PERAMALAN LAJU INFLASI DAN NILAI TUKAR RUPIAH TERHADAP DOLAR AMERIKA MENGGUNAKAN MODEL VECTOR AUTOREGRESSIVE (VAR) - Diponegoro University | Institutional Repository (UNDIP-IR)

PERAMALAN LAJU INFLASI DAN NILAI TUKAR

RUPIAH TERHADAP DOLAR AMERIKA

MENGGUNAKAN MODEL

VECTOR AUTOREGRESSIVE

(VAR)

SKRIPSI

Disusun Oleh :

Fitrian Fariz Ichsandi

24010210141024

JURUSAN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

PERAMALAN LAJU INFLASI DAN NILAI TUKAR

RUPIAH TERHADAP DOLAR AMERIKA

MENGGUNAKAN MODEL

VECTOR AUTOREGRESSIVE

(VAR)

Disusun Oleh :

Fitrian Fariz Ichsandi

24010210141024

Sebagai Salah Satu Syarat untuk Memperoleh Gelar

Sarjana Sains pada Jurusan Statistika

JURUSAN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

KATA PENGANTAR

Puji syukur penulis panjatkan pada Allah SWT atas rahmat, hidayah serta

karuniaNya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul

Peramalan Laju Inflasi dan Nilai Tukar Rupiah Terhadap Dolar Amerika Menggunakan

Model

Vector Autoregressive

(VAR) .

Tugas Akhir ini disusun sebagai salah satu syarat untuk memperoleh gelar

Sarjana Strata Satu (S1) pada Jurusan Statistika Fakultas Sains dan Matematika

Universitas Diponegoro. Tanpa bantuan dan dukungan dari berbagai pihak, penulis tidak

akan mampu menyelesaikan laporan ini. Penulis menyampaikan terima kasih kepada :

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

Matematika Universitas Diponegoro.

2. Ibu Rita Rahmawati, SSi, M.Si dan Ibu Yuciana Wilandari S.Si, M.Si selaku dosen

pembimbing I dan dosen pembimbing II atas bimbingan dan arahan serta waktu yang

diberikan kepada penulis.

3. Bapak dan Ibu dosen Jurusan Statistika Universitas Diponegoro yang telah

memberikan ilmu yang bermanfaat kepada penulis.

4. Semua pihak yang telah membantu kelancaran penyusunan Tugas Akhir yang tidak

dapat penulis sebutkan satu-satu.

Penulis berharap Tugas Akhir ini dapat bermanfaat bagi seluruh civitas

akademika di Universitas Diponegoro khususnya Jurusan Statistika dan

masyarakat pada umumnya.

v

BSTRAK

V

tor Autor

r

ss

v

!

"

" ! #

$ % "

& &

white noise

'

! $

differencing lag

( !

)$ )

3

5 periode menunjukkan nilai laju inflasi

mengalami fluktuasi stabil dengan rata-rata 0,33% sedangkan nilai kurs dolar

cenderung mengalami penurunan pada 4 periode dan mengalami kenaikan pada

periode ke-5 dengan rata-rata angka kurs sebesar Rp. 10.018,76.

vi

ABSTRACT

Vector Autoregressive Method (VAR) is a simultaneous equation model has

several endogeneous variables. In the VAR Model each variable endogeneous is

explained by lag from own value and lag from the other variable. Equation of VAR

generally use to forecast. In this final task VAR model was applied to find the

forecasting value of inflation rate in Indonesia and the US dollar exchange rates.

Testing in VAR models includes stationarity test, granger causality test and white

noise test. Based on the analysis showed that inflation variable and US dollar

exchange rates variable are both experiencing

differencing first lag

so as mentions for

both variables become d_inflasi and d_kurs. The best

lag

for VAR model is

lag

3 for

each model. Forecasting for 5 periods refers to indicate that inflation rate fluctuated is

stable at the average rate 0,33% while the US dollar exchange rates tended to

decrease on 4 periode and increase on periode to 5 with an average exchange rate is

Rp. 10.018,76.

vii

P=P= ]>2 1>XRN1KQR^>1U_`RKSa ======================================================================

5

P=V= ZMK1312 14_bcd

e

efg h

ing)

=========================================================================

6

P=W= ij e

tor

klh

oregresive

_mnQa ==================================================================

7

viii

rstsrs uv wx yzvx{z |z y}

t

}| sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~

rsts€s { }yx x ‚zƒ„z …†}|‡zx ˆ sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~~

rs ‰s Š

t

zvx ‹ƒ }|x

t

zv sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~r

rs Œs 

iffere

Ž

ing

sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~

3

rs s

White

‘

oise

ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~t

rs ’s “z”vz x

t

zv• |zƒ …}| ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~

5

B

A

B

– – – —˜™š ›š œš– sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~

8

3

s ~s žzz

t

sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~

8

3

srs „zƒ …ˆ z ‚Ÿƒzxv xvžz

t

z ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss~

8

3

s€sžxz… |z yŸx|{ }ƒ }x

t

xzƒ sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssr 

B

A

B

– ¡¢ £– œ›¢¤¥˜—

B

A

¡¢ £¢ ¤ ssssssssssssssssssssssssssssssssssssssssssssssssssssssr ~

4

s ~s¦§xŠ

t

zv x ‹ƒ }|x

t

zv sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssr ~

4

srs¦§x“ z”vz x

t

zv• |zƒ … }| sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssr ‰

4

s€s{ }yxx‚zƒ„z …†}|‡z xˆ sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssr ’

4

sts¨‹© }{ }|z yz zƒª «

g

~ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssr ¬

4

s ‰s¦§x

White

‘

oise

¨‹ © }ª «­~ ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssr ¬

4

s Œs¨‹© }{ }|z yz zƒª «

g

3

ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss

3

~

4

s s¦§x

White

‘

oise

¨‹ © }ª «­

3

ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss

3

r

4

s ’s®zv x { }|z yzzƒ sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss

34

B

A

B

 ¯˜£–—¥° œ¢¤ ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss

35

›¢±™¢²¥°£™¢¯¢ ssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss

37

ix

³´µ¶ ´·¶ ´¸ ¹º

H

»¼»½» ¾

¿ÀÁ Â

l

ÃÄÅÆÇÈ»ÉÊ»¼ Ç

t

»ÊË Ì» ¾ÍÎ Ì ÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏ ÐÑ

¿ÀÁ Â

l

ÒÄÓÇ ¼»ÇÔ ÕÖ× ØÙÚÔ»½ Û»ÇÜξͻ ¾× ØÙ

5

ÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏÏ ÐÑ

x

DAFTAR GAMBAR

xii

Lampiran 11.

LMNOPQR S T UR NV SRW

hi

XYZ[\] ^ _

3

ÏÐÑÒÓÑ Ô ÐÔÓÑ ÏÓÑ Ò Õ Ð ÏÖÓ ×ÓØÙÓÚ ÐÛ Ü ÐÚÓ ÒÓÙ ×ÓØÙÓ ÚÐÛ ÐÑ ÏÝÒ ÐÑ Ô ÐÑÒÒ ÖÑÓÕÓÑ

ÔÐÞ ÝÏÐ

Vector Autoregressive

ßà á âãä àá â ÔÐ ØÖåÓ ÕÓÑ å ÐÔ ÝÏ ÐÛÓÑ å Ð ØÜÓ ÔÓÓÑ

Ü ÙÔ ÖÛÞÓÑæÓÑ ÒÔÐÔ ÙÛÙ ÕÙÚÐÚÐØÓåÓ×ÓØÙÓ ÚÐÛÐÑ ÏÝÒ ÐÑÜ ÐçÓ ØÓÚÐØÜÓ ÔÓÓÑä

èéêë

u

ì

u

í îïðîíî ñîò

óÐØÏÓ ÜÓ ØÕÓÑ ÖØÓ ÙÓÑ ÏÓ ØÙ ÛÓ ÞÓ Ø ÚÐÛÓ ÕÓÑ Òô ÔÓ ÕÓ ØÖ ÔÖÜÓÑ ÔÓ ÜÓ ÛÓõ æÓ Ñ Ò Ó ÕÓÑ

ÏÙÚÓõÓ ÜÓ ÏÓÛÓõö

Ó ä áåÓ ÕÓõ ÛÓ ÷ Ö ÙÑøÛÓ ÜÙ ÏÓÑ ÕÖØÜ ÏÝÛÓ Ø á Ô ÐØÙ ÕÓ ÔÐ Ô ÙÛ ÙÕÙ õ ÖÚÖÑÒÓÑ æÓÑ Ò ÜÓ Û ÙÑÒ

ÔÐÔå ÐÑÒÓ ØÖõ Ùù

Úä óÓ ÒÓ Ù ÔÓÑ Ó õÓÜ Ù Û å ÐØÓ Ô ÓÛÓÑ ÛÓ÷ Ö ÙÑøÛÓ ÜÙ ÏÓÑ å Ð ØÓ ÔÓ ÛÓÑ ÕÖØÜ ÏÝÛÓØ áÔ ÐØÙÕÓ

ÔÐÑÒÒÖÑ Ó ÕÓÑÔ ÐÞÝÏÐ

Vector Autoregressive

ß àáâ ãù

èéúûî üîíîïðîí î ñîò

óÓ ÞÓÜ ÓÑÔÓÜÓ ÛÓõÏÓ ÛÓ ÔåÐÑ ÐÛ ÙÞ ÙÓÑÙÑ ÙÓ ÏÓ ÛÓõö

Ó ä ýÐÞ ÝÏÐ æÓÑÒ ÏÙÒÖÑÓ ÕÓ Ñ Ü ÐÚÓÒÓ Ù å Ð ØÓ ÔÓÛÓÑ Ô ÐÑÒÒÖÑ Ó ÕÓÑ Ô ÐÞÝÏÐ

Vector

Autoregressive

ß àáâãä

Úä þÓ ÞÓ æÓ Ñ Ò ÏÙÒÖÑÓ ÕÓÑ ÓÏÓ ÛÓõ ÏÓÞÓ ÚÖÛÓÑÓÑ ÛÓ÷ Ö ÙÑø ÛÓ Ü Ù ÏÓÑ ÕÖØÜ ÏÝÛÓØ ÏÓ ØÙ

J

ÓÑ ÖÓ ØÙ

200

ÿÜÓ ÔåÓ ÙÏÐÑÒÓÑ

D

ÐÜÐÔ ÚÐ Ø

2012.

èé

u

u

îïï

u

ñí îï

Ö÷ ÖÓÑ ÏÓØÙ å ÐÑÐÛÙ ÞÙÓÑ ÙÑ Ù Ó ÏÓ ÛÓõ ÖÑ Þ ÖÕ ÔÐÑ ÒÐÞÓõ ÖÙ õ ÖÚÖÑÒÓÑ ÓÑ ÞÓØÓ Ñ ÙÛÓ Ù

ÛÓ ÷ ÖÙÑø ÛÓ Ü ÙÏÙÑ ÏÝÑÐÜÙÓÏÓÑÑ ÙÛÓÙÞ ÖÕÓØØÖå ÙÓõÞ ÐØõÓ ÏÓåÏÝÛÓØ

A

Ô ÐØÙÕÓÜÐØ ÞÓÖÑ ÞÖÕ ÔÐÑÒ ÐÜ ÞÙ ÔÓ Ü Ù Ô ÝÏÐÛ Ü ÐÚÓÒÓ Ù Ñ Ù ÛÓ Ù å ØÐÏÙ ÕÜÙ Ó ÞÓ Ö å ÐØÓ ÔÓ ÛÓÑ åÓÏÓ ÕÐÏÖÓ × Ó ØÙÓ ÚÐÛ