BAB IV PEMBAHASAN
4.13 Prediksi
Berdasarkan Tabel 4.14, diperoleh nilai 𝑝-value > 𝛼 dengan taraf signifikansi 𝛼 = 0.05 pada seluruh lag ke-1 sampai lag ke-10 maka 𝐻0 diterima.
Artinya autokorelasi residual antar lag tidak berkaitan atau tidak ada autokorelasi antar lag pada pemodelan TVAR(1) dengan satu threshold. Karena sudah tidak ada autokorelasi residual dalam model, maka model TVAR(1) dengan satu threshold layak digunakan sebagai model dan dapat digunakan sebagai model untuk memprediksi. Selanjutnya akan dilakukan prediksi menggunakan model TVAR(1) dengan satu threshold.
4.13 Prediksi
Berdasarkan model TVAR(1) dengan satu threshold dilakukan prediksi dan diperoleh hasil dari prediksi cadangan devisa kemudian akan dibandingkan keakuratannya dengan data aktual. Hasil prediksi dan data aktual cadangan devisa ditampilkan dalam Gambar 4.4. dan Tabel 4.15.
35
0 20000 40000 60000 80000 100000 120000 140000
Sep-17 Oct-17 Nov-17 Dec-17 Jan-18 Feb-18 Mar-18 Apr-18 May-18 Jun-18 Jul-18 Aug-18 Sep-18 Oct-18 Nov-18 Dec-18 Jan-19 Feb-19 Mar-19 Apr-19 May-19 Jun-19 Jul-19
Hasil Prediksi Data Aktual
Gambar 4.4. Plot Hasil Prediksi dan Data Aktual Tabel 4.15. Perbandingan Hasil Prediksi dan Data Aktual
Bulan Hasil Prediksi
(Data Testing) Data Aktual
September 2017 129166.4 129402.4
Oktober 2017 128672.9 126547.1
November 2017 127636.3 125967.2
Desember 2017 126150.0 130196.4
Januari 2018 124312.6 131979.6
Februari 2018 122232.4 128058.6
Maret 2018 120018.3 126003.2
April 2018 117773.2 124862.0
Mei 2018 115589.1 122913.9
Juni 2018 113544.3 119839.0
Juli 2018 111701.6 118312.2
36
Agustus 2018 110107.4 117927.2
September 2018 108792.2 114847.5
Oktober 2018 107771.3 115163.1
November 2018 107046.1 117211.9
Desember 2018 106606.1 120654.3
Januari 2019 106430.7 120075.2
Februari 2019 106491.4 123273.9
Maret 2019 106754.1 124539.3
April 2019 107181.2 124293.8
Mei 2019 107733.5 120347.1
Juni 2019 108372.1 123823.3
Juli 2019 109059.7 125900.0
Berdasarkan Gambar 4.4. dan Tabel 4.15, hasil prediksi bulan September 2017 sampai dengan Desember 2017 nilai prediksinya mendekati data aktualnya, karena pada bulan tersebut errornya kecil. Sedangkan untuk bulan lainnya yaitu Januari 2018 sampai dengan Juli 2019 nilai prediksinya kurang mendekati data aktualnya, karena pada bulan tersebut errornya cukup besar.
Hasil prediksi dikatakan sangat baik jika nilai MAPE kurang dari 10% dan dikatakan baik jika nilai MAPE berkisar 10% sampai dengan 20%. Berdasarkan Tabel 4.15, data hasil prediksi dan data aktual dilakukan akurasi prediksi untuk memvalidasi tingkat keakuratan dengan menggunakan MAPE diperoleh nilai sebesar 0.07473055 atau 7,5% sehingga dikatakan sangat baik karena nilai MAPE kurang dari 10%. Dari MAPE yang diperoleh, keakurasian model TVAR(1) dengan satu threshold sangat baik sehingga dapat digunakan untuk memprediksi cadangan
37
0 20000 40000 60000 80000 100000 120000 140000
Hasil Prediksi Data Aktual Prediksi Selanjutnya
devisa di masa yang akan datang. Hasil prediksi cadangan devisa enam bulan mendatang ditampilkan dalam Tabel 4.16 dan Gambar 4.5 berikut.
Tabel 4.16. Prediksi Cadangan Devisa
Bulan Hasil Prediksi
Agustus 2019 109762.1 September 2019 110449.2 Oktober 2019 111095.5 November 2019 111680.4 Desember 2019 112188.8 Januari 2020 112610.4
Gambar 4.5. Plot Prediksi Cadangan Devisa Indonesia
Berdasarkan Tabel 4.16 dan Gambar 4.5 diperoleh bahwa cadangan devisa Indonesia pada periode enam bulan mendatang mengalami kenaikan. Pada Agustus 2019 cadangan devisa diprediksikan bernilai 109762.1 juta dollar AS. Selanjutnya dari bulan September 2019 sampai dengan Januari 2020 diprediksikan cadangan devisa mengalami kenaikan secara berturut-turut dengan nilai cadangan devisa
38 110449.2 juta dollar AS, 111095.5 juta dollar AS, 111680.4 juta dollar AS, 112188.8 juta dollar AS dan 112610.4 juta dollar AS.
39 BAB V PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian menunjukkan bahwa pemodelan dengan menggunakan TVAR merupakan pengembangan pemodelan VAR dengan memasukan threshold yang dimanfaatkan untuk menangkap non linearitas yang terdapat dalam data keuangan. Dari pembahasan diperoleh bahwa model TVAR yang paling sesuai adalah TVAR(1) dengan satu threshold untuk model cadangan devisa (𝑌̂1,𝑡) dengan pembagian dua rezim, yaitu.:
1. Rezim Bawah
𝑌̂1,𝑡= 5719.0255 + 0.9535 𝑌1,𝑡−1+ 0.5475𝑌2,𝑡−1− 0.4715 𝑌3,𝑡−1− 26315.0566 𝑌4,𝑡−1; 𝑌3,𝑡−1 ≤ 13790.66 (5.1) 2. Rezim Atas
𝑌̂1,𝑡= 16015.9136 + 0.9549 𝑌1,𝑡−1+ 0.1269 𝑌2,𝑡−1− 0.9948 𝑌3,𝑡−1+ 43985.9438 𝑌4,𝑡−1 ; 𝑌3,𝑡−1 > 13790.66 (5.2)
Dimana variabel cadangan devisa (𝑌1,𝑡−1), variabel nilai ekspor (𝑌2,𝑡−1), variabel nilai impor (𝑌3,𝑡−1), dan variabel nilai inflasi (𝑌4,𝑡−1), dan 𝑟 = 13790.66 yakni sebagai threshold. Dari pemodelan TVAR(1) dengan satu threshold diperoleh bahwa model memiliki MAPE sebesar 7,5%. Apabila MAPE kurang dari 10%
dapat model dapat dikatakan sangat baik, artinya model TVAR(1) dengan satu threshold yang telah diteliti dapat dikatakan sangat baik untuk digunakan dalam prediksi. Dari nilai MAPE tersebut maka diprediksi cadangan devisa Indonesia untuk enam bulan mendatang.
5.2 Saran
Penelitian selanjutnya dapat dilakukan dengan menambahkan variabel eksogen dan dapat juga dilakukan pengujian terhadap efek asimetris atau dapat menambahkan Autoregressive Conditional Heteroskedasticity (ARCH) pada model
40 TVAR sehingga didapatkan pemodelan yang lebih baik untuk digunakan dalam memprediksi.
41
REFERENSI
[1] A. H. Manurung, Cadangan Devisa dan Valuta Asing. Jakarta: Kompas Media Nusantara, 2016.
[2] Agustina dan Reny, “Pengaruh Ekspor, Impor, Nilai Tukar Rupiah, dan Tingkat Inflasi terhadap Cadangan Devisa Indonesia,” Jurnal Wira Ekonomi Mikroskil, vol. 4, no.2, pp. 61-70, 2014.
[3] L. B. Uli, “Analisis Cadangan Devisa,” Jurnal Perspektif Pembiayaan dan Pembangunan Daerah, vol. 4, no.1, pp. 15-24, 2016.
[4] P. Sayoga dan S. Tan, “Analisis Cadangan Devisa Indonesia dan Faktor-Faktor yang Mempengaruhinya,” Jurnal Paradigma Ekonomika, vol. 12, no.1, pp. 25-30, 2017
[5] A. P. Sonia dan N. D. Setiawina, “Pengaruh Kurs, JUB, dan Tingkat Inflasi terhadap Ekspor, Impor, dan Cadangan Devisa Indonesia,” E-Jurnal Ekonomi Pembangunan Universitas Udayana, vol. 5, no.10, pp. 1077-1102, 2016.
[6] D. V. Gandhi, Pengelolaan Cadangan Devisa di Bank Indonesia. Jakarta:
Pusat Pendidikan dan Studi Kebanksentralan (PPSK) Bank Indonesia, 2006.
[7] I. Mukhlis, Ekonomi Keuangan dan Perbankan Teori dan Aplikasi. Jakarta:
Salemba Empat, 2015.
[8] M. Ekanda, Analisis Ekonometrika Keuangan Untuk Penelitian Bisnis dan Keuangan. Jakarta: Salemba Empat, 2016.
[9] R. S. Tsay, Analysis of Financial Time Series Thrid Edition. New Jersey: John Wiley & Sons, Inc, 2010.
[10] W. W. S. Wei, Time Series Analysis: Univariate and Multivariate Methods Second Edition. USA: Pearson, 2006.
[11] J. D. Cryer dan K. S. Chan, Time Series Analysis With Applications in R Second Edition. New York: Pearson, 2008.
[12] N. S. Balke, “Credit and Economics Activity: Credit Regimes and Nonlinear Propagation of Shocks,” The Review of Economics and Statistics, vol. 82, no.
2, pp. 344-349, 2000.
42 [13] D.N. Gujarati, Basic Econometrics. New York: McGraw-Hill, 2003.
[14] C. Chatfield, Time Series Forecasting. USA:Chapman&Hall/CRC, 2000.
[15] Bank Indonesia, “Statistik Ekonomi dan Keuangan Indonesia.” [Online].
Available: https://www.bi.go.id/id/statistik/ekonomi-keuangan/seki/Default.aspx. [Accessed: 2-Agust-2019]
[16] IMF Data, “Trade of Goods.” [Online]. Available:
https://data.imf.org/regular.aspx?key=61545870. [Accessed: 11-Jul-2019]
[17] Badan Pusat Statistik. “Inflasi”. [Online]. Available:
https://www.bps.go.id/indicator/3/1/1/inflasi-umum-.html. [Accessed: 11-Jul-2019]
[18] H. Kusdarwati, E. Sumarminingsih, dan E. M. Arifin, “Pemodelan Threshold Vector Autoregressive (TVAR) untuk Kurs Jual dan Kurs Beli Euro,”
Finance and Banking Journal, vol. 13, no. 2, pp. 151-158, 2019.
[19] B.E. Hansen, “Threshold effects in non-dynamic panels: Estimation, testing, and inference,” Journal of Econometrics, vol. 93, pp. 345-368, 1999.
[20] J.S. Armstrong, “Significance test harm progress in forecasting,”
International Journal of Forecasting, vol. 23, pp. 321-327, 2007.
[21] R.S. Tsay, “Testing and Modeling Multivariate Threshold Models,” Journal of the American Statistical Association, vol. 93, no. 443, pp. 1188-1202, 1998.
[22] M.C. Lo dan E. Zivot, “Threshold Cointegration and Nonlinear Adjustment To The Law Of One Price,” Macroeconomic Dynamics, vol. 5, no. 4, pp. 533-576, 2001.
[23] W.S. Chan, A.C.S. Wong, dan H. Tong. “Some Nonlinear Threshold Autoregressive Time Series Models for Actuarial Use”, North American Actuarial Journal, vol.8, no. 4, pp. 37-61, 2004.
[24] H. Rosyidah, R. Rahmawati, dan A. Prahutama, “Pemodelan Vector Autoregressive untuk Meramalkan Jumlah Uang yang Beredar di Indonesia,”
Jurnal Gaussian, vol. 6, no. 3, pp. 333-343, 2017
43
LAMPIRAN
Lampiran 1
DATA CADANGAN DEVISA, NILAI EKSPOR, NILAI IMPOR DAN LAJU INFLASI PERIODE JANUARI 2010-JULI 2019
Bulan Cadangan
Devisa
Nilai
Ekspor Nilai Impor Inflasi Jan-10 69562.47 11595.87 9490.46 0.0372
Feb-10 69730.60 11166.45 9498.14 0.0381
Mar-10 71823.21 12774.37 10972.64 0.0343 Apr-10 78582.77 12035.25 11235.79 0.0391
May-10 74587.29 12619.13 9980.35 0.0416
Jun-10 76321.26 12330.11 11760.00 0.0505 Jul-10 78794.09 12486.97 12625.94 0.0622 Aug-10 81317.21 13726.52 12171.55 0.0644
Sep-10 86550.64 12181.63 9654.13 0.0580
Oct-10 91728.66 14399.64 12120.02 0.0567 Nov-10 92759.27 15633.28 13007.60 0.0633 Dec-10 96206.85 16829.89 13146.67 0.0696 Jan-11 95331.57 14606.25 12560.00 0.0702 Feb-11 99618.83 14415.28 11750.00 0.0684 Mar-11 105709.08 16365.95 14490.00 0.0665 Apr-11 113814.19 16554.24 14890.00 0.0616 May-11 118108.84 18287.44 14830.00 0.0598 Jun-11 119654.74 18386.86 15070.00 0.0554 Jul-11 122670.95 17418.47 16210.00 0.0461 Aug-11 124637.75 18647.83 15070.00 0.0479 Sep-11 114502.40 17543.41 15170.00 0.0461 Oct-11 113961.76 16957.74 15530.00 0.0442 Nov-11 111315.93 17235.46 15390.00 0.0415 Dec-11 110122.84 17077.69 15480.00 0.0379 Jan-12 111990.49 15570.07 14554.62 0.0365 Feb-12 112219.56 15695.44 14866.79 0.0356 Mar-12 110493.27 17251.52 16325.66 0.0397 Apr-12 116413.02 16173.19 16937.88 0.0450 May-12 111528.08 16829.55 17036.74 0.0445
44 Jun-12 106502.39 15441.46 16727.52 0.0453
Jul-12 106558.99 16090.60 16354.45 0.0456 Aug-12 108990.39 14047.01 13813.88 0.0458 Sep-12 110172.24 15898.12 15348.56 0.0431 Oct-12 110297.16 15320.00 17210.00 0.0461 Nov-12 111285.11 16320.00 16940.00 0.0432 Dec-12 112781.22 15390.00 15580.00 0.0430 Jan-13 108779.95 15375.49 15450.24 0.0457 Feb-13 105182.65 15015.63 15313.29 0.0531 Mar-13 104799.86 15024.58 14887.08 0.0590 Apr-13 107268.50 14760.89 16463.47 0.0557 May-13 105148.52 16133.36 16660.56 0.0547 Jun-13 98095.10 14758.82 15636.02 0.0590 Jul-13 92671.05 15087.86 17416.99 0.0861 Aug-13 92997.09 13083.71 13012.05 0.0879 Sep-13 95675.34 14706.78 15509.77 0.0840 Oct-13 96995.67 15698.33 15674.02 0.0832 Nov-13 96960.15 15938.56 15149.33 0.0837 Dec-13 99386.70 16967.80 15455.86 0.0838 Jan-14 100651.31 14472.62 14916.23 0.0822 Feb-14 102740.93 14634.17 13790.66 0.0775 Mar-14 102591.86 15192.78 14523.72 0.0732 Apr-14 105562.78 14292.52 16254.98 0.0725 May-14 107047.64 14823.66 14770.34 0.0732 Jun-14 107678.10 15409.49 15697.74 0.0670 Jul-14 110542.44 14124.15 14081.71 0.0453 Aug-14 111223.65 14481.65 14793.24 0.0399 Sep-14 111164.46 15275.85 15546.10 0.0453 Oct-14 111972.60 15292.89 15327.99 0.0483 Nov-14 111143.54 13544.73 14041.61 0.0623 Dec-14 111861.60 14436.34 14434.51 0.0836 Jan-15 114249.52 13244.88 12612.65 0.0696 Feb-15 115527.33 12172.80 11510.11 0.0629 Mar-15 111553.66 13634.04 12608.69 0.0638 Apr-15 110867.11 13104.60 12626.28 0.0679 May-15 110770.54 12754.66 11613.59 0.0715 Jun-15 108029.60 13514.10 12978.09 0.0726 Jul-15 107552.85 11465.78 10081.86 0.0726 Aug-15 105345.93 12726.04 12399.25 0.0718 Sep-15 101719.52 12588.36 11558.60 0.0683 Oct-15 100711.97 12121.74 11108.92 0.0625
45 Nov-15 100240.45 11122.18 11519.47 0.0489
Dec-15 105931.03 11917.11 12077.30 0.0335 Jan-16 102133.90 10581.88 10467.00 0.0414 Feb-16 104543.73 11316.73 10175.63 0.0442 Mar-16 107542.59 11812.13 11301.71 0.0445 Apr-16 107710.73 11689.75 10813.62 0.0360 May-16 103591.27 11517.41 11140.68 0.0333 Jun-16 109788.72 13206.12 12095.22 0.0345 Jul-16 111408.71 9649.50 9017.16 0.0321 Aug-16 113538.18 12753.92 12385.15 0.0279 Sep-16 115671.34 12579.75 11297.51 0.0307 Oct-16 115037.05 12743.74 11507.18 0.0331 Nov-16 111466.09 13502.92 12669.43 0.0358 Dec-16 116361.53 13832.36 12782.52 0.0302 Jan-17 116890.08 13397.68 11973.77 0.0349 Feb-17 119863.05 12615.98 11359.41 0.0383 Mar-17 121805.63 14718.48 13283.19 0.0361 Apr-17 123249.42 13269.69 11950.61 0.0417 May-17 124953.30 14333.86 13772.55 0.0433 Jun-17 123093.71 11661.38 9991.57 0.0437 Jul-17 127758.58 13611.06 13889.81 0.0388 Aug-17 128787.07 15187.99 13509.20 0.0382 Sep-17 129402.40 14580.22 12788.29 0.0372 Oct-17 126547.13 15252.56 14249.18 0.0358 Nov-17 125967.24 15334.74 15113.52 0.0330 Dec-17 130196.37 14864.55 15104.47 0.0361 Jan-18 131979.63 14576.28 15309.43 0.0325 Feb-18 128058.65 14132.38 14185.49 0.0318 Mar-18 126003.20 15510.62 14463.60 0.0340 Apr-18 124862.01 14496.24 16162.29 0.0341 May-18 122913.90 16198.34 17662.89 0.0323 Jun-18 119839.03 12941.74 11267.89 0.0312 Jul-18 118312.23 16284.72 18297.15 0.0318 Aug-18 117927.18 15865.12 16818.14 0.0320 Sep-18 114847.51 14956.35 14610.06 0.0288 Oct-18 115163.05 15909.07 17667.62 0.0316 Nov-18 117211.85 14851.72 16901.81 0.0323 Dec-18 120654.27 14290.09 15364.99 0.0313 Jan-19 120075.16 14028.09 15005.19 0.0282 Feb-19 123273.87 12788.56 12465.07 0.0257 Mar-19 124539.31 14447.79 13746.62 0.0248
46 Apr-19 124293.82 13068.07 15399.19 0.0283 May-19 120347.15 14751.89 14606.66 0.0332 Jun-19 123823.27 11763.35 11495.39 0.0328 Jul-19 125900.04 15238.42 15518.48 0.0349