Claim Missing Document
Check
Articles

Found 4 Documents
Search

Application of GSTARI (1,1,1) Model for Forecasting the Consumer Price Index (CPI) in Three Cities in Central Java Noverlina Putri Permatasari; Husnul Chotimah; Pandu Permana; Wenny Srimeinda Tarigan; Toni Toharudin; Budi Nurani Ruchjana
JTAM (Jurnal Teori dan Aplikasi Matematika) Vol 6, No 1 (2022): January
Publisher : Universitas Muhammadiyah Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31764/jtam.v6i1.6114

Abstract

Economic development is affected by several factors, one of which is the inflation rate. One indicator used to measure the inflation rate is Consumer Price Index (CPI). The CPI data is recorded simultaneously at several locations over time, produces space-time data. In Central Java Province, CPI is calculated in six regency/cities, so the CPI is affected by the time and other locations named space-time effect. The forecasting methods involve space and time effect simultaneously is GSTAR. This study used the GSTAR model to forecasting the CPI in 3 cities in Central Java, assuming that autoregressive and space-time parameters differ for each location. This study aims to obtain the best GSTAR model to forecast the CPI in three cities in Central Java by using the IDW and NCC weighting. The results indicated that the best GSTAR model for forecast the CPI in three cities (Surakarta, Semarang, and Tegal) was the GSTARI (1,1,1) model. The GSTARI (1,1,1) model fulfils the assumption of homoscedasticity, white noise, and multivariate normal. The MAPE values obtained using the IDW and NCC weighting are 0.2922% and 0.2914%, respectively. From these results, it can be concluded that the best GSTARI (1,1,1) model to forecast the CPI data in three cities in Central Java is NCC weights, as they have a minimum MAPE value . The results of this research canĀ  be used as consideration for the government in making economic policies at the present and in the future.
PENERAPAN MODEL SPACE TIME AUTOREGRESSIVE INTEGRATED (STARI(1,1,1)) PADA DATA NTP TANAMAN PANGAN DARI TIGA PROVINSI DI PULAU JAWA Fajriatus Sholihah; Kartika Sari; Budi Nurani Ruchjana; Toni Toharudin
Pattimura Proceeding 2021: Prosiding KNM XX
Publisher : Pattimura University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1109.121 KB) | DOI: 10.30598/PattimuraSci.2021.KNMXX.341-350

Abstract

Indikator yang digunakan untuk mengukur kesejahteraan petani tanaman pangan adalah Nilai Tukar Petani (NTP) tanaman pangan. NTP tanaman pangan dipengaruhi oleh waktu dan lokasi. Oleh karena itu, peramalan NTP tanaman pangan dapat menggunakan model Space Time Autoregressive Integrated (STARI). Pada paper ini, model STARI diterapkan untuk data NTP tanaman pangan pada tiga provinsi di Pulau Jawa, yaitu: Jawa Tengah, Daerah Istimewa Yogyakarta (DIY), dan Jawa Timur. Berdasarkan kestasioneran data menunjukkan bahwa data tidak stasioner, sehingga harus dilakukan proses differencing sebanyak satu kali. Identifikasi orde model AR secara univariat berdasarkan plot PACF yang terpotong pada lag 1. Lag spasial yang digunakan pada penelitian ini adalah lag spasial 1, artinya posisi Jawa Tengah, DIY, dan Jawa Timur berada dalam satu wilayah. Oleh karena itu, NTP tanaman pangan dapat dimodelkan dengan model STARI(1,1,1). Penaksiran parameter model STARI(1,1,1) digunakan metode OLS dengan matriks bobot invers jarak. Berdasarkan analisis yang dilakukan diperoleh kesimpulan bahwa model STARI(1,1,1) memenuhi asumsi residual berdistribusi normal multivariat dan white noise. Hasil peramalan NTP di tiga provinsi menggunakan model STARI(1,1,1) menunjukkan pola yang mendekati data aktualnya. Hal ini ditunjukkan dengan nilai MAPE yang diperoleh di tiga provinsi, masing-masing kurang dari 10%. Dengan demikian, model STARI(1,1,1) dapat digunakan dalam meramalkan NTP tanaman pangan di tiga provinsi dan dapat dijadikan bahan rekomendasi kepada instansi terkait
PENERAPAN MODEL VECTOR AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (VARIMA) UNTUK PRAKIRAAN INDEKS HARGA SAHAM GABUNGAN DAN KURS RUPIAH TERHADAP USD Ani Pertiwi; Lucy Fitria Dewi; Toni Toharudin; Budi Nurani Ruchjana
Pattimura Proceeding 2021: Prosiding KNM XX
Publisher : Pattimura University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1278.157 KB) | DOI: 10.30598/PattimuraSci.2021.KNMXX.431-442

Abstract

Informasi mengenai pergerakan Indeks Harga Saham Gabungan (IHSG) dan perubahan nilai Kurs Rupiah terhadap USD dapat digunakan para investor untuk melihat perkembangan harga saham yang dimiliki dari waktu ke waktu. Penelitian ini bertujuan untuk menerapkan model dan memprakirakan data IHSG dan nilai kurs dengan menggunakan Vector Autoregressive Integrated Moving Average (VARIMA). Data yang digunakan dalam penelitian ini berupa data sekunder yaitu data harian IHSG dan nilai Kurs Rupiah terhadap USD selama 15 bulan (1 Januari 2020 s.d 31 Maret 2021). Pada tahap uji stasioneritas, diketahui bahwa data tidak stasioner, sehingga dilakukan differencing pertama untuk memenuhi syarat stasioneritas. Hasil penelitian menunjukkan bahwa model yang memenuhi semua asumsi dan memiliki nilai AIC minimum sebesar 17.68992 adalah model VARIMA (3,1,1). Estimasi parameter menggunakan Metode Maximum Likelihoodmemberikan hasil prakiraan dengan nilai MAPE kurang dari 10%. Hal ini menunjukkan bahwa model VARIMA memiliki tingkat akurasi yang sangat baik.
MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DAN PENERAPANNYA PADA DATA PERKEMBANGAN HARGA ECERAN BERAS DI TIGA IBU KOTA PROVINSI WILAYAH PULAU JAWA Zulfa Hidayah Satria Putri; Asri Yuniar; Toni Toharudin; Budi Nurani Ruchjana
Pattimura Proceeding 2021: Prosiding KNM XX
Publisher : Pattimura University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1200.168 KB) | DOI: 10.30598/PattimuraSci.2021.KNMXX.533-544

Abstract

Beras merupakan komoditas pangan yang sangat penting karena merupakan bahan makanan pokok bagi sebagian besar penduduk Indonesia. Harga beras sangat mempengaruhi tingkat kesejahteraan peduduk. Model Vector Autoregressive Integrated (VARI) merupakan salah satu model time series multivariat yang digunakan untuk menentukan peramalan. Model VARI dipengaruhi oleh variabel itu sendiri pada periode sebelumnya dengan kondisi data non stasioner. Proses yang dilakukan dalam membentuk model VARI, yaitu differencing, identifikasi model time series, kestasioneran data, mengestimasi parameter, diagnostic test, dan peramalan. Tujuan dari penelitian ini adalah membentuk model peramalan untuk rata-rata harga beras eceran bulanan pada tiga ibu kota provinsi, yaitu: DKI Jakarta, Jawa Barat, dan Banten. Data yang digunakan adalah data rata-rata harga beras bulanan pada tiga ibu kota provinsi tersebut mulai dari Januari 2014 sampai dengan Desember 2019. Hasil penelitian menunjukkan model terbaik yang diperoleh dengan nilai AIC terkecil adalah VARI(1,1) yang artinya model VAR orde satu dengan proses differencing pertama. Hasil uji diagnostik juga menunjukkan bahwa setiap lokasi saling berkorelasi dan asumsi white noise terpenuhi. Dari ketiga model estimasi yang signifikan secara simultan, model untuk Ibu Kota DKI Jakarta memiliki tingkat signifikansi tertinggi dengan variabel yang signifikan mempengaruhi adalah rata-rata harga beras eceran bulanan pada Ibu Kota Provinsi DKI Jakarta dan Banten pada periode sebelumnya. Ketepatan model secara keseluruhan memiliki tingkat akurasi yang sangat baik dengan MAPE sebesar 5,202%