PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA DAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA
THE USE OF SVAR MODEL TO FORECAST DATA OF INDONESIAN
INFLATION AND RUPIAH’S EXCHANGE RATE WITH AMERICAN
DOLLAR
Oleh,
DAIVI SINTA WARDANI NIM : 662011004
TUGAS AKHIR
Diajukan kepada Program Studi Matematika, Fakultas Sains dan Matematika guna memenuhi sebagian dari persyaratan untuk mencapai gelar Sarjana Sains
(Matematika)
Program Studi Matematika
Fakultas Sains dan Matematika Universitas Kristen Satya Wacana
iv MOTTO
Manusia tidak merancang untuk gagal, mereka gagal untuk merancang.
( William J. Siegel )
Hiduplah seperti pohon kayu yang lebat buahnya; hidup di tepi jalan dan
dilempari orang dengan batu, tetapi dibalas dengan buah.
(Abu Bakar Sibli )
Sungguh bersama kesukaran dan keringanan. Karna itu bila kau telah selesai
(mengerjakan yang lain). Dan kepada Tuhan, berharaplah.
(Q.S Al Insyirah : 6-8)
v
PERSEMBAHAN
Penelitian ini dipersembahkan untuk
vi
KATA PENGANTAR
Puji syukur kepada Allah SWT atas limpahan berkat, rahmat dan hidayah-Nya
sehingga penulis dapat menyelesaikan penulisan tugas akhir (Skripsi) sebagai prasyarat
menyelesaikan Studi Strata 1 (S1) pada Program Studi Matematika Fakultas Sains dan
Matematika Universitas Kristen Satya Wacana.
Dalam Skripsi ini terdiri dari 2 makalah utama. Makalah yang pertama berjudul
“PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA
DANNILAI TUKAR RUPIAH TERHADAP KURS DOLAR AMERIKA” telah
dipublikasikan dalam Seminar Nasional Sains dan Pendidikan Sains dengan tema “Inovasi
Penelitian Sains dan Pemantapan Kurikulum 2013” pada tanggal 29 November 2014 di
Universitas Muhammadiyah Purworejo. Kemudian dilakukan penyusunan makalah yang
kedua yang merupakan pengembangan dari makalah pertama dengan judul “PERAMALAN
DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA DAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA DENGAN MENGGUNAKAN METODE
BOOTSTRAP”.
Terselesaikannya penulisan kedua makalah di atas tidak terlepas dari bantuan dan
dorongan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis mengucapkan
terima kasih atas segala doa, nasihat, bantuan, dukungan, bimbingan, dan dorongan kepada:
1. Dr. Suryasatriya Trihandaru, M.Sc.nat selaku Dekan Fakultas Sains dan
Matematika.
2. Dr. Bambang Susanto, MS selaku Ketua Program Studi Matematika.
3. Dra. Lilik Linawati, M.Kom. selaku Wali Studi yang selalu memberikan banyak
saran dan motivasi kepada penulis.
4. Dr. Adi Setiawan, M.Sc. selaku pembimbing utama yang dengan sabar
membimbing, mengarahkan dan memberikan motivasi kepada penulis selama
proses penulisan skripsi ini sehingga laporan skripsi ini dapat diselesaikan dengan
baik.
5. Didit Budi Nugroho, D.Sc. selaku pembimbing pendamping yang memberikan
saran, membimbing, dan mengarahkan penulis sehingga laporan skripsi ini dapat
diselesaikan dengan baik.
6. Dosen pengajar, Dr. Bambang Susanto, MS, Dra. Lilik Linawati, M.Kom., Dr.
vii
Dr. Hanna Arini Parhusip, M.Sc., Leopoldus Ricky Sasongko, M.Si yang telah
memberikan ilmu pengetahuan kepada penulis selama studi di FSM UKSW.
7. Staf TU FSM Mbak Eny, Bu Ketut dan Mas Basuki, serta Pak Edy sebagai
Laboran yang telah banyak memberikan bantuan kepada penulis.
8. Mama, Papa, Kakak, dan Adik tercinta yang telah memberikan doa, dorongan
serta semangat kepada penulis sehingga dapat menyelesaikan penulisan skripsi
dengan baik.
9. Keluarga Besar Ariyadi yang selalu memberikan doa dan motivasi kepada
penulis.
10. Agustina Dewi Lukitasari sebagai teman seperjuangan yang telah menemani
penulis setiap hari dalam penulisan skripsi dan telah memberikan bantuan, saran
serta semangat selama penulisan skripsi ini.
11. Sahabat tercinta (Rode, Arin, Happy) yang tak pernah berhenti memberikan
semangat kepada penulis.
12. Teman-teman Progdi Matematika angkatan 2011 (Titis, Priska, Malik, Purwoto,
Dwi, Kevin) terima kasih atas bantuan dan kebersamaannya selama ini.
13. Adik-adik angkatan terima kasih atas dukungannya.
14. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang juga
mendukung penulis selama penulisan skripsi ini.
Penulis menyadari bahwa masih banyak kekurangan dalam penyusunan skripsi ini.
Oleh karena itu, penulis menerima kritik, saran dan pendapat yang bersifat membangun untuk
penyempurnaan laporan tugas akhir (Skripsi).
Salatiga, Januari 2015
viii DAFTAR ISI
LEMBAR PENGESAHAN ... i
LEMBAR PERNYATAAN KEASLIAN ... ii
LEMBAR PERNYATAAN BEBAS ROYALTY DAN PUBLIKASI ... iii
MOTTO DAN PERSEMBAHAN ... iv
KATA PENGANTAR ... vi
DAFTAR ISI ... viii
DAFTAR LAMPIRAN ... ix
ABSTRAK… ... x
ABSTRACT ... xi
PENDAHULUAN ... xii
MAKALAH I : PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA DAN NILAI TUKAR RUPIAH TERHADAP KURS DOLAR AMERIKA MAKALAH II : PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA DAN NILAI TUKAR RUPIAH TERHADAP KURS DOLAR AMERIKA DENGAN MENGGUNAKAN METODE BOOTSTRAP KESIMPULAN... xiv
HASIL REVIEW 28 Januari 2015... xv
ix DAFTAR LAMPIRAN
LAMPIRAN 1 : Data Inflasi dan nilai tukar rupiah terhadap USD pada bulan Januari 2011-
September 2014
LAMPIRAN 2 : Program R untuk mencari model VAR dan SVAR beseta peramalannya
LAMPIRAN 3 : Program R untuk mencari parameter pada VAR dan SVAR beserta peramalannya menggunakan metode bootstrap
LAMPIRAN 4 : Sertifikat pemakalah Seminar Nasional Sains dan Pendidikan Sains di
x ABSTRAK
Dalam studi ini modelStructural Vector Autoregression (SVAR) digunakan untuk meramalkan data inflasi dan nilai tukar rupiah terhadap dolar Amerika (USD). Data yang
digunakan adalah data inflasi di Indonesia dan nilai tukar rupiah terhadap USD pada bulan
Januari 2011-September 2014 atas periode bulanan. Data inflasi dan nilai tukar rupiah
terhadap USD diaplikasikan pada model SVAR dengan tahapan menguji stasioneritas data
menggunakan uji akar unit. Kriteria AkaikeInformation Criterion(AIC) digunakan untuk mendapatkan model Vector Autoregression (VAR ) yang selanjutnya dikonstruksi sehingga membentuk model SVAR. Parameter dari model SVAR diestimasi menggunakan program R
dan selanjutnya digunakan untuk memprediksi data inflasi dan nilai tukar rupiah terhadap
USD untuk periode berikutnya.
Parameter-parameter yang sudah diperoleh dari program R diestimasi ulang dengan metode
bootstrap, yaitu metode resampling dari data asli untuk mendapatkan data baru dengan mengulang sebanyak bilangan L kali. Dengan menggunakan metode bootstrap diperoleh estimasi titik (median bootstrap) yang merupakan titik prediksi data inflasi dan nilai tukar rupiah terhadap USD dan diperoleh juga interval konfidensi bootstrap persentilyangmengandung hasil prediksi dengan metode klasik.
xi ABSTRACT
In this study, Structural Vector Autoregression (SVAR) used to predict the inflation data and
rupiah’s exchange rate to American dollar (USD). The data which is used are Indonesian inflation data and rupiah’s exchange rate to USD on January 2011 – September 2014 by
monthly periodic. The inflation data and rupiah’s exchange rate to USD applied on SVAR model with data stationery examine stage using unit source examine. Akaike Information
Criterion (AIC) used to achieve Vector Auto Regression model (VAR) which is constructed
so that form SVAR model. Parameter from SVAR model was estimated by R program and
used to predict inflation data and rupiah’s exchange rate to USD in the next period.
Parameters which have got from R program were repeatedly estimated by bootstrap method
that is resampling method from the original data to get a new one with many repetitions done.
By using bootstrap method we got the point estimation (bootstrap median) which is the
inflation data prediction and rupiah’s exchange to USD and also the percentile bootstrap
confidence interval that contains of the prediction result by classical method.
Key Word: Inflation, Rupiah’s Exchange Rate to USD, Stationery, SVAR, Bootstrap
xii
PENDAHULUAN A. LATAR BELAKANG
Inflasi adalah suatu proses kenaikan harga-harga yang berlaku dalam perekonomian
(Sukirno, 2002). Inflasi dapat juga diartikan sebagai persentase kenaikan harga-harga barang
secara umum yang berlangsung terus-menerus dalam jangka waktu yang lama dan
mengakibatkan turunnya daya beli masyarakat serta jatuhnya nilai riil mata uang.Salah satu
faktor yang mempengaruhi inflasi di Indonesia adalah kuat lemahnya nilai tukar rupiah
terhadap Dolar Amerika (USD).
Studi ini mengaplikasikan model Structural Vector Autoregression (SVAR) untuk data inflasi dan nilai tukar rupiah terhadap USD.Parameter-parameter dalam model SVAR
digunakan untuk memprediksi data inflasi dan nilai tukar rupiah terhadap USD pada periode
mendatang.
Pertama kali, parameter-parameter model akan diestimasi secara langsung
menggunakan program R. Lebih lanjut parameter-parameter dari model SVAR diestimasi dengan metode bootstrap. Dari metode bootstrap diperoleh estimasi titik (median bootstrap) dan interval konfidensi bootstrap persentil dari hasil peramalan.
B. RUMUSAN MASALAH
1. Bagaimanakah model SVAR untuk data inflasi dan nilai tukar rupiah terhadap USD beserta peramalannya?
2. Bagaimanakah model SVAR untuk data inflasi dan nilai tukar rupiah terhadap USD dengan metode bootstrapbeserta peramalannya?
C. TUJUAN
1. Mendapatkan model SVAR untuk data inflasi dan nilai tukar rupiah tehadap USD beserta peramalannya.
2. Mendapatkan model SVAR untuk data inflasi dan nilai tukar rupiah tehadap USD dengan metode bootstrap beserta peramalannya.
D. BATASAN MASALAH
xiii
3. Data yang digunakan adalah data time series dari inflasi dan nilai tukar rupiah terhadap USD pada bulan Januari 2011 sampai dengan September 2014 atas periode
bulanan.
E. HASIL PENELITIAN
Hasil penelitian ini dituangkan dalam dua makalah sebagai berikut :
1. Peramalan Dengan Model SVAR Pada Data Inflasi Indonesia Dan Nilai Tukar Rupiah Terhadap Kurs Dolar Amerika, yang dipublikasikan pada Seminar Nasional Sains dan
Pendidikan Sains dengan tema “Inovasi Penelitian Sains dan Pemantapan Kurikulum
2013” yang diselengarakan oleh Program Studi Pendidikan Fisika Universitas Muhammadiyah Purworejo pada tanggal 29 November 2014, termuat dalam prosiding
ISSN : 2087-782X Vol 4 No 1 halaman 197-207.
PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA DANNILAI TUKAR RUPIAH TERHADAP KURS DOLAR AMERIKA
Daivi S. Wardani, Adi Setiawan, Didit B. Nugroho Program Studi Matematika
Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga 50711
daivisintaw@yahoo.com, adi_setia_03@yahoo.com, didit.budinugroho@staff.uksw.edu
ABSTRAK
Dalam makalah ini dibahas tentang penerapan model Structural Autoregression (SVAR) untuk meramalkan data inflasi dan nilai tukar kurs USD. Data yang digunakan
adalah data inflasi di Indonesia dan nilai tukar kurs USD. Data inflasi dan Kurs USD akan
dibuat modelnya dengan tahapan menguji stasioneritas data menggunakanunit root test (uji akar unit). Pemilihan minimum lag menggunakan kriteria AkaikeInformation Criterion(AIC),untuk mendapatkan model yang paling sesuai.Model Vector Autoregression (VAR)yang diperoleh dikonstruksi sehinggamembentuk model SVAR. Software R i386 3.0.1 membantu untuk mengestimasi parameter Ai dan i. Parameter yang diperoleh selanjutnya
digunakan memprediksi data inflasi dan nilai tukar kurs USD untuk beberapa periode ke
depan.
PENDAHULUAN
Inflasi adalah suatu proses kenaikan harga-harga yang berlaku dalam perekonomian, (Sukirno, 2002). Selain itu inflasi juga merupakan persentase kenaikan harga-harga barang secara umum yang berlangsung terus-menerus dalam jangka waktu yang lama, dan mengakibatkan turunnya daya beli masyarakat serta jatuhnya nilai riil mata uang. Namun, kenaikan harga barang yang terjadi hanya sekali saja, meskipun dalam persentase yang cukup besar, bukanlah merupakan inflasi. Kenaikan harga diukur menggunakan indeks harga. Beberapa indeks harga yang menjadi tolak ukur inflasi yaituindeks harga konsumen (consumer price index), indeks harga perdagangan besar (wholesale price index), dan GNP (Gross National Product) Deflator. Perubahan inflasi dari bulan ke bulan menjadi indikator untuk penentuan harga beberapa komoditas tertentu. Selain itu inflasi juga digunakan dalam bahan penentuan kebijakan impor di Indonesia.
Dolar Amerika Serikat atauUSD merupakan mata uang yang sangat berpengaruh di dunia. Hal ini dibuktikan dengan banyaknya mata uang yang disandingkan dengan dolar Amerika di pasar uang dan juga dijadikan dolar Amerika sebagai patokan bagi perekonomian suatu negara, termasuk Indonesia. Perlu diketahui bahwa kuat atau lemahnya kurs USD juga menjadi salah satu faktor yang mempengaruhi inflasi di Indonesia. Perubahan kuat dan lemahnya nilai tukar antara Rupiah dan USD dapat digunakan oleh investor untuk mempertimbangkan dalam melakukan investasi.
Melihat adanya hubungan tersebut mendorong penulis untuk mengaplikasikan metode SVAR (Strucutural Vector Autoregression) untuk data inflasi dan kurs USD.Penelitian ini bertujuan untuk memperoleh model SVAR untuk data inflasi di Indonesia dan kurs dolar Amerika dengan mengestimasi parameter-parameter Ai dan i. Model yang didapatkan akan
digunakan untuk memprediksi data inflasi Indonesia dan kurs dolar Amerika untuk periode kedepan. Dalam penelitian ini perhitungan menggunakan alat bantu Software R i386 3.0.1. Data yang digunakan adalah data time series dari Inflasi di Indonesia dan nilai tukar kurs dolar Amerika mulai bulan Januari 2011 sampai dengan bulan September 2014.
DASAR TEORI Model Autoregresi
Model autoregresi (AR) menyatakan satu varibel Yt sebagai fungsi linear dari sejumlah Yt sebelumnya. Menurut Cryer (2008), secara umum model AR orde p, dituliskan AR(p) berbentuk,
t p t p t
t
t Y Y Y e
Y 1 12 2 (1) dengan
p
parameter autoregresi ke-j, dengan j = 1,2, ... p,
t
e = nilai galat pada saat t (gangguan).
Vector Autoregression (VAR)
mana variabel endogen dan mana variabel eksogen karena semua variabel dalam VARadalah endogen. Secara umum VAR orde p dituliskan sebagai berikut :
t p t p t
t
t A AY AY A Y e
Y 0 1 1 2 2 (2) dengan
t
Y = vektor berukuran n 1 yang mengandung n variabel dalam VAR,
0
A = vektor berukuran n 1 yang berisikan intersep,
i
A = matriks berukuran nn yang berisikan koefisien-koefisien dalam VAR,
t
e = vektor berukuran n 1 berisikan galat dari model VAR.
Model VAR yang digunakan akan dibentuk dalam tahapan pengujian pra-estimasi. Langkah-langkah pengujian meliputi :
1. Pengujian Stasioneritas dengan Uji Akar Unit (Unit Root Test)
Dalam menentukan penggunaan metode VAR maka harus terlebih dahulu dipastikan apakah variabel yang digunakan memiliki data yang bersifat stasioner. Variabel stasioner adalah variabel yang memiliki sebaran data dinilai rata-rata pada variabel tersebut. Salah satu metode yang umum digunakan untuk mengetahui kestasioneran data adalah uji Augmented Dickey-Fuller (ADF test). Hipotesis pengujian ini adalah:
H0: γ = 0 (Data Tidak stasioner), H1: γ < 0 (Data Stasioner).
Hipotesis nol ditolak jika dengan τ = , τ sebagai nilai uji
stasioner dan sebagai nilai tabel kritisnya. Pada uji Augmented Dickey-Fuller terdapat beberapa persamaan uji, yakni:
1. Tanpa konstanta dan tanpa trend (None)
t t t y
y
1 (3)
2. Dengan konstanta dan tanpa trend (Drift)
t t t y
y
1 (4)
3. Dengan konstanta dan trend (Trend)
t t t t y
y
1 (5)
Dengan dan adalah residual. γ merupakan nilai parameter yang
akan diujikan, α adalah nilai konstanta dan adalah koefisien trend.
2. Penentuan Lag Optimal
Penentuan lag merupakan suatu hal sangat penting untuk mendapatkan model VAR yang paling sesuai. Pemilihan model akan dilakukan menggunakan lag yang meminimumkan kriteria dari kriteria informasi. Beberapa kriteria yang digunakan antara lain kriteria informasi Akaike (AkaikeInformation Criterion, disingkat AIC), kriteria informasi Schwarz (Schwarz Information Criterion, disingkat SIC), kriteria informasi Hannann-Quinn (Hannan-Quinn Information Criterion, disingkat HQ), dan Galat Prediksi Akhir (Final Prediction Error, disingkat FPE). Pada penelitian ini dipilih kriteria informasi AIC untuk mendapatkan lag yang sesuai. Adapun formulasinya adalah:
N
T
AIC
ln
2
(6) denganT = banyaknya pengamatan,
N = total banyaknya estimasi parameter di semua persamaan.
Contoh 1:
Digunakan data inflasi Indonesia dan kurs USD pada bulan Januari 2011-Agustus 2011 dan didapatkan model terbaik pada lag 2. Maka model VAR yang diperoleh
t t t
t AY A Y e
Y 1 1 2 2 . Mengestimasi nilai A1 dan A2 dengan menyusun notasi matriks
U BZ
Y , dengan Mulitivariate Least Squares didapatkan Bˆ YZ'
ZZ' 1yang digunakan untuk mengestimasi B.U BZ
Y
1 0 2 0
1 2 1 1 t t t t t e Y Y A A Y Y
Kemudian diperoleh B dengan cara :
1ˆ YZZZ
B 1 2 1 2 1 2 1 1 ˆ t t t t t t t t Y Y Y Y Y Y Y Y B 1 0.12 0.12 0.42 -0.26 0.05 -0.43 0.12 0.12 0.74 -0.43 0.05 -0.43 0.56 -0.01 0.74 -0.43 1.11 -0.45 -0.56 -0.01 0.32 0.76 -1.12 -0.45 -0.12 0.05 -0.74 -0.56 -1.12 -0.32 0.12 0.43 0.43 0.01 0.45 -0.76 -0.42 -0.12 0.05 -0.74 -0.56 -1.12 -0.26 0.12 0.43 0.43 0.01 0.45 -0.12 0.12 0.42 -0.26 0.05 -0.43 0.12 0.12 0.74 -0.43 0.05 -0.43 0.56 -0.01 0.74 -0.43 1.11 -0.45 -0.56 -0.01 0.32 0.76 -1.12 -0.45 -0.42 -0.12 0.05 -0.74 -0.56 -1.12 -0.26 0.12 0.43 0.43 0.01 0.45 -0.29 0.42 -0.12 0.05 -0.74 -0.56 -0.66 -0.26 0.12 0.43 0.43 0.01 ˆ B 1.16 1.91 -0.47 2.96 1.91 -9.85 3.73 -10.85 -0.47 3.73 -1.93 3.79 2.96 10.85 -3.79 14.41 0.68 1.07 2.31 0.06 0.69 -0.61 0.06 0.65 0.65 0.66 0.90 0.29 0.89 -0.11 -0.27 -0.09 ˆ B 0 0 1 0 0 0 0 1 0.80 1.32 -0.70 2.46 0.67 -0.58 0.16 -1.08 -ˆ B
Sehingga didapatkan koefisien
0.70 2.46 0.16 -1.08 -1 A dan 0.80 1.32 -0.67 -0.58 2
A dengan
Sebelumnya telah diperoleh model VAR tanpa intersep, untuk model VAR dalam intersep didapatkan Yt A0A1Yt1A2Yt2et. MengestimasiA0,A1danA2terlebih dahulu dibentuk notasi matriks sebagai berikut:
U BZ C
Y
0 1 0 2 0
1 2 1 0 1 t t t t t e Y Y A A A Y Y
Kemudian diperoleh B dengan cara :
1ˆ Z Z Z Y B 1 0.12 0.05 -0.74 -0.56 -1.12 -0.32 0.12 0.42 -0.26 1 0.43 0.11 0.12 1 0.43 0.05 -0.43 1 0.01 0.74 -0.43 1 0.45 -0.56 -0.01 1 0.76 -1.12 -0.45 -1 0.12 0.12 0.42 -0.26 1 0.05 -0.74 -0.56 -1.12 -0.32 0.43 0.43 0.01 0.45 -0.76 -0.12 0.05 -0.74 -0.56 -1.12 -0.12 0.43 0.43 0.01 0.45 -1 1 1 1 1 0.12 0.05 -0.74 -0.56 -1.12 -0.32 0.12 0.42 -0.26 1 0.43 0.11 0.12 1 0.43 0.05 -0.43 1 0.01 0.74 -0.43 1 0.45 -0.56 -0.01 1 0.76 -1.12 -0.45 -1 0.42 -0.12 0.05 -0.74 -0.56 -1.12 -0.26 0.12 0.43 0.43 0.01 0.45 -0.29 0.42 -0.12 0.05 -0.74 -0.56 -0.66 -0.26 0.12 0.43 0.43 0.01 ˆ B 4.58 15.14 -9.98 13.31 3.86 15.14 -60.98 40.48 -50.87 -14.92 -9.98 40.48 -28.35 32.56 10.72 13.31 50.87 -32.56 45.73 11.68 3.86 14.92 -10.72 11.68 4.35 0.68 1.07 2.31 0.06 2.78 -0.69 -0.61 0.06 0.65 0.80 0.65 0.66 0.91 0.29 1.36 -0.89 -0.11 -0.27 -0.09 0.59 ˆ B 0 0 1 0 0 0 0 0 1 0 0.68 0.86 -0.38 2.11 0.13 -1.57 -4.03 2.64 -3.79 -1.01 -ˆ B
Sehingga didapatkan intersep
0.13 -1.01 -0
A , lalu koefisien
0.38 2.11 2.64 -3.79 -1
A dan
0.68 0.86 -1.57 -4.03 2 A .
Struktural Vektor Autoregresi (SVAR)
maka pada penelitian ini diterapkan beberapa restriksi untuk mengidentifikasi komponen struktural dalam error term. Bentuk Struktural Vektor Autoregresi dengan lag p memiliki model: t p t p t t
t Y Y Y
Y
B 0 1 12 2 (7)
dengan : 1 1 21 12 b b B , t
Y vektor berukuran n 1 yang mengandung n variabel dalam SVAR,
0 vektor berukuran n 1 yang berisikan intersep,
i matriks berukuran nn yang berisikan koefisien-koefisien dalam SVAR,
t
white noise.
Untuk menormalkan vektor pada sisi kiri persamaan (7), persamaan tersebut perlu dikalikan invers dari B :
t p t p t t
t
B
B
Y
B
Y
B
Y
B
Y
B
B
1
1
0
1
1 1
1
2 2
1
1
(8) sehingga diperoleh: t p t p t tt A AY AY A Y e
Y 0 1 1 2 2 (9) dengan : 0,
1
0
B
A 1,
1
1
B
A 2,
1
2
B
A
A
p
B
1
p,
dan et B1t.Persamaan (9) dikenal dengan bentuk baku dari VAR.Contoh 2 :
Dari Contoh 1 telah dijelaskan model VAR dengan lag 2. Model VAR tanpa intersep yaitu
t t t
t AY A Y e
Y 1 1 2 2 dan model VAR dengan intersep yaitu Yt A0A1Yt1A2Yt2et. Dengan itu maka dapat dicari pula model SVAR dengan lag 2 untuk data tersebut.
Model SVAR tanpa intersep : BYt 1Yt12Yt2t
Model SVAR dalam intersep : BYt 01Yt12Yt2t
Pada model SVAR tanpa intersep untuk mengestimasi B dapat digunakan cara :
1
1 ' B E
B e e
E t t tt
2 2 21 12 2 1 t te e E
1 1 var 0 0 var ' t t
E
B B
maka,
1 1 02 . 0 02 . 0 02 . 0 08 . 0 1 1 var 0 0 var 12 21 21 12 1 1 b b b b
212 12
1 0.08 0.04 0.02
var b b ,
12 12
21
21 0.02 0.02 0.02
08 . 0
0 b b b b ,
12 21
12
21 0.02 0.02 0.02
08 . 0
0.08 0.04 0.02var 21
2 21
2 b b
.
untuk b210
12 02 . 0 02 . 0
0 b makab12 1
0.02var 2
0.06 var1 Maka diperoleh 1 0 1 1 B .Kemudian menggunakan dekomposisi ini, didapatkan
1t dan
2t dengant Betdiperoleht t t e1 e2
1
dan2t e2t
dengan korelasi dari t 0.052.
Sebelumnya sudah didapatkan estimasi untuk A1dan A2 dalam model VAR, maka dapat dicari pula 1 dan 2dengan cara :
1 1 1 1 1 1 1 1 1 1 1 A B B B A B B A B A 0.70 2.46 0.54 1.38 0.70 2.46 0.16 -1.08 -1 0 1 1 1 1 BA
0.80 1.32 -0.13 0.74 -0.80 1.32 -0.67 -0.58 1 0 1 1 2 2 BA
Sedangkan pada model SVAR dalam intersep untuk mengestimasi B juga digunakan cara yang sama seperti sebelumnya.
B B
1 1 02 . 0 03 . 0 03 . 0 03 . 0 1 1 var 0 0 var 12 21 21 12 1 1 b b b b
212 12
1 0.03 0.06 0.02
var b b
12 12
21
21 0.03 0.03 0.02
03 . 0
0 b b b b
12 21
12
21 0.03 0.03 0.02
03 . 0
0 b b b b
0.03 0.06 0.02var 21
2 21
2 b b
untuk b210
12 02 . 0 03 . 0
0 b makab12 1.5
0.02var 2
0.015 var 1 t 1 2 3 4 5 6
t
1
0.075 -0.21 0.26 0.08 0.31 -0.41
t
2
Sehingga diperoleh 1 0 1.5 1
B . Sama seperti model SVAR tanpa intersep di atas sudah didapatkan estimasi untuk A0,A1dan A2 di model VAR, maka dapat dicari pula 0,1 dan2 dengan cara :
, 0.13 -1.20 -0.13 -1.01 -1 0 1.5 1 0 0
BA
, 0.38 2.11 2.07 -0.62 -0.38 2.11 2.64 -3.79 -1 0 1.5 1 1 1 BA
. 0.68 0.86 -0.55 -2.74 0.68 0.86 -1.57 -4.03 1 0 1.5 1 2 2
BA
METODE PENELITIAN
Data yang digunakan adalah data inflasi dan kurs USD. Inflasi diambil dari www.bps.go.id dan data kurs dolar Amerika diambil dari www.bi.go.id. Data yang digunakan masing-masing dari bulan Januari 2011 – September 2014.
HASIL DAN BAHASAN Profil Data
Data inflasi dan nilai tukar rupiah terhadap USD dari bulan Januari 2011 sampai dengan September 2014 ditampilkan dalam Gambar 1. Dari grafik terlihat bahwa data Inflasi berfluktasi disekitar rata-rata. Sehingga dapat diartikan data asli Inflasi sudah stasioner. Untuk data kurs USD dilihat dari gambar data belum stasioner, maka dari itu perlu dilakukan uji stasioneritas untuk data kurs USD.
Gambar 1 : Data asli Inflasi & Kurs USD
Uji Stasioneritas Data
Pada data inflasi dan kurs USD pertama kali dilakukan uji akar untuk mengetahui kestasionerannya agar model yang didapatkan mempunyai ketepatan yang relatif tinggi. Dengan bantuan program R dilakukan Augmented Dickey-Fuller test untuk melakukan uji akar unit (Unit Root Test) untuk menguji apakah inflasi dan kurs USD stasioner atau tidak. Hasil perhitungan akar unit untuk data awal dinyatakan pada Tabel 1.
0 5 10 15 20 25 30 35 40 45 -2
0 2 4
Inflasi
0 5 10 15 20 25 30 35 40 45 0.8
1 1.2 1.4x 10
Tabel 1 : Uji akar unit variabel Inflasi dan USD
Dari Tabel 1 terlihat nilai statistik dari inflasi adalah -2.5957 berarti sudah lebih kecil dari nilai tabel kritis dengan nilai uji 5 %. Sedangkan untuk data kurs USD masih lebih besar dari nilai tabel kritis nya. Hal ini berarti data tidak stasioner, sehingga perlu dilakukan transformasi dan pembedaan untuk data kurs USD yaitu dengan cara
)) log( ) (log(
100 1
t t
t Y Y
z , dengan Yt adalah data inflasi dan kurs USD. Hasil perhitungan akar unit untuk data yang sudah ditransformasi dan dilakukan pembedaan dinyatakan pada Tabel 2.
Tabel 2 : Uji akar unit variabel kurs USD (pembedaan & transformasi)
Terlihat dari Tabel 2 nilai statistik untuk data kurs USD sudah lebih kecil dari nilai tabel kritisnya dengan nilai uji 5 %. Dapat diambil kesimpulan bahwa variabel Inflasi sudah stasioner pada data aslinya, sedangkan untuk variabel kurs USD mengalami stasioner setelah dilakukan pembedaan dan transformasi. Gambar 2 menunjukkan data yang sudah stasioner.
Gambar 2 : Data Inflasi & Kurs USD stasioner
Penentuan Model VAR
Dari data yang sudah stasioner selanjutnya dicari model awal VAR dengan cara mengetahui lag yang paling sesuai untuk model. Artinya bahwa suatu data pada waktu tertentu di masa depan dipengaruhi oleh beberapa data berurutan pada waktu sebelumnya. Untuk memilih lag yang paling sesuai digunakan kriteria informasi AIC.
0 5 10 15 20 25 30 35 40 45 -3
-2 -1 0 1 2 3 4
Inflasi Kurs USD
Data Nilai Statistik
Nilai Tabel Kritis
5 % Inflasi -2.5957 -1.95
USD 1.469 -1.95
Data Nilai Statistik
Nilai Tabel Kritis
Tabel 3 : Kriteria pemilihan lag
Dari kriteria AIC pada tabel terlihat nilai paling minimum ada pada lag 6 yaitu dengan nilai -1.3268. Disini diduga bahwa model terbaik adalah dengan menggunakan lag 6. Sehingga didapatkan model VAR dengan lag 6 untuk variabel inflasi dan USD adalah:
t t t t t t t
t A AY A Y AY AY AY AY e
Y 0 1 1 2 2 3 3 4 4 5 5 6 6 (10)
Untuk menentukaan , , , , ,dan dilakukan dengan menggunakan bantuan software R. Sehingga diperoleh hasil sebagai berikut :
0.938 -0.370 0 A , 0.118 -0.778 0.023 0.355 1 A 0.199 -0.838 0.010 0.408 -2 A 0.362 -0.022 0.048 -0.002 3 A , 0.106 -1.210 0.009 0.002 4 A , 0.056 -0.559 0.166 -0.072 5 A , 0.359 -0.310 0.045 -0.337 6 A .
Dari model VAR diatas diperoleh matriks sampai dengan matriks , selanjutnya dapat dibentuk model SVAR dengan lag 6 yaitu :
t t t t t t t
t Y Y Y Y Y Y
Y
B 01 12 23 34 45 56 6 (11)
Matriks B dapat dicari dengan bantuan software R, sehingga didapatkan :
1 1.367 1.148 -1 B
Selanjutnya dapat dicari:
0.432 -1.447
0 ,
0.086 -1.263 0.159 0.539
-1 ,
0.185 -0.281 0.239 1.370
-2 ,
0.427 -0.025 0.368 0.024 -3 , 0.093 -1.212 0.131 1.387
-4 ,
0.283 -0.657 0.101 -0.570
-5 ,
0.420 -0.770 0.367 0.018 -6 .
Peramalan Menggunakan VAR
Setelah didapatkan model VAR tetap, langkah selanjutnya adalah meramalkan data. Dengan bantuan Software R dilakukan prediksi dari 5 bulan ke depan untuk Inflasi dan Kurs USD. Hasil peramalan ditunjukkan pada Tabel 4.
Tabel 4 : Hasil peramalan Inflasi dan kurs USD (Keluaran dari R)
Bulan Inflasi Kurs USD
Okt-2014 0.07 0.75
Nov-2014 0.10 -0.19
Des-2014 0.37 0.13
Jan-2015 0.76 0.32
Feb-2015 0.82 0.78
Tabel 4 merupakan prediksi inflasi dan kurs USD untuk 5 bulan ke depan. Sebelumnya data kurs USD yang digunakan untuk pemodelan dan peramalan pada Tabel 4
Lag
1 2 3 4 5 6 7 8
adalah data yang masih di transformasikan. Pada variabel USD dilakukan transformasi dan pembedaan yaitu zt 100(log(Yt)log(Yt1)). Untuk mengembalikan ke data yang asli perlu dilakukan tranformasi kembali digunakan.
)) log( ) (log(
100 1
t t
t Y Y
z
100 1 10
t z t
t Y
Y
dengan, zt= nilai peramalan untuk variabel USD.
Untuk peramalan data aslinya dapat dihitung sebagai berikut : Bulan Oktober 2014 :
100 1 10
t z t
t Y
Y
11974.01 10
11769 100
75 . 0
t
Y
Dengan cara yang sama didapatkan peramalan untuk bulan November 2014 sampai dengan Februari 2015. Ditunjukkan pada Tabel 5 berikut.
Tabel 5 : Hasil peramalan Inflasi dan kurs USD
Bulan Inflasi Kurs USD
Okt-2014 0.07 11974.01
Nov-2014 0.10 12062.51
Des-2014 0.37 12346.3
Jan-2015 0.76 12665.92
Feb-2015 0.82 12925.17
KESIMPULAN
Berdasarkan hasil dan bahasan dibagian sebelumnya maka diperoleh :
1. Model SVAR diperoleh dari mengestimasi parameter dari model VAR. Sehingga diperoleh model SVAR dengan orde 6 untuk variabel Inflasi dan kurs USD pada persamaann (11) yaitu :
t t t
t t
t t
t Y Y Y Y Y Y
Y
B 01 12 23 34 45 56 6 .
2. Dalam peramalan menggunakan VAR untuk 5 bulan kedepan pada data inflasi dan kurs USD dapat dilihat pada Tabel 5.
Penelitian lebih lanjut dapat dikembangkan untuk penggunaan Resampling atau Bootstrap dalam model SVAR.
DAFTAR PUSTAKA
Cryer, J.D. and Chan, K.-S.(2008).Time Series Analysis, 2nd Edition, Springer Science+Business Media.
Darwanto. (2012). Dampak Shock Nilai Tukar Riil terhadap Inflasi dan Current Account Indonesia, Trikonomika,11 (1), FEB Universitas Diponegoro, Semarang.
Enders, W. (2004). Applied Econometric Time Series, 2nd Edition, America : Wiley.
Gunawan. (2012). Analisis Interaksi Capital Flows, Fluktuasi Nilai Tukar, dan Kebijakan Moneter Di Indonesia. Fakultas Ekonomi, Universitas Indonesia, Jakarta.
Hadiyatullah.(2011). Model Vector Autoregressive (VAR) dan Penerapannya untuk Analisis Pengaruh Harga Migas yerhadap Indeks Harga Konsumen (IHK) (Studi Kasus Daerah Istimewa Yogyakarta, Periode 1997–2009). FMIPA UNY, Yogyakarta. Halim, S. dan Chandra, A. (2011). Pemodelan Time Series Multivariat secara Automatis.
Jurnal Teknik Industri, 13 (1), Universitas Kristen Petra, Surabaya.
Kilian,. (2011). Structural Vector Autoregressions. Department of Economics,University of Michigan.
Novita, M.( 2009). Studi Kausalitas Granger Antara Nilai Tukar Rupiah Terhadap USD dan AUD Menggunakan Analisis VAR, FSM UKSW, Salatiga.
Rosadi, D. (2011). Analisis Ekonometrik & Runtun Waktu Terapan dengan R, Yogyakarta: Penerbit Andi.
Setyaningtyas, R. (2011). Pemodelan Konsentra si BOD, DO dan Debit Di Stasiun KBe1 Sungai Bedadung–Jember dengan Menggunakan Metode Vector Autoregressive (VAR), Program Magister Fakultas Teknik Sipil dan Perencanaan ITS, Surabaya. Sukirno, S. (2002). Teori Mikro Ekonomi, Rajawali Press: Jakarta.
PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA DAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA DENGAN
MENGGUNAKAN METODE BOOTSTRAP Daivi S. Wardani, Adi Setiawan, Didit B. Nugroho
Program Studi Matematika
Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga 50711
daivisintaw@yahoo.com, adi_setia_03@yahoo.com, didit.budinugroho@staff.uksw.edu
ABSTRAK
Model Structural Vector Autoregression (SVAR) pada data inflasi Indonesia dan nilai tukar rupiah terhadap dolar Amerika telah dikaji sebelumnya dan dihasilkan estimasi untuk
parameter model. Dalam studi ini, metode bootstrap diaplikasikan untuk mengestimasi parameter-parameter dari model. Metode bootstrap merupakan metode resampling dari data asli untuk mendapatkan data baru dengan banyak pengulangan yang terjadi. Dengan bantuan
Software R i386 3.0.1, dari metode bootstrap diperoleh estimasi titik (median bootstrap) dan interval konfidensi bootstrap persentil yang mengandung hasil prediksi dengan metode klasik. Hasil peramalan menunjukkan bahwa, hasil darimetode langsung yang diperoleh
1. PENDAHULUAN
Peramalan dengan SVAR pada data inflasi dan nilai tukar rupiah terhadap USD telah
didapatkan model pada lag 6 dengan bentuk (Wardani dkk,2014) :
t t t
t t
t t
t Y Y Y Y Y Y
Y
B 01 12 23 34 45 56 6
,dimana
1 1
21 12
b b
B , Y adalah vektor berukuran t n 1 yang mengandung n variabel dalam
SVAR, 0 adalah vektor berukuran n 1 yang berisikan intersep, 1,2,,6adalah matriks berukuran nn yang berisikan parameter-parameter dalam SVAR, dan t adalah eror dari model SVAR. Parameter-parameter yang diperoleh dari model digunakan untuk meramalkan
inflasi dan nilai tukar rupiah terhadap USD untuk periode kedepan. Pada penelitian ini
parameter akan dibangkitkan berdasarkan metode bootstrap. Tujuan dari penelitian ini adalah memprediksi data inflasi dan nilai tukar rupiah terhadap USD dengan menerapkan metode
bootstrap untuk memperoleh estimasi titik atau median bootstrap serta interval konfidensi bootstrap persentil sebagai hasil peramalan pada model SVAR. Peramalan sebelumnya (tanpa metode bootstrap) dan peramalan dengan menggunakan bootstrap akan dibandingkan untuk menentukan manakah peramalan yang memiliki kesalahan relatif lebih kecil sehingga
prediksinya bisa dianggap lebih akurat.
2. DASAR TEORI 2.1 Metode Bootstrap
Metode Bootstrap merupakan suatu metode resampling atau pengambilan sampel-sampel baru secara acak dengan pengembalian berdasarkan sampel-sampel asli sebanyak L kali (Agustius, 2013). Dibuat interval konfidensi bootstrap persentil 95% dari hasil
pembentukan sampel baru oleh bootstrap. Kemudian dilakukan ulangan sejumlah
bilangan besar L kali pada sampel baru tersebut. Langkah-langkah dalam membuat
interval konfidensi bootstrap persentil adalah melakukan proses bootstrap sebanyak
bilangan besar L kali, kemudian dengan memilih koefisien konfidensi 95% maka dapat
ditentukan interval konfidensi 95% yaitu dengan memilih batas atas sebesar 97.5% dan
2.2 Vector Autoregression (VAR)
Pertama kali model VAR diperkenalkan oleh C.A. Sims (1972) sebagai
pengembangan dari pemikiran Granger (1969) (Hidayatullah,2009). VAR menjelaskan
bahwa setiap variabel yang ada dalam model tergantung pada pergerakan masa lalu
variabel tersebut dan juga pergerakan masa lalu seluruh variabel yang ada dalam sistem
(Novita,2009). Salah satu keunggulan dari model VAR adalah peneliti tidak perlu
menentukan mana variabel endogen dan mana variabel eksogen karena semua variabel
dalam VAR adalah endogen. Secara umum VAR orde p dituliskan sebagai berikut :
t p t p t
t
t A AY AY A Y e
Y 0 1 1 2 2 (1) dengan
t
Y = vektor berukuran n 1 yang mengandung n variabel dalam VAR,
0
A = vektor berukuran n 1 yang berisikan intersep,
i
A = matriks berukuran nn yang berisikan koefisien-koefisien dalam VAR,
t
e = vektor berukuran n 1 berisikan galat dari model VAR.
Model VAR yang digunakan akan dibentuk dalam tahapan pengujian pra-estimasi.
Meliputi tahapan pengujian stasioneritas data dan penentuan lag optimal.
2.3 Struktural Vektor Autoregresi (SVAR)
SVAR merupakan pengembangan dari metode VAR. Metode estimasi SVAR
digunakan untuk mendapatkan ortogonalisasi suku eror tak rekursif (non recursive error term) dalam kerangka analisis impulse respons. Untuk memperoleh ortogonalisasi suku eror tak rekursif tersebut, maka pada penelitian ini diterapkan beberapa batasan untuk
mengidentifikasi komponen struktural dalam suku eror. Bentuk Struktural Vektor
Autoregresi dengan lag p memiliki model:
t p t p t
t
t Y Y Y
Y
B 0 1 12 2 (2) dengan
1 1
21 12
b b
B ,
t
Y vektor berukuran n 1 yang mengandung n variabel dalam SVAR,
i matriks berukuran n n yang berisikan koefisien-koefisien dalam SVAR,
t
white noise.
2.4 Kesalahan Relatif
Kesalahan relatif (relatif error) adalah ukuran kesalahan dalam kaitannya dengan
pengukuran. Kesalahan relatif didefinisikan dengan:
s a s r
X X X
e (3)
dengan eradalah kesalahan relatif, X adalah nilai sebenarnya, s Xa adalah nilai perhitungan.
Untuk mencari rata-rata kesalahan relatif yang terjadi pada suatu data dinyatakan dengan:
Rata-rata kesalahan relatif =
n
rela tif kesa la ha n
.
3. METODE PENELITIAN
Data yang digunakan adalah data inflasi yang diambil dari www.bps.go.id dan
data nilai tukar rupiah terhadap USD yang diambil dari www.bi.go.id. Data yang
digunakan adalah dari bulan Januari 2011 sampai dengan September 2014. Analisis data
dengan menggunakan alat bantu program aplikasi R i386 3.0.1. Dalam penelitian ini akan
dilakukan peramalan data inflasi dan nilai tukar rupiah terhadap USD pada model SVAR
dengan menggunakan metode bootstrap untuk mengestimasi variabel i. Penggunaan bootstrap untuk mendapatkan estimasi titik atau median bootstrap dapat diringkas dalam langkah-langkah sebagai berikut:
1. Dimisalkan data asal Y1,Y2,...,Yn.
2. Berdasarkan pada data asal, dibentukA0,A1,...,Apdengan p adalah lag yang terpilih.
3. Dihitung et Yt Yt Yt A AYt ApYtp
0 1 1 .
4. Sampel e diambil dengan pengembalian sebanyak t n kali sehingga diperoleh e*t . 5. Dibentuk
Y
t*
A
0
A
1Y
t1
A
pY
tp
e
t*6. Berdasarkan Yt*yang didapatkan maka dapat dihitung
p
A A
A0 , 1 ,, .
) ( ) ( 1 ) ( 0 ) 2 ( ) 2 ( 1 ) 2 ( 0 ) 1 ( ) 1 ( 1 ) 1 ( 0 , , , , , , , , , L p L L p p A A A A A A A A A
8. Berdasarkan perolehan pada prosedur 7, selanjutnya akan dikali dengan B dan diulang sebanyak L kali, sehingga didapatkan:
) ( * ) ( * 1 ) ( * 0 ) 2 ( * ) 2 ( * 1 ) 2 ( * 0 ) 1 *( ) 1 *( 1 ) 1 *( 0
,
,
,
,
,
,
,
,
,
L p L L p p
4. PROFIL DATA
Data inflasi dan nilai tukar rupiah terhadap USD dari bulan Januari 2011 sampai
dengan September 2014 ditampilkan dalam Gambar 1. Dari grafik terlihat bahwa data
inflasi berfluktasi di sekitar rata-rata yang dapat diartikan bahwa data asli inflasi sudah
stasioner. Untuk data nilai tukar rupiah terhadap USD, menunjukkan bahwa data belum
stasioner, sehingga perlu dilakukan uji stasioneritas untuk data nilai tukar rupiah
[image:35.595.89.521.378.685.2]terhadap USD.
Gambar 1 : Data asli inflasi (atas) &nilai tukar rupiah terhadap USD (bawah)
0 5 10 15 20 25 30 35 40 45 -2
0 2 4
Inflasi
0 5 10 15 20 25 30 35 40 45 0.8
1 1.2 1.4x 10
5. HASIL DAN BAHASAN
Pada Wardani, dkk (2014) telah diperoleh parameter-parameter yaitu:
0.432 -1.447
0 ,
0.086 -1.263 0.159 0.539
-1 ,
0.185 -0.281 0.239 1.370
-2 ,
0.427 -0.025 0.368 0.024 -3 , 0.093 -1.212 0.131 1.387
-4 ,
0.283 -0.657 0.101 -0.570
-5 dan
0.420 -0.770 0.367 0.018 -6 sehingga
didapatkan model SVAR untuk lag 6 adalah :
t t t t t t t
t Y Y Y Y Y Y
Y
B 01 12 23 34 45 56 6
.5.1 Metode bootstrap pada variabel i
Dilakukan proses bootstrap pada variabel 1,2,3,4,5dan6. Proses bootstrap dilakukan dengan menyusun sampel baru dari data secara berpasangan dengan pengembalian. Data baru tersebut selanjutnya diramalkan untuk mendapatkan data inflasi
[image:36.595.95.526.278.645.2]dan nilai tukar rupiah terhadap USD pada 5 bulan kedepan. Hasil bootstrap yang digunakan diambil dari median data. Hasil estimasi median bootstrap dan estimasi interval konfidensi persentil pada parameter 1,2,3,4,5 dan 6 dapat dilihat pada Tabel 1.
Tabel 1 : Median bootstrap dan interval konfidensi bootstrap persentil
1,1i
i
1,2 i
2,1 i
2,21
-0.29 1.19 0.11 -0.09
[-0.77, 0.66] [0.37, 1.77] [-0.24, 0.42] [-0.47, 0.31]
2
-1.09 0.36 0.16 -0.18
[-1.67, -0.39] [-0.43, 1.21] [-0.15, 0.50] [-0.56, 0.16]
3
-0.01 0.02 0.25 -0.43
[-0.61, 0.60] [-0.74, 0.80] [-0.16, 0.51] [-0.72, -0.08]
4
-0.99 1.21 0.09 -0.09
[-1.65, 0.19] [0.54, 1.92] [-0.21, 0.36] [-0.44, 0.27]
5
-0.38 0.64 -0.11 -0.26
[-0.98, 0.33] [-0.18, 1.38] [-0.40, 0.14] [-0.63, 0.13]
6
0.11 0.71 0.24 -0.40
Sebagai contoh hasil bootstrap untuk 1 dibuat histogramnya dapat dilihat pada Gambar 2.
Gambar 2 : Histogram Estimasi Titik 1
5.2 Peramalan dengan model SVAR
Model SVAR untuk mendapatkan peramalan yaitu:
1 1 1
1 1
5 6 4 5 3 4 2 3 1 2 1
0 1
t t
t t
t t
t t
t t
t
Y B Y
Y B Y
Y Y
Y Y
Y Y
Y
Hasil peramalan data inflasi dan nilai tukar rupiah terhadap USD disajikan dalam Tabel
2.
Tabel 2 : Hasil peramalan inflasi dan nilai tukar rupiah terhadap USD (keluaran dari R)
Bulan Inflasi Inflasi (hasil bootstrap)
Nilai tukar rupiah terhadap
USD
Nilai tukar rupiah terhadap
USD (hasil bootstrap)
Okt-2014 0.07 0.060 0.75 0.760
Nov-2014 -0.20 -0.117 -0.88 -0.620
Des-2014 0.95 0.698 0.05 -0.022
Jan-2015 0.67 0.756 1.31 0.873
[image:37.595.69.527.638.770.2]Tabel 3 : Hasil peramalan inflasi dan data aslinya
Tabel 4 : Hasil peramalan Nilai tukar rupiah terhadap USD (hasil transformasi) dan data aslinya
Akan dihitung kesalahan relatif pada data inflasi yaitu :
1. Bulan Oktober 2014.
85 . 0 47 . 0 07 . 0 47 . 0 r
e (kesalahan relatif tanpa bootstrap)
87 . 0 47 . 0 060 . 0 47 . 0 r
e (kesalahan relatif dengan bootstrap)
2. Bulan November 2014
13 . 1 50 . 1 ) 20 . 0 ( 50 . 1 r
e (kesalahan relatif tanpa bootstrap)
08 . 1 50 . 1 ) 117 . 0 ( 50 . 1 r
e (kesalahan relatif dengan bootstrap)
3. Bulan Desember 2014
61 . 0 46 . 2 95 . 0 46 . 2 r
e (kesalahan relatif tanpa bootstrap)
72 . 0 46 . 2 698 . 0 46 . 2 r
e (kesalahan relatif dengan bootstrap) Bulan Inflasi
Inflasi (hasil bootstrap)
Inflasi (data asli)
Okt-2014 0.07 0.060 0.47
Nov-2014 -0.20 -0.117 1.50
Des-2014 0.95 0.698 2.46
Jan-2015 0.67 0.756 -
Feb-2015 0.15 0.519 -
Bulan Nilai tukar rupiah terhadap USD
Nilai tukar rupiah terhadap USD (hasil bootstrap)
Nilai tukar rupiah terhadap USD (data asli)
Okt-2014 11974.01 11976.76 12249
Nov-2014 11733.82 11806.99 12166
Des-2014 11747.34 11801.01 12325
Jan-2015 12107.08 12040.63 -
[image:38.595.76.505.212.766.2]Maka diperoleh nilai rata-rata kesalahan relatifnya yaitu:
a. Rata-rata kesalahan relatif peramalan inflasi 0.86 3 59 . 2 3 61 . 0 13 . 1 85 . 0 ,
b. Rata-rata kesalahan relatif peramalan inflasi (setelah dilakukan bootstrap) 89 . 0 3 67 . 2 3 72 . 0 08 . 1 87 . 0 .
Untuk menghitung kesalahan relatif pada data nilai tukar rupiah terhadap USD akan
diberikan sebagai berikut :
1. Bulan Oktober 2014.
02 . 0 12249 01 . 11974 12249 r
e (kesalahan relatif tanpa bootstrap)
02 . 0 12249 76 . 11976 12249 r
e (kesalahan relatif dengan bootstrap)
2. Bulan November 2014
03 . 0 12166 82 . 11733 12166 r
e (kesalahan relatif tanpa bootstrap)
03 . 0 12166 99 . 11806 12166 r
e (kesalahan relatif dengan bootstrap)
3. Bulan Desember 2014
05 . 0 12325 34 . 11747 12325 r
e (kesalahan relatif tanpa bootstrap)
04 . 0 12325 01 . 11801 12325 r
e (kesalahan relatif dengan bootstrap)
Maka diperoleh nilai rata-rata kesalahan relatif yaitu:
a. Rata-rata kesalahan relatif peramalan nilai tukar rupiah terhadap USD
b. Rata-rata kesalahan relatif peramalan nilai tukar rupiah terhadap USD (setelah
dilakukanbootstrap) 0.03
3 09 . 0 3
04 . 0 03 . 0 02 . 0
.
Dari hasil perhitungan diperoleh nilai rata-rata kesalahan peramalan dengan model
SVAR pada inflasi dan nilai tukar rupiah terhadap USD sebelum dilakukan bootstrap adalah 0.86 (86%) dan 0.03 (3%) dan nilai rata-rata kesalahan peramalan pada data yang sudah
[image:40.595.75.513.217.555.2]dilakukan bootstrap yaitu 0.89 (89%) untuk Inflasi dan 0.03 (3%) untuk nilai tukar rupiah terhadap USD.
Gambar 3 : Histogram prediksi inflasi dan nilai tukar rupiah terhadap USD dengan model SVAR
Tabel 5 : Titik estimasi dan interval konfidensi peramalan data inflasi dan nilai tukar rupiah terhadap USD
Bulan Inflasi Nilai tukar rupiah terhadap USD
Oktober 2014 0.06 0.76
[-0.34,0.63] [0.13,1.36]
November 2014 -0.12 -0.62
[-0.65,0.51] [-1.41,0.16]
Desember 2014 0.69 -0.02
[0.16,1.39] [-1.15, 0.86]
Januari 2015 0.75 0.87
[0.13,1.51] [-0.15,2.42]
Februari 2015 0.52 -0.16
[-0.68,1.37] [-2.29,1.83]
KESIMPULAN
Berdasarkan hasil dan bahasan di bagian sebelumnya diperoleh bahwa hasil
peramalan berdasarkan data inflasi di Indonesia dan nilai tukar rupiah terhadap USD tanpa
melakukan bootstrap lebih baik dari pada menggunakan metode bootstrap. Hal ini dapat dilihat dari rata-rata kesalahan relatif tanpa bootstrap untuk inflasi sebesar 86% dan nilai tukar rupiah terhadap USD sebesar 3%, lebih kecil dari pada rata-rata kesalahan relatif
dengan metode bootstrap yaitu 89% untuk inflasi dan 3% untuk nilai tukar rupiah terhadap USD. Lebih lanjut perlu diselidiki kenapa kesalahan relatif data inflasi dari hasil
penghitungan kedua metode sangat besar yaitu mendekati 100%.
DAFTAR PUSTAKA
Agustius, Y., dkk. (2013). Penerapan Metode Bootstrap Pada Uji Komparatif Non Parametrik 2 Sampel Studi Kasus: Inflasi Di Kota Purwokerto, Surakarta, Semarang, Dan Tegal Tahun 2003-2012.Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,FMIPA UNY,Yogyakarta.
Cryer, J.D. dan Chan, K.-S.(2008).Time Series Analysis, 2nd Edition, Springer Science+Business Media.
Enders, W. (2004). Applied Econometric Time Series, 2nd Edition, America : Wiley.
Feve P. dan Jidoud A. (2012). Identifying News Shocks from SVARs, Toulouse School of Economics, Toulouse-France.
Gunawan. (2012). Analisis Interaksi Capital Flows, Fluktuasi Nilai Tukar, dan Kebijakan Moneter Di Indonesia. Fakultas Ekonomi, Universitas Indonesia, Jakarta.
Hadiyatullah.(2011). Model Vector Autoregressive (VAR) dan Penerapannya untuk Analisis Pengaruh Harga Migas yerhadap Indeks Harga Konsumen (IHK) (Studi Kasus Daerah Istimewa Yogyakarta, Periode 1997–2009). FMIPA UNY, Yogyakarta. Halim, S. (2006). Penggunaan Bootstrap Data Dependen Untuk Membangun Selang
Kepercayaan Pada Parameter Model Peramalan Data Stasioner. Jurnal Teknik Industri, 8 (1), Fakultas Teknik Industri UKP, Surabaya.
Kilian,(2011). Structural Vector Autoregressions. Department of Economics,University of Michigan.
Novita, M.( 2009). Studi Kausalitas Granger Antara Nilai Tukar Rupiah Terhadap USD dan AUD Menggunakan Analisis VAR, FSM UKSW, Salatiga.
Rahayu, N. (2012). P enggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus, FSM UKSW. Salatiga.
Rosadi, D. (2011). Analisis Ekonometrik & Runtun Waktu Terapan dengan R, Yogyakarta: Penerbit Andi.
Setyaningtyas, R. (2011). Pemodelan Konsentra si BOD, DO dan Debit Di Stasiun KBe1 Sungai Bedadung–Jember dengan Menggunakan Metode Vector Autoregressive (VAR), Program Magister Fakultas Teknik Sipil dan Perencanaan ITS, Surabaya. Wardani, D. S., Setiawan.A, Nugroho, D.B. (2014). Peramalan Dengan Model SVAR Pada
Data Inflasi Indonesia Dan Nilai Tukar Rupiah Terhadap Kurs Dolar Amerika , Prosiding Seminar Nasional Sains dan Pendidikan Sains, 4(1), UMP, Purworejo.
xiv
KESIMPULAN
Berdasarkan bahasan dari kedua makalah dapat disimpulkan sebagai berikut
1. Model SVAR data inflasi dan nilai tukar rupiah terhadap USD adalah berorde 6:
t t t t t t t
t Y Y Y Y Y Y
Y
B 01 12 23 34 45 56 6
. Dan didapatkan estimasi parameter dari model yaitu : 0.432 -1.447
0 ,
0.086 -1.263 0.159 0.539
-1 ,
0.185 -0.281 0.239 1.370 -2 0.427 -0.025 0.368 0.024
-3 ,
0.093 -1.212 0.131 1.387
-4 ,
0.283 -0.657 0.101 -0.570 -5 0.420 -0.770 0.367 0.018 -6 .
2. Hasil peramalan berdasarkan data Inflasi di Indonesia dan nilai tukar rupiah terhadap kurs USD tanpa melakukan bootstrap lebih baik dari pada menggunakan metode bootstrap. Hal ini dapat dilihat dari rata-rata kesalahan relatif tanpa bootstrap untuk inflasi sebesar 86% dan nilai tukar rupiah terhadap USD sebesar 3%, lebih kecil dari
xv
HASIL REVIEW 28 Januari 2015
Review Makalah 1 adalah sebagai berikut :
1. Pada dasar teori Model Autoregresi keterangan p seharusnya j yaitu parameter autoregresi ke-j, dengan j = 1,2, ..., p.
2. Pada dasar teori Vector Autoregression (VAR) keterangan :
t
Y adalah data yang akan dicari modelnya, dengan t adalah banyaknya data.
i
A adalah parameter pada model, dengan i = 1,2, ..., p dan p adalah lag yang sesuai untuk model.
t
e adalah galat dari model, dengan t adalah banyaknya data.
3. Perbedaan VAR dan SVAR yaitu eror pada model VAR adalah dependen sedangkan
eror pada model SVAR adalah independen.
4. Pada contoh 2 diambil referensi dari Enders (2004).
5. Pada contoh 2,
2
2 21
12 2 1
t te
e
E , dengan i2 adalah variansi dari e it
sedangkan
12=
21 yaitu kovariansi dari e1tdan e2t.6. Metode Penelitian
Langkah-langkah penelitian :
a. Dimisalkan data asal Y1,Y2,...,Yn.
b. Dari data asal dicek stasioneritas data dengan menggunakan uji akar unit yaitu
dengan uji Augmented Dickey-Fuller (ADF test).
c. Data yang belum stasioner akan dilakukan transformasi dan pembedaan.
d. Selanjutnya akan ditentukan lag optimal dengan menggunakan kriteria informasi
Akaike Information Criterion. Nilai kriteria lag yang paling minimum akan dipilih sebagai lag yang paling sesuai untuk model.
e. Setelah mendapatkan model yang paling sesuai akan dicari parameter pada model
VAR.
f. Dari parameter model VAR yang diperoleh dapat dicari parameter dan nilai B pada model SVAR.
g. Dari parameter-parameter yang diperoleh akan diramalkan data inflasi dan nilai
xvi
7. Tabel 4 adalah hasil peramalan inflasi dan nilai tukar rupiah terhadap USD
berdasarkan keluaran program R.
Tabel 5 adalah hasil peramalan inflasi dan nilai tukar rupiah terhadap USD setelah
data ditransformasi untuk dikembalikan ke data asli.
8. Pada kesimpulan pertama: model SVAR diperoleh dari mengestimasi parameter yaitu:
0.432
-1.447
0 ,
0.086 -1.263
0.159 0.539
-1 ,
0.185 -0.281
0.239 1.370
-2
0.427 -0.025
0.368 0.024
-3 ,
0.093 -1.212
0.131 1.387
-4 ,
0.283 -0.657
0.101 -0.570
-5
0.420 -0.770
0.367 0.018
[image:45.595.97.504.168.628.2]
xvii
xviii LAMPIRAN 1
Data inflasi dan nilai tukar rupiah terhadap USD pada bulan Januari 2011-September 2014
Bulan Inflasi
Nlai tukar rupiah terhadap
USD
Jan-11 0,89 9021
Feb-11 0,13 9087
Mar-11 -0,32 8856
Apr-11 -0,31 8742
Mei-11 0,12 8594
Jun-11 0,55 8583
Jul-11 0,67 8606
Agust-11 0,93 8523
Sep-11 0,27 8582
Okt-11 -0,12 8970
Nop-11 0,34 8937
Des-11 0,57 9130
Jan-12 0,76 9171
Feb-12 0,05 9067
Mar-12 0,07 9143
Apr-12 0,21 9209
Mei-12 0,07 9239
Jun-12 0,62 9380
Jul-12 0,7 9448
Agust-12 0,95 9515
Sep-12 0,01 9633
Okt-12 0,16 9641
Nop-12 0,07 9676
Des-12 0,54 9646
Jan-13 1,03 9733
Feb-13 0,75 9749
Mar-13 0,63 9726
Apr-13 -0,1 9784
Mei-13 -0,03 9779
Jun-13 1,03 9860
Jul-13 3,29 9984
Agust-13 1,12 10339 Sep-13 -0,35 10977
Okt-13 0,09 11651
Nop-13 0,12 11411
Des-13 0,55 12006
Jan-14 1,07 12303
Feb-14 0,26 12312
Mar-14 0,08 11654
Apr-14 -0,02 11327
Mei-14 0,16 11595
Jun-14 0,43 11799
Jul-14 0,93 11857 Agust-14 0,47 11649
xvi LAMPIRAN 2
Program R untuk mencari model VAR dan SVAR beserta peramalannya coba <- read.table("databener.txt",header=TRUE)
inflasi <- coba[,2] usd <- coba[,3]
data <- data.frame(inflasi,usd) #uji stasioner
adf_inflasi <- summary(ur.df(inflasi, type = "none", lags = 2)) adf_inflasi
adf_USD <- summary(ur.df(usd, type = "none", lags = 2)) adf_USD
#dilakukan_difference/pembedaan_jika belum stasioner v <- inflasi[1:44]
w <- 100*diff(log10(usd)) databaru <- data.frame(v,w) #cek_stasioner_lagi
adf2_USD <- summary(ur.df(w, type = "none",lags = 1)) adf2_USD
#penentuan_lag_optimal
VARselect(databaru, lag.max = 8, type = "both") #cari_model_VAR
#manualnya untuk p=6 Y <- matrix(c(v,w),44,2) Y <- t(Y)
A <- Y[,7:44] B <- Y[,6:43] C <- Y[,5:42] D <- Y[,4:41] E <- Y[,3:40] F <- Y[,2:39] G <- Y[,1:38]
Yes7 <- rbind(A,B,C,D,E,F) Zet7 <- rbind(B,C,D,E,F,G) satu7 <- rep(1,38)
Y11 <- rbind(satu7,B,C,D,E,F,G)
betaC7 <- Yes7%*%t(Y11)%*%solve(Y11%*%t(Y11)) #cari_model_dengan_packages_vars
varC7 <- VAR(databaru, p = 6, type = "const") #cari_model_SVAR
Amat <- diag(2) Amat[2, 1] <- NA Amat[1, 2] <- NA
svar.A7 <- SVAR(x = varC7, estmethod = "direct", Amat = Amat, Bmat = NULL,max.iter = 100, maxls = 1000, conv.crit = 1.0e-8)
B<-svar.A7[[1]] #prediksi_dg_VAR
xvii LAMPIRAN 3
Program R untuk mencari parameter pada VAR dan SVAR beserta peramalannya mennggunakan metode bootstrap
u <- read.table('datacontoh.txt') inf <- u[1:45,1]
kurs <- u[1:45,2]
da <- data.frame(inf,kurs) k <- inf[1:44]
l <- 100*diff(log10(kurs)) databaru <- data.frame(k,l) Y <- matrix(c(k,l),44,2) Y <- t(Y)
M <- Y[,7:44] N <- Y[,6:43] O <- Y[,5:42] P <- Y[,4:41] Q <- Y[,3:40] R <- Y[,2:39] S <- Y[,1:38]
Yess <- rbind(M,N,O,P,Q,R) Zet <- rbind(N,O,P,Q,R,S) satu <- rep(1,45)
Zet1 <- rbind(satu[1:38],Zet) presentil1 <- function(has21) {
L <- length(has21) p <- 0.025
urut <- sort(has21) return(urut[round(L*p)]) }
presentil3 <- function(has23) {
L <- length(has23) p <- 0.975
urut <- sort(has23) return(urut[round(L*p)]) }
#bootstraping parameter Ai dan gamma i boot.daivi <- function(Yess, Zet1,p,L) {
m <- dim(Yess)[1] n <- dim(Yess)[2]
hasil2 <- matrix(0, L, 72)
beta22 <- Yess%*%t(Zet1)%*%solve(Zet1%*%t(Zet1)) U <- Yess-(beta22%*%Zet1)
for (i in 1:L) {
w <- sample(1:n,replace=T) Ubintang2 <- U[,w]
xviii
Bbintang2 <- Ybintang2%*%t(Zet1)%*%solve(Zet1%*%t(Zet1)) A0 <- Bbintang2[1:2,1]
A1 <- Bbintang2[1:2,2:3] A2 <- Bbintang2[1:2,4:5] A3 <- Bbintang2[1:2,6:7] A4 <- Bbintang2[1:2,8:9] A5 <- Bbintang2[1:2,10:11] A6 <- Bbintang2[1:2,12:13] M1 <- M[,38]
N1 <- N[,38] O1 <- O[,38] P1 <- P[,38] Q1 <- Q[,38] R1 <- R[,38]
Y1 <- cbind(Yess[,1:6],Ybintang2) v <- Y1[1,]
w <- Y1[2,]
dataku <- data.frame(v,w)
varC7 <- VAR(dataku, p, type = "const") hasil2[i,1] <- Bbintang2[1,1]
hasil2[i,2] <- Bbintang2[2,1] hasil2[i,3] <- Bbintang2[1,2] hasil2[i,4] <- Bbintang2[2,2] hasil2