Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman

Popy Febritasari
Submission Date: 2016-02-03 19:50:53
Accepted Date: 2016-04-28 10:46:37

Abstract


ARIMA Box-jenkins dan VAR adalah salah satu metode time series yang biasa digunakan untuk melakukan analisis data dan peramalan. Dalam kehidupan sehari-hari, kita sering menemukan data yang mempunyai keterkaitan dalam deret waktu. Data yang memiliki ketekaitn deret waktu merupakan data time series, dimana data tersebut selalu berubah-ubah setiap periode waktu dengan berbagai macam faktor. Untuk mendapatkan prediksi yang mempunyai tingkat error yang kecil, maka akan dilakukan perbandingan dua model yaitu Vector Autoregressive (VAR)-Filter Kalman dan model Autoregressive Integrated Moving Average (ARIMA)-Filter Kalman. Algoritma Filter Kalman akan diterapkan pada hasil ramalan pemodelan ARIMA dan VAR dengan pengambilan derajat polinomial kesatu, dua, dan tiga untuk memperbaiki prediksi 7 bulan ke depan. Hasil akhir menujukan bahwa Filter Kalman mampu memperbaiki hasil estimasi ARIMA dan VAR. Dimana tingkat error ARIMA-Filter Kalman dan VAR-Filter Kalman lebih kecil dibandingkan dengan ARIMA dan VAR, yang ditunjukan melalui hasil simulasi berupa grafik dan diperjelas dengan nilai MAPE yang lebih kecil. Pengambilan derajat polinomial mempengaruhi hasil prediksi, semakin besar derajat polinomial maka semakin kecil error prediksi.



Keywords


ARIMA; Filter Kalman; polinomial derajat; VAR

References


Prastowo, N J. 2008. “Dampak BI Rate terhadap Pasar Keuangan”. Bank Indonesia: Working Paper No.21.

Subandi. 2005. “Analisis Peramalan Inflasi Di Indonesia dengan Menggunakan Metode ARIMA dan Vector Autoregressive”. Pustaka FE UNPAD

Welch, G. Dan Bishop, G. (2011). An introduction to the Kalman Filter. University of North Carolina: Chapel Hil, Amerika.

Makridakis, McGee, dan Wheelright, W. (1999). Metode dan Aplikasi Peramalan. Edisi kedua. Terj. Andriyanto, U.S. Bina Rupa Aksara: Jakarta.

Kurniawan, T. 2014. “Penerapan Metode Kalman Filter dalam Perbaikan Hasil Prediksi Cuaca dengan Metode ARIMA”. Tugas Akhir Jurusan Matematika, Institut Teknologi Sepuluh Nopember, Surabaya.

Fauzi, I H. 2015. “Perbandingan GSTAR dan ARIMA-Kalman Filter dalam Perbaikan Hasil Prediksi Debit Air Sungai Brantas”. Jurnal ITS

Djawoto. 2010. “Peramalan Laju Inflasi dengan Metode Auto Regressive Integrateg Moving Average (ARIMA)”. Ekuitaas Vol. 14 No 4 Desember 2010: 524-538

Galanis, G., Louka P., Katsafados, P., Kallos, G., dan Phytharoulis, I. (2006). Application of Kalman Filter Based On Non-Linear Function to Numerical Weather Prediction. Copernicus GmbH:Yunani

Wei, W.S (2006). Time Series Analysis Univariate and Multivariate Methods. Pearson Education Inc. : Amerika.


Full Text: PDF

CC Licencing


Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Refbacks

  • There are currently no refbacks.


Lembaga Penjaminan Mutu, Pengelolaan dan Perlindungan Kekayaan Intelektual (LPMP2KI) ITS
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.