KAJIAN MODEL INFLASI TAHUNAN KOTA SIBOLGA DENGAN ARIMA DAN PENDEKATAN REGRESI POLINOMIAL PADA ANALISIS MULTIRESOLUSI WAVELET - Diponegoro University | Institutional Repository (UNDIP-IR)

KAJIAN MODEL INFLASI TAHUNAN KOTA SIBOLGA

DENGAN ARIMA DAN PENDEKATAN REGRESI POLINOMIAL

PADA ANALISIS MULTIRESOLUSI WAVELET

SKRIPSI

Oleh:

EBEIT DEVITA SIMATUPANG

NIM J2E009032

JURUSAN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

i

KAJIAN MODEL INFLASI TAHUNAN KOTA SIBOLGA

DENGAN ARIMA DAN PENDEKATAN REGRESI POLINOMIAL

PADA ANALISIS MULTIRESOLUSI WAVELET

Oleh:

EBEIT DEVITA SIMATUPANG

NIM J2E009032

Sebagai Salah Satu Syarat untuk Memperoleh Gelar

Sarjana Sains pada Jurusan Statistika

JURUSAN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

iv

Puji syukur kepada Tuhan Yang Maha Esa yang telah memberikan

karunia-Nya sehingga penulis dapat menyelesaikan penulisan tugas akhir dengan

judul

flasi Tahunan Kota Sibolga dengan ARIMA dan

Pendekatan Regresi Polinomial pada Analisis Multiresolusi Wavelet.

Pada kesempatan ini, penulis mengucapkan terima kasih kepada:

1. Ibu Dra. Dwi Ispriyanti, M.Si selaku Ketua Jurusan Statistika Fakultas Sains

dan Matematika Universitas Diponegoro.

2. Ibu Dra. Suparti, M.Si dan Ibu Rita Rahmawati, S.Si, M.Si selaku dosen

pembimbing I dan pembimbing II.

3. Bapak dan Ibu dosen Jurusan Statistika yang telah memberikan arahan dan

masukan demi perbaikan penulisan tugas akhir ini.

4. Semua pihak yang membantu dalam penulisan tugas akhir ini.

Saran dan kritik dari semua pihak sangat diharapkan demi kesempurnaan

penulisan selanjutnya. Semoga tugas akhir ini dapat bermanfaat bagi pembaca

pada khususnya maupun ilmu pengetahuan pada umumnya.

Semarang,

Februari 2014

v

t

! " #

r

$% ! &!

tu

'

t

()$ '" # * #((" !$

tu

#

r

+

Oleh karena itu, prediksi terhadap nilai inflasi menjadi penting dalam

mengambil kebijakan untuk menjaga stabilitas moneter dan perekonomian. Dalam

mengkaji model inflasi, umumnya digunakan metode parametrik ARIMA

Box-Jenkins yang mensyaratkan data stasioner dan residual

white noise

_{. Namun, data}

inflasi yang sangat fluktuatif seringkali tidak memenuhi asumsi parametrik.

Dalam penelitian ini, diusulkan analisis multiresolusi (MRA) wavelet sebagai

metode alternatif. Transformasi dari wavelet mampu merepresentasikan informasi

waktu dan frekuensi secara bersamaan sehingga dapat digunakan untuk

menganalisis data nonstasioner. Salah satu bentuk tranformasi wavelet adalah

transformasi wavelet diskrit (DWT) yang menyatakan ukuran data N sebagai

₂

untuk suatu bilangan bulat positif . Analisis DWT didukung MRA yang membagi

data X menjadi komponen detail (

) dan komponen pemulusan ( ) untuk

mendapatkan hasil estimasi. Estimasi terbaik MRA akan didekati dengan regresi

polinomial. Model regresi dibentuk dengan menjumlahkan pengaruh

masing-masing variabel prediktor yang dipangkatkan meningkat sampai derajat ke-

k

_.

Dengan menggunakan data inflasi yoy Kota Sibolga periode Juli 2008-Oktober

2013, menghasilkan model terbaik parametrik ARIMA (0,1,[12]) dengan

MSE=1,15411 dan model terbaik pendekatan regresi polinomial derajat ke-13

pada MRA yang menggunakan filter la18 dengan level resolusi

= 1

yang

memiliki MSE=1,238816. Kedua model digunakan untuk memprediksi inflasi yoy

Kota Sibolga tahun 2014.

6789 :6

C

9

;< =>?

t

5 @<

r

?

t

A5

s

@<A @=

t

B A =C<D? EA<F? >AG@<@E5 G 5<D5 G?

to

rs o

=? G@C<F

ry

H IB A

r

A=

o

r

AJAD5 G

r

p

t

5@<@= 5 <=>?5@<

t

r

?

t

AK A G@EA5 E?<F

p

o

rt

t

B5 <L5<?M5< L

t

E @<A

t

?

ry

to

E?5 <F ?5 < AG@<@E

st

y

?K5 >5H

ty

;< CD

st

5 < L

y

5<=>?

t

5 @< E@DA>J G@EE @<>

y

CN AD EA

t

B @D @= O??E A

r

tr

5G

A

P;QR

B

@S

-

TA<M5<N UB5GB VA

quires data is stationer and

residual is white noise. However, data inflation which is fluctuates often does not

meet parametric assumptions. In this study, it is proposed to use wavelet

Multiresolution Analysis (MRA) as alternative method. The transformation from

wavelet capable in representing time and frequencies simultaneously so that it can

be used to analyze nonstasioner data. One of wavelet transformation form is

discrete wavelet transformation (DWT) which expresses sized data N as

2

for

positive integer j. DWT analyses supported by MRA that divides data X become

detail component (

) and smoothing component ( ) to gain of estimating result.

The best of MRA estimation will be approached by polynomial regression. The

model of regression is formed by summing influence each variable

predictor which raised increasingly to

W

-degress. By using yoy inflation data of

Sibolga City in July 2008-October 2013 period, obtain the best parametric model

ARIMA (0,1,[12]) with MSE=1,15411 and the best model of polynomial

regression approached 13-degress at MRA that use la18 filter in resolution level

= 1

which has MSE=1,238816. Both models are used to forecast yoy inflation

of Sibolga City in 2014.

cdef dg h ih

jklk mkn o

A

p

A

qr stu

D

up vvvvvvvvvvvvvvvvvvvwwwwwww b o

A

p

A

qr sx

E

sy

E

z

A

o

A

s{www vvvvvv vvvvvvvvvvww b b o

A

p

A

qr sx

E

sy

E

z

A

o

A

s{{vvvvvvv vvvvvvvvvww bb b |

A

}rx

E

sy

A

s}

A

~ vvvvvvvvvvvvvvvvvvv vww ba

AB

z }~

A

| vvvvv vvvvvvvvvvvvvvvvvvvvw a

AB

z }~

AC

}vvvvvvvvvvvvvvvvvvvvvvvvwww ab

DA

}r~{z {vvvv vvvvvvvvvvvvvvvvvvvvw ab b

DA

}r~}r

BE

pvv vvvvvvvvvvvvvvvvvvvvw

x

DA

}r~y

A

q€

A

~ v vvvvvvvvvvvvvvvvvvv v

x

b

DA

}r~p

A

qx{~

A

svvvvvvvvvvvvvvvvvvvv

x

b b

BAB

{x

E

s

DA

oupu

A

s

w p‚ƒ ‚ „

B

…†‚ ‡‚ˆ ‰v vvvvvvvvvvvvvvvvvvv vww  wŠ } ‹Œ ‹‚ˆx…ˆ ‹†b‚ˆ vvvvvvvvvvvvvvvvvvvvww Ž

BAB

{{

}{st

A

u

A

sx uz}r|

A

Šw {ˆ†‚  bvvvwwv vv vvvvvvvvvvvvvvvvvvww 

Ÿ Ÿ Ÿ Ÿ ¬¨ ¥ ž­®¤¯°¨§±ž²®£ ž³ ©¦ ¥¨ ¥

White Noise

ªªª ªª   ¡´ Ÿ Ÿ ´ °¦ ­¨¯µ°¦ ­¨¯­¤¯¤¶¬®§ £ ®§· ¤ ²£®ªªª  ªªªªª          ¡¸ Ÿ Ÿ ´  ¡ °¦ ­¨¯

Autoregressive

(A

¬

)

ªªªªªªªªªª  ¡¸ Ÿ Ÿ ´  Ÿ °¦ ­¨¯

Moving Average

(

°

A)

ªªªªªªªªª   ¡¹ Ÿ Ÿ ´  ´ °¦ ­¨¯

Autoregressive Moving Average

(A

¬°º

)

¡¹ Ÿ Ÿ ´  » °¦ ­¨¯

Autoregressive Integrated Moving Average

(A

¬¼°º

)

ªªªªªªª ªªªªªªªªª ª  ¡½

Ÿ Ÿ » ¾¤¿¤À¤§

A

§ ¤¯ ž ¥ ž¥¬®§ £®§· ¤ ²£®ª ªªª  ªªªªª        ¡Á Ÿ ´ · ¤ ¨¯ ¨ £ªªªªªªª   ªªªªªªªªªªªªªªª ª    ¡Â Ÿ ´  ¡ î§ ±¥ ž· ¤ ¨¯¨ £ªªªª   ªªªªªªªªªªªª ª    ¡Â Ÿ ´  Ÿ º§¤¯ž¥ ž¥°®¯ £ ž©¨ ¥¦¯®¥ž ªªªªªªªªªªªªªª          Ÿ» Ÿ ´  ´ ¾©¤§ ¥Ä¦ ©¶¤ ¥ ž· ¤ ¨¯¨ £

D

ž¥ ²©ž£ªª  ªªª   ªªªªª         Ÿ½ Ÿ ´  ´  ¡ Þ¯£¨ ©· ¤ ¨¯ ¨ £­¤§Ãž¯£¨ ©¢ ²¤ ¯¤ ªªªªªªª         ŸÂ Ÿ ´  ´  Ÿ º¯ ±¦ ©ž £¶ ¤³ ž©¤¶ ž ­¤ªªªª  ªªªªªªª         ´´ Ÿ » ¬¨±©¨ ¥ ž³¦¯ž§¦¶ž¤¯ ªªªªªªªªªªªªªªªªªª        

Ÿ » ¡ Å¥ £ž¶¤ ¥ ž³¤ ©¤¶¨ £¨ ©  ªªªªªªª ªªªªªªªª ª   Ÿ » Ÿ ³¨¶ ž¯ ž¿¤§°¦ ­¨¯¾¨ ©Æ¤ ž²ªªªªªªªªªªªªª ª  

´¹ ´½ ´Á

BAB

¼¼¼

°Å¾Ç

D

Ç ÈÇ É¼³

E

Ê

E

ȼ¾¼

A

Ê

Í

x

BAB

ÎÏ

A

Ð

A

ÑÎÒÎÒ

DA

ÐÓ

E

ÔÕ

A

Ö

A

Ò

A

Ð

×ØÙ ÚÛÜÝÞÍ ß ÜÍ

D

àáàââ âââââââââââââââââââ ØØ ×× ×Øã Ô Ûáäå Ûæçè áçèéàÝ áçêëà ÜÍÝìæ ÎÔ ì

B

äíîïÛèÝÍè Üââââââ ØØ ×ð ×ØãØÙ ñòÍÒ áà ÜÍ äè ÛÞÍáà ÜÚà áàââââââ ââââââââ ØØØØØØØØ ×ð ×ØãØã ÎåÛè áÍ óÍÝà ÜÍÔäå Ûëââââââââââââââââ â Ø ×ô ×ØãØõ öÜ áÍ ÷à ÜÍÓ àÞà÷ ÛáÛÞâââââââ âââââââââ â ×ø ×ØãØ× ÏÛÞÍ óÍÝà ÜÍÔ äå ÛëØØØââââââââââââââââ Øâ ù Ù ×Øõ æ ÛúÞ ÛÜÍÓ äë Íèä÷ ÍàëÜ Ûûà úàÍÓÛèå ÛÝ àáàèåàëà ÷

A

èàëÍÜÍÜÔçëáÍ ÞÛÜäëç ÜÍ

(

Ôæ

A)

å Ûè úàèÔÛáäå Ûéà üÛë Ûáâââââââ ØØØØØØØØØØØØØØØØØØØØØØØØØØØØØØ ù ×

×Ø× ÓÛÞûàèåÍ è úàèÖà ÜÍ ëÔ Ûáäå Ûê ëà ÜÍ ÝìæÎÔ ì

B

äíîïÛèÝÍè Üåàè

ÓÛèå ÛÝàáàèæ ÛúÞ ÛÜÍÓ äë Íèä÷ Íàëßàåà

A

èàë Í ÜÍ Ü

(

Ô æ

A)

éàüÛëÛáââ ØØ ð ×

BAB

Ïê

E

Ò ÎÔÓñ Ñ

A

Ð

DA

ÐÒ

A

æ

A

Ð

ù ØÙ ê ÛÜÍ÷ ßçëàè âââââââââââââââââââââ Øâ ØØ ð

8

ù Øã ÒàÞàèââ ØØØââ âââââââââââââââââ âââ ØØ ðø

DA

ýþìæÓñÒþìê

A

â âââââââââââââââââââ ØØØ ÿ

1

-

12

2

!"#$! %&!!' (

23

3

)'' '*+! * ,'- ((

45

4

)''' *. / ) # * 0!'!1! ((

50

2

. / 3

Jarque-Bera

(

$

)

51

4 5#*6 7! * 1 ! (((

53

7

0!" #

Forecasting

1! 8 5-18

(0,1,

9

12

:

)

!#+'8 *'6 ((

54

;

W

&!!'3' ! 1)<=!& !5! 6 158

..

55

>

0!" # 1)< 0 1! 0 +! / '

*!

-k

63

?@ 0!" #

Forecasting

5!#! 0 +!/ '

*!

-13

!#+'8*'6

64

?? 5#*6 8 1!'! A * 85-18

-

$! *

0!!*'5! #! 0 , 158 (((

65

?B

Forecasting

- A ' )"# C6

2014

!# 1! 85 -18

(0,1,

9

12

:

)

5! #! 0 +! / '

FGHIG JKGLM GJ

NOPO QOR SOQT OUV

C

WXYW Z[ \]^_ ^Y`````````````````

..

23

SOQT OUa

D

E\bc\d

A

_ec

(

fghijklm n

) M

^Y Wo^

A

X \_EpEp``````

..

43

SOQT OUq

D

WDr_ WY

D

\Y\

I

X s_ \pEtWt` ```````` ````

...

45

SOQT OUu r_WY

B

WD

-C

WD

I

Xs_\pEtWt`````````````

...

46

SOQT OUv

M

w

A

o^Xb\XxE_ Y ^cZ \\cy^] ^_w ^pW_epE z

1

`````{{

56

SOQT OU|

M

w

A

o^Xb\XxE_ Y ^co}~y^] ^_w^pW_epE z

1

`````

...

56

SOQT OU

M

w

A

o^Xb\XxE_ Y ^c_\

1

€y^] ^_w^pW_epE z

1

`````

..

5



SOQT OU‚

M

w

A

o^Xb\XxE_ Y ^cƒ

30

y^] ^_w^pW_epE z

1

`````

...

5

 SOQT OU„

×ØÙÚÕÛÜÝ ÜÕÙ

ÞßÞ àáâáãä åæáçáè é

êëìíîï

t

ëìðñ ï

s

ëò ó

ru

ô ïî ïì

s

ïñ ïõ

s

ï

tu

ëìö ëîï

t

÷øð

u

ìö ïò óìù ïñóî÷ì ÷ò ë

su

ï

tu

ì óí ï

r

ï

s

óñïëì ðïîù÷ø

-

ðïîù÷ø ñïëìì

y

ï

s

óô ó

rt

ë ú

r

÷ö û î

D

÷ò ó

st

ë î ü

rut

÷

(

ú

D

ü

),

ôó

r

îïô ë

t

ï ô ó

rtu

ò ý ûõ ïì óî÷ì ÷òë

,

óîþô ÷ø

-

ëò ô ÷ø

,

ÿ ïöïìí ïì ö ó

v

ë

s

ï

, ut

ïì í ñ

u

ï

r

ì óí ó

r

ë ö ïì îó

st

ïý ëñ ïì ì ë ñïë

tu

îï

r (

êëò üë

r

÷

u

ý ûì í ïì ö ïì

tu

ö ë ìùó

r

ìï

s

ë÷ì ïñ

-

ü ïì î ìö ÷ìó

s

ëï

,

).

ïîì ï ì ð ñ ï

s

ë ïö ïñ ïõ ô ó

rs

óìù ï

s

ó

t

ëìíîï

t

îóì ïë î ïì õ ï

r

í ï

s

ó

u

ò ñ ïõý ï

r

ïì íöïì ï

s

ï

y

ïì í

s

óÿï

r

ï

u

ò

u

òö ëî÷ìþûò

s

ë

ru

òïõ

t

ïìíí ï

.

ì ö ëîï

t

÷ø

ëì ë ö ëô ïîïë

s

óý ïíïë ëìð÷

r

òï

s

ë ö ï

s

ï

r u

ìù

u

î ô óì í ïòý ë ñïì îóô ûù

us

ïì ý ïëî

t

ëìíîï

t

óî÷ì ÷ò ë òëîø÷ ï

t

ï

u

òïîø÷ ý ïë î ð ë

s

îïñ òï

u

ô ûì ò ÷ì ó

t

ó

r.

ú ïö ï

t

ëìíîï

t

ò ë îø÷

ru

ò ïõ

t

ïì íí ïï

t

ï

u

ò ï

sy

ï

r

ïîï

t

ò ë

s

ïñì

y

ï

,

öïô ï

t

òóò ïìð ï ï

t

îïìïì íîïëì ð ñï

s

ë

u

ìù

u

î

ö ï

s

ï

r

ô óì

y

ó

su

ïëïì ì ëñ ïë ô óìíóñ

u

ï

r

ïì îóý ûù

u

õïì

s

óõ ï

r

ë

-

õ ï

r

ë ö óì í ïì ô óì ö ïô ï

t

ïì ò ó

r

óîï

y

ïì í

r

óñï

t

ëð

t

ó

t

ïô ú ïö ï

t

ëìíîï

t

î÷øô ÷øï

s

ë

,

ïìíîï ëìð ñ ï

s

ë ö ïô ï

t

ö ëô ïîïë

u

ìù

u

î ô ó

r

óìÿïì ïïì ôóò ý óñ ïì ïïì ö ïì î÷ìù

r

ïî ýë

s

ì ë

s. D

ïñïò ñ ëìíîûô

y

ï ìí ñ óý ëõ

ñ

u

ï

s (

ò ïî

r

÷

)

ïì íî ï ëìð ñï

s

ë ò óì ííïòý ï

r

î ïì î÷ì ö ë

s

ë ï

t

ï

u st

ïý ëñ ë

t

ï

s

ò ÷ì ó

t

ó

r

ö ïì ô ó

r

óî÷ì ÷òëïì

(

üïöïìú

us

ï

t

t

ï

t

ë

st

ëîÓ

).

ó

st

ïý ë ñïì ëìð ñï

s

ë ò ó

ru

ôïîïì ô ø ï

sy

ï

r

ï

t

ý ïíë ôó

rtu

òý ûõ ïì óî÷ì ÷ò ë

y

ïì í ý ó

r

îó

s

ëì ïò ý ûì íïì

y

ïì í ô ïö ï ïîõ ë

r

ì

y

ï òóòý ó

r

ëîïì ò ïìðï ï

t

ý ïíë ô óì ëìíîï

t

ïì îó

s

ó ïõù ó

r

ïïì ò ï

sy

ï

r

ïî ï

t.

ïñ ëì ë ö ëö ï

s

ï

r

îïì ô ïö ï ô ó

rt

ëòý ïì íïì ý ïõ

w

ï ëìð ñï

s

ë

y

ïìí

t

ëì ííë ö ïì

t

ëö ïî

st

ïý ëñ ò óò ý ó

r

ëîïì ö ïò ô ï î ì óí ï

t

ëð îóô ïöï î÷ìö ë

s

ë

s

÷þ ë ïñ

r

y

s

u

, t

rut

s

rt

s

Kedua

s

y

t

st

t

st

(

uncertainty

)

! !

us

"

r

s

!

u

#

s

y

t

st

yu

t

!

us

sy

r

t

! $ !

s

,

%

st

s

,

!$

y

r

y

!

u

rtu

!

.

Ketiga

t

t

s

st

y

t

t

t

s

r

t

t

t

t

!

st

r

t

t

t

s

t

r

ru

(

&'

s

,

()*

).

+ ,

s

s

tu

yusu

s

s

r

66

'

s

.

-

(

()*

)

y

! # + ,

y

u

s

. )(/00

²

r

! !$

t

r

1221 )

w

.

3

t

r

r

t

,

r

,

u

! " $

ut

r

rsu

r

r

r

,

r

w

s

t

,

s

,

r

/ !$

r

r

t

.

4

r

y

t

t

s

y

t

t

y

r

t

s

$

r

sy

r

t

y

, t

t

r

t

s

s

r

s

.

5

r

y

t

rs

!

,

$

(

forecasting

) t

r

s

r

t

u

r

u

u

st

t

s

t

r

r

"

r

$

t

r

r

t

s

y

t

y

t

6

u

$

t

s

t

!

r

t

89

r

:;

s

;

r

<;=

w

;<>

u

;< ;= :?@9A ;B ;

r

?@C A;=

y

; :9= D; =E 9E89=>

u

< EC :9A

time series

u

=>

u

<E9=D9

t

;FG ? HA

u

<>

u

;

s

?

y

;= D

t

9

r

B ;:?@;: ;:;

t

;

.

I 9EC :9A ;=

ru

=>

u

=

w

;<>

u

:9=D;= E9

t

C :9 @ ;

r

;E 9

tr

? < <A;

s

? < J K LMJ NC O

-P9=<?=Q E 9

ru

@;<;= E 9

t

C :9

y

; = D @;A? =D

u

E

u

E :? D

u

=;<;=R M 9

t

C :9 ?=? E 9=Q

y

;

r

;

t

<;= ;

su

E

s

?

y

; =D F;

rus

:? @ 9=GF ?

y

;?

tu

:;

t

;F ;

rus st

;

s

?C =9

r

:;=

r

9

s

?:G ;A E 9=D? <G> ? @SC Q9

s

white noise

.

T9:;= D<;= :;

t

; ?=H A;

s

? E 9

ru

@;< ;= :;

t

;

y

;= D U9=:9

ru

= D8 9

r

H A

u

<>

u

;

s

?

s

9F ? =DD;

su

A ?

t u

=>

u

<E9E9=GF ?<9:G ;;

su

E

s

?

t

9

rs

9 8G>

.

V=>

u

< E9=D<;B? EC :9A ?=H A;

s

?

,

@9=G A ?

s

E9=;

w

;

r

<;= E 9

t

C : 9 ;A

t

9

r

= ;

t

?H =C =@;

r

;E9

tr

?<

y

;= D

t

?:;< E9E9

r

A

u

<;= ;

su

E

s

?

t

9

r

F ;:;@ FG 8G =D; = ;=> ;

r

v

;

r

? ;89A =

y

;

y

;?

tu

;= ;A ?

s

?

s

E

u

A

t

?

r

9

s

C A

us

? ;

t

;

u

Multiresolution Analysis

(

M KJ

)

w

;

v

9A9

t.

W S;=QHC SE;

s

? : ;

r

?

w

;

v

9A 9

t

E ;E@G E9

r

9@S9

s

9=>;

s

? <;= ?=HC SE;

s

?

w

;<>

u

:;=H

r

9<G9=Q?

s

9U;

r

;89

rs

;E ;;=RK9@S 9

s

9=> ;

s

?

w

;<

tu

:;=H

r

9<G 9=Q ?E9= D;<?8;

t

<;=

tr

;=QHC SE ;

s

?

w

;

v

9A 9

t

:;@ ;

t

:? D

u

=;< ;=

u

=>

u

< E 9= D;= ;A?

s

?

s

:;

t

;

-

:;

t

; =C =Q>;

s

?C =9

r.

T;A;F

s

;

tu

89=>

u

<

tr

;=HC

r

E ;

s

?

w

;

v

9A9

t

;: ;A;F

tr

;=QHC SE ;

s

?

w

;

v

9A9

t

: ?

s

<S?

t

;

t

;

u

Discrete Wavelet Transform

(D

XW

). D

;A;E

D

XWY

u

<G S;= :;

t

;

N

:;@;

t

:?=

y

;

t

;< ;=

s

98 ; D;? Z

u

=>

u

<

su

;

tu

8?A ;=D;= 8G A;

t

@C Q ?

t

?H

.

J=;A ?

s

?

s D

XW :?:G <G =DM KJ

u

=>

u

<E9=DF;

s

?A <;=9

st

?E;

s

?

. D

; A ;EM KJ:;

t

;[:? 8; D?E9=B;:? <CE @C =9= :9

t

;?A

(

)

:;=<C E @C =9= @9E

u

A

us

;=

( )

y

;= D

s

9

ru

@; :;A ;E ;=;A ?

s

?

s

D

XW

y

;= DE 9E8; D?:;

t

;:;A ;E<CE@C =9=

s

<;A ;

(

V

)

:;=<CE @C =9=

w

;

v

9 A9

t (

W

).

\9E

u

:?;=9

st

?E ;

s

?

t

9

r

8;? <M KJ ;<;= :? :9<;

t

?:9=D;=

r

9 D

r

9

s

?@C A? =CE ? ;A

.

MC :9A

r

9D

r

9

s

? :?89=>

u

< :9= D;= E 9=B

u

EA;F <;= @9= D;

ru

F E;

s

?=D

-

E ;

s

?= D

v

;

r

?;89A

^_`ab `acdec ^f

E t

a

r

gahi b

t

a

r

ji bik `ec be

y

e g

u

cl

u

g

forecasting

ic mbe

s

i

t

ek ncec o_l ef ip_ bde

.

^e

s

e bek ` ipe

t

e

s

i je`e

v

e

r

ie pab

y

ec d ` i d

u

cegec

y

ei

tu

`e

t

e ic mbe

s

i

t

ek nce c

(

year on year

q

y

_

y)

g a b_ rj_gnr

u

ro_lef i p_ bde`e be r

r

aclec ds

u

b ituuv

s

e r jei

wgl _ pa

r

tuxy `acdec jeczecd

s

a

r

i

6

] pnbe c

.

{

r

a` ig | i

(

forecasting

) y

ec d ` ibeg ngec

t

i`eg ra b ipe

t

gec

v

e

r

ie pa b

-v

e

r

i e pa b `_ ra

st

ig `ec

v

e

r

ie pab

-v

e

r

ie pa b ag |l a

r

ce b

y

ecd ra r jacde

ru

k i

t

icdg e

t

ic mbe

s

i

s

a ja

rt

i }

t

icdge

t su

g n pnc de

,

z

u

r bek

u

ecd

y

ec dpa

r

a` e

r,

jac` e je

t

ecc e

s

i_ce b

,

c i be i

tu

g e

r ru

jiek ~`ec

t

ic dge

t

ic m be

s

ib

u

e

r

cada

r

i

. D

e

t

e ic mb e

s

i

t

ek

u

cec

(y

_

y) y

ec d ` i d

u

c e gec ` iec dde j

t

a bek rac

y

ir jec megl _

-

megl_

t

a

rs

a pnl

s

ahe

r

e ir jbi

s

i

t.

{

r

a` ig |i

y

e c d ` i beg ng ec e` e bek ja` ig | i

u

cl

u

g ic mbe

s

i

y

_

y

o_le f i p _ bde

u

cl

u

g

t

ek nc tux ]

y

e i

tu

pnbec €a p

ru

e

r

i tux ]

s

er je i

D

a

s

a rpa

r

tux ]

.

‚ƒ „… †…‡ˆ‰Šˆ…‹ Œ ‡ˆ

Ž`e jncl

u

z

u

ecjac nbi

s

ec

tu

de

s

e g k i

r

ic ie`e bek|apede ipa

r

ig nl}

x ^ac`e je

t

gec r_`a b

ru

cl

u

c

w

egl

u

g be

s

ig Ž‘^Ž ’_“

-

s acg ic |

u

cl

u

g `e

t

e ic mbe

s

i

y

_

y

o_l efip_ b de

.

t ^ac`e je

t

gec r_` a b

r

a d

r

a

s

i j_ b ic_ r ie b

s

a pe dei jac`age

t

ec `e be r ece b i

s

i

s

r

u

b

t

i

r

a

s

_ b

us

i

(

^ Ž

) w

e

v

a ba

t

je`e` e

t

eic mbe

s

i

y

_

y

o_lef i p_ bde

.

y ^ar pec` icdg ec r_`a b

t

a

r

peig

r

a d

r

a

s

i j_ bic_ ri e b

s

a pede i jac` age

t

ec ` e ber ece bi

s

i

s

r

u

b

t

i

r

a

s

_ b

us

i

(

^ Ž

) w

e

v

a ba

t

`ac dec r_`a b

t

a

r

pe ig Ž‘^Ž ’_“

-s acg ic |je`e`e

t

eic mbe

s

i

y

_

y

o_l efip_ b de