (2) ACF dan PACF residualnya berada di di dalam rentang (berada di sekitar 0) uji kolmogorov-smirnov tidak signifikan p-value statistik uji L-Jung Box > 0,05 pada lag 12, 24, 48 model signifikan pada level 5% signifikan pada level 5% 0,194199 keterangan (3) data telah stasioner pada mean residual tidak berdistribusi normal residual bersifat random

Normality White noise

Overall test (Uji F) Partial test (Uji t) MSE

nilai p-value < 0,05 nilai p-value < 0,05 data training

Tabel 4.2 Pengelompokan data ke dalam bilangan fuzzy

.w

Universe discourse (Ut) Batas bawah (1) -1,25 -0,75 -0,25 0,25 0,75 1,25 1,75 2,25 2,75 3,25 Batas atas (2) -0,75 -0,25 0,25 0,75 1,25 1,75 2,25 2,75 3,25 3,75

or dp
Nilai tengah (mi) (4) -1 -0,5 0 0,5 1 1,5 2 2,5 3 3,5

Berdasarkan tahapan peramalan time series dengan menggunakan fuzzy logic relationship (FLR) diperoleh hasil pengelompokan data inflasi ke-dalam bilangan fuzzy sebanyak 20 dengan interval 0,5 sebagai berikut:

re

ks

Bilangan fuzzy (Ai) (3)

Universe discourse (Ut) Batas bawah 3,75 4,25 4,75 5,25 5,75 6,25 6,75 7,25 7,75 8,25

ss .
Batas atas 4,25 4,75 5,25 5,75 6,25 6,75 7,25 7,75 8,25 8,75

co

Bilangan fuzzy (Ai) A11 A12 A13 A14 A15 A16 A17 A18 A19 A20

Nilai tengah (mi)

ta l
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10

4 4,5 5 5,5 6 6,5 7 7,5 8 8,5

Pada tahap berikutnya, menggunakan first order FLR dengan tanpa memasukkan pengulangan hubungan yang sama (no-recurrence relationship) yang nantinya digunakan sebagai peramalan pada metode Chen (Chen-1) dan memasukkan semua hubungan yang nantinya digunakan sebagai peramalan pada metode Cheng (Chen-2).

ad

iw

Tabel 4.3 Pengelompokan bilangan fuzzy (no-recurrence relationship)


Kelompok FLR Left Kronologi Hand Right Hand Side Side (RHS) (2) (3) A1 A1,A2 A2 A1,A2,A3,A4 A3 A2,A3,A4,A5,A6,A7 A4 A3,A4,A5,A6,A7,A20 A5 A3,A4,A5,A6,A7 A6 A3,A4,A5,A6,A7,A8,A9 A7 A3,A4,A5,A6 A8 A6 A9 A6 A10 A2 A12 A10 A20 A6,A12 Jumlah RHS (4) 2 5 6 6 5 8 4 1 1 1 1 2 Nilai tengah (5) -0,75 -0,25 0,75 4,25 1 1,5 0,75 1,5 1,5 -0,5 3,5 3

Tabel 4.4 Pengelompokan bilangan fuzzy (all relationship)


Kelompok (1) 1 2 3 4 5 6 7 8 9 10 11 12 Kelompok FLR Left Kronologi Hand Right Hand Side Side (RHS) (2) (3) A1 A1,A2 A2 A1,2A2,2A3,2A4 A3 3A2,19A3,10A4,4A5,2A6,A7 A4 9A3,12A4,17A5,4A6,A7,A20 A5 3A3,14A4,7A5,4A6,A7 A6 5A3,3A4,A5,2A6,3A7,A8,A9 A7 A3,3A4,A5,A6 A8 A6 A9 A6 A10 A2 A12 A10 A20 A6,A12 Jumlah RHS (4) 2 7 39 44 29 16 6 1 1 1 1 2 Nilai tengah (5) -0,75 -0,14286 0,320513 0,897727 0,758621 1,0625 0,666667 1,5 1,5 -0,5 3,5 3

Setelah tahap di atas, peramalan dengan menggunakan first order FLR siap dilakukan. Sebagai contoh peramalan satu tahap ke depan, misalkan ingin meramalakan inflasi pada bulan Januari 2011 dengan menggunakan data inflasi bulan Desember 2010 sebesar 0,92.

ad

iw

ta l

ks

.w

or dp
7

re

Kelompok (1) 1 2 3 4 5 6 7 8 9 10 11 12

ss .

co

Tabel 4.5 Perbandingan data aktual inflasi dengan hasil ramalan dengan metode ARIMA (1,0,0), Chen-1 dan Chen-2
Tahun (1) 2011 2011 2011 2011 2011 2011 2011 Bulan (2) Januari Februari Maret April Mei Juni Juli Inflasi Aktual (3) 0,758621 0,758621 0,320513 -0,14286 -0,14286 0,320513 0,897727 Inflasi hasil ramalan dengan metode ARIMA(1,0,0 ) (4) 0,749689 0,77217 0,782797 0,787821 0,790196 0,791319 0,791849 Chen- 1 (5) 1 1 0,75 -0,25 -0,25 0,75 4,25 Chen- 2 (6) 0,758621 0,758621 0,320513 -0,14286 -0,14286 0,320513 0,897727

10 8 6 4 2 0

or dp

Dari tabel 4.2 dan 4.3 dapat diketahui bahwa bulan inflasi bulan Desember 2010 memiliki kronologi A5 A3, A4, A5, A6, A7 atau berada pada kelompok FLR ke-5 sehingga diperkirakan tingkat inflasi pada bulan Januari 2011 dengan menggunakan metode Chen-1 adalah 1%, sedangkan dengan menggunakan metode Cheng (Chen-2) tingkat inflasi pada bulan Januari 2011 adalah 0,758621% .

re

ss .

co

Tingkat inflasi

Gambar 4.3 Perbandingan data aktual inflasi dengan hasil ramalan dengan model ARIMA (1,0,0), Chen-1 dan Chen-2 (data training)

ad

Month Year

iw

ta l

l l l l l l l l l l l l l Ju Ju Ju Ju Ju Ju Ju Ju Ju Ju Ju Ju Ju 98 99 00 01 02 03 04 05 06 07 08 09 10 19 19 20 20 20 20 20 20 20 20 20 20 20

ks

Variabel Inflasi ak tual A RIMA (1,0,0) Chen-1 Chen-2

.w
8

Variabel Inflasi aktual ARIMA(0,1,1 ) Chen- 1 Chen- 2

3
Tingkat inflasi

Gambar 4.4 Perbandingan data aktual inflasi dengan hasil ramalan dengan model ARIMA (1,0,0), Chen-1 dan Chen-2 (data testing)

Terlihat pada gambar 4.3 bahwa ramalan yang dihasilkan ketiga metode cukup dekat dengan data yang sesungguhnya pada bulan januari 2011, akan tetapi pada bulan-bulan berikutnya pola hasil ramalan menunjukkan fluktuasi yang cukup berbeda antar metode. Sehingga dapat diketahui bahwa ketiga metode baik digunakan untuk peramalan 1 tahap kedepan. Selain dengan perbandingan data aktual dengan hasil ramalan, untuk mengukur seberapa efektif sebuah metode dalam peramalan data time series, dapat dilihat dari seberapa kecil tingkat kesalahan prediksi atau akurasi ramalan yang dihasilkan oleh model dari metode tersebut dibandingkan dengan data yang sebenarnya (data testing). Terkadang model peramalan cukup baik dalam menghasilkan nilai ramalan pada data training akan tetapi tidak jarang saat diujicobakan pada data testing tingkat akurasinya menjadi lebih rendah. Oleh karena itu diperlukan suatu ukuran untuk mengetahui akurasi atau ketepatan hasil ramalan yang dihasilkan oleh suatu model atau metode. Tingkat kesalahan hasil peramalan ini diukur dengan menggunakan MSE, MAD, RMSE dan atau MAPE. Semakin kecil nilai keempat ukuran tersebut semakin baik model tersebut digunakan sebagai model peramalan (Hankey JE, 2005). Secara lengkap dapat dilihat dalam tabel berikut ini.

ad

iw

ta l

ks

.w

or dp
9

Month Jan Year 2011

re

Feb

Mar

Apr

ss .
Mei Jun

co
Jul

Tabel 4.6 Perbandingan ukuran kesalahan prediksi dengan model ARIMA (1,0,0), Chen-1 dan Chen-2 pada data training maupun data testing
Proses (1) training Metode (2) ARIMA (1,0,0) Chen-1 Chen-2 ARIMA (1,0,0) Chen-1 Chen-2 MSE (3) 0,194199 196,127 0,30118 1,99379 4,35291 0,154597 MAD (4) 0,592497 1,51333 0,463743 0,573781 0,894286 0,326818 RMSE (5) 0,44068 14,0045 0,548798 1,41202 2,08636 0,393189 MAPE (6) 2,79442 5,34222 1,57986 2,61294 2,73478 1,49594

testing

Dari pembahasan di atas dapat disimpulkan beberapa hal, diantaranya: 1. Ramalan yang dihasilkan ketiga metode cukup dekat dengan data yang sesungguhnya pada bulan Januari 2011, akan tetapi pada bulan-bulan berikutnya pola hasil ramalan menunjukkan fluktuasi yang cukup berbeda antar metode. Sehingga dapat diketahui bahwa ketiga metode baik digunakan untuk peramalan 1 tahap kedepan. 2. Diantara ketiga metode peramalan tersebut di atas, metode peramalan dengan menggunakan FLR (first order) metode Cheng (Chen-2) merupakan metode yang paling baik dalam meramalkan inflasi bulanan di Indonesia

Daftar Pustaka
Agung J. (2002). Targetting: Sebuah Framework Kebijakan Moneter. Seminar Inflation Targetting dan Cara Penghitungan. Jakarta: Departemen Keuangan Astalakis & Valavanis (2009), Forecasting stock market short-term trends using a neurofuzzy based methodology, Expert Systems with Applications 36: 1069610707

ad

iw

ta l

ks

5 Kesimpulan

.w

Ukuran kesalahan prediksi yang ditunjukkan pada tabel 4.3 di atas memperlihatkan bahwa pada data training hasil ramalan metode Chen-1 memiliki ukuran kesalahan yang lebih besar dibandingkan dengan ARIMA (1,0,0) maupun metode Cheng (Chen-2), sedangkan metode Cheng (Chen-2) dan ARIMA (1,0,0) memberikan ukuran kesalahan yang relatif sama kecilnya. Hasil berbeda ditunjukkan ketika data testing, ukuran kesalahan prediksi pada metode Cheng (Chen-2) paling kecil dari semua metode. Dengan demikian dapat dikatakan bahwa diantara ketiga metode peramalan tersebut di atas, metode peramalan dengan menggunakan FLR (first order) metode Cheng (Chen-2) merupakan metode yang paling baik dalam meramalkan inflasi bulanan di Indonesia.

or dp
10

re

ss .

co

BPS. (2011). Berita Resmi Statistik (beberapa edisi). Jakarta: BPS. Chen, S.M (1996), Forecasting enrollments based on fuzzy time series, Fuzzy Sets and System 81:311-319 Chen & Hwang (2000), Temperature Prediction Using Fuzzy Time Series, Ieee transactions on systems, man, and cyberneticspart b: cybernetics, vol. 30(2) Cheng, Ching-Hsue (2008), Time series adaptive expectation model for TAIEX forecasting. Science Direct 34:1126-1132 Gujarati, Damodar (2004), Basic Econometrics 4th edition. New York: McGraw-Hill Hankey JE, W. D. (2005). Business Forecasting. New Jersey: Prentice Hall. Hutabarat AR (2003). Suku Bunga SBI dan Proyeksi Inflasi. Direktorat Riset Ekonomi dan Kebijakan Moneter. Jakarta: Bank Indonesia. Jang, J. (1997). Neuro-Fuzzy and Soft Computing. New Jersey: Prentice Hall.

ad

iw

ta l

ks

.w

or dp
11

Tseng, Fang Mei (2001), Fuzzy ARIMA model for forecasting the foreign exchange market 118:9-19

re

ss .

co