3. Indeks Harga Konsumen (IHK)
LATAR BELAKANG
Indeks Harga Konsumen merupakan indikator paling
penting untuk mengukur ekonomi makro di suatu wilayah dalam
kurun waktu tertentu. Perubahan tersebut bisa berupa perubahan
kenaikan atau berupa perubahan menurunya harga suatu komoditas
(Fitriyani, 2018). Hal ini dikenal dengan istilah inflasi dan deflasi.
Inflasi yang tinggi atau tidak terkendali dapat mengurangi daya beli
konsumen karena harga barang dan jasa naik lebih cepat daripada
pendapatan. Ini bisa mengarah pada penurunan konsumsi dan
mempengaruhi pertumbuhan ekonomi makro. Selain itu hal
tersebut mempengaruhi tingkat pendapatan yang tidak merata, jadi
di butuhkan suatu kebijakan untuk menstabilkan kembali
perekonomian.
4. Mengapa Provinsi Jawa Barat?
LATAR BELAKANG
Jawa Barat adalah salah satu kontributor
terbesar terhadap Produk Domestik Bruto
(PDB) Indonesia. Perekonomian Jabar
menyumbang sebagian besar terhadap PDB
nasional. Ini disebabkan oleh kepadatan
penduduk, aktivitas ekonomi yang beragam.
Selain itu Provinsi Jawa Barat memiliki
perkembangan ekonomi yang cukup signifikan
dan beragam sektor industri dan jasa yang
aktif. Hal ini memungkinkan adanya variasi
dalam data IHK yang bisa digunakan untuk
analisis.
5. STAR
Space Time Autoregressive
adalah salah satu metode deret
waktu multivariat yang melibatkan
unsur waktu dan lokasi dengan
karakteristik lokasi seragam. Nilai
parameter yang dihasilkan model
STAR adalah konstan untuk
semua lokasi, sehingga hanya
berlaku pada lokasi yang
homogen dan kurang sesuai pada
lokasi yang heterogen.
LATAR BELAKANG
BAGAIMANA DENGAN LOKASI
YANG HETEROGEN?
GSTAR
Pada model GSTAR nilai parameter Autoregressive
(AR) bervariasi antar lokasi, yang ditunjukkan
dalam bentuk matriks pembobot, sehingga model ini
lebih fleksibel untuk diterapkan pada lokasi yang
heterogen (Nurani, 2002)
Model yang didapat kurang efisien
untuk dilakukan peramalan
SUR
Seemingly Unrelated Variabel ini terdiri atas beberapa
persamaan regresi yang galatnya tidak berkorelasi antar
pengamatan dalam suatu persamaan, namun galat
berkorelasi antar persamaan
6. PENELITIAN TERDAHULU
2016
(Shaliha Mansoer & Wilandari)
2018
2020
(Shaliha Mansoer & Wilandari)
Peramalan harga padi di Kabupaten Demak dengan
GSTAR diperoleh model terbaik model GSTAR ini
memiliki residual yang saling berkorelasi akan
menghasilkan estimator yang kurang efisien karena
menyebabkan terjadinya error yang lebih besar jika saat
digunakan untuk melakukan peramalan
(Fitria Andriyani et al.)
Pemodelan indeks harga konsumen
di Jawa Tengah menggunakan
metode GSTAR-SUR diperoleh
hasil perbandingan akurasi
peramalan yang menunjukkan
GSTAR-SUR mempunyai nilai
RMSE yang lebih kecil.
Penerapan GSTAR-SUR pada
jumlah penumpang pesawat
domestik di bandara Indonesia,
diperoleh hasil bahwa metode
GSTAR-SUR memberikan hasil
yang lebih baik dibandingkan
GSTAR-OLS
(Fitria Andriyani et al.)
Habibie
7. 1. Bagaimana keadaan ekonomi terutama Indeks Harga Konsumen di Provinsi Jawa Barat?
Rumusan Masalah
1. Bagaimana keadaan ekonomi terutama Indeks Harga Konsumen di Provinsi Jawa Barat?
2. Bagaimana menentukan model terbaik dalam penerapan model Generalized Space Time
Autoregressive Seemingly Unrelated Regression (GSTAR-SUR) untuk Indeks Harga
Konsumen (IHK) enam kota di Provinsi Jawa Barat ?
3. Bagaimana hasil peramalan Indeks Harga Konsumen (IHK) tujuh kota di Provinsi Jawa
Barat 24 bulan kedepan menggunakan model Generalized Space Time Autoregressive
Seemingly Unrelated Regression (GSTAR-SUR)?
Rumusan Masalah
8. TUJUAN PENELITIAN
Berdasarkan rumusan masalah yang telah dijabarkan, tujuan yang ingin
dicapai melalui penelitian ini adalah:
1. Mendapatkan gambaran umum keadaan ekonomi terutamanIndeks Harga
Konsumen tujuh kota di Provinsi Jawa Barat.
2. Mendapatkan model terbaik dalam penerapan model metode Generalized Space
Time Autoregressive Seemingly Unrelated Regression (GSTAR-SUR) untuk
Indeks Harga Konsumen tujuh kota di Provinsi Jawa Barat.
3. Mendapatkan hasil peramalan Indeks Harga Konsumen (IHK) tujuh kota di
Provinsi Jawa Barat 24 bulan kedepan menggunakan model Generalized Space
Time Autoregressive Seemingly Unrelated Regression (GSTAR-SUR).
9. MANFAAT PENELITIAN
Manfaat Teoritis
Membantu dalam mengambil
kebijakan untuk mengatasi
peningkatan Indeks Harga
Konsumen (IHK) enam kota di
Provinsi Jawa Barat.
Manfaat Praktis
- Bagi Pemerintah
Secara praktis penelitian ini diharapkan dapat
memberikan informasi serta dapat membantu
pemerintah khususnya pemerintah tujuh kota yang
menjadi variabel penelitian dalam mengambil
kebijakan yang tepat untuk sektor perekonomian
terkait IHK.
- Bagi Peneliti
Mampu membuat pemodelan dan memperluas
wawasannya mengenai model GSTAR-SUR
beserta penerapannya.
10. BATASAN PENELITIAN
Dari permasalahan yang disebutkan diatas, batasan masalah dalam
penelitian ini adalah data yang digunakan yaitu data sekunder mengenai
Indeks Harga Konsumen (IHK) tujuh kota di Jawa Barat yang termasuk
dalam Survei Biaya Hidup (SBH), yaitu Bogor, Bandung, Sukabumi,
Tasikmalaya, Bekasi, Cirebon dan Depok mulai dari bulan Januari 2012
sampai dengan Desember 2021 yang diperoleh dari website resmi Badan
Pusat Statistik Provinsi Jawa Barat. Pada penelitian ini, metode yang
digunakan adalah metode Generalized Space Time Autoregressive Seemingly
Unrelated Regression (GSTAR-SUR).
12. Indeks Harga Konsumen
Indeks harga konsumen (IHK)
merupakan suatu indeks yang
menghitung rata-rata
perubahan harga dalam suatu
periode, dari suatu kumpulan
harga barang dan jasa yang
dikonsumsi oleh penduduk
atau rumah tangga dalam
kurun waktu tertentu
(BPS,2020).
Adapun rumus penghitungan
IHK sebagai berikut:
๐ฐ๐ฏ๐ฒ๐ =
๐=๐
๐
๐ท๐๐
๐ท ๐โ๐ ๐
๐ท ๐โ๐ ๐๐ธ๐๐
๐=๐
๐
๐ท๐๐ ๐ธ๐๐
Dimana:
๐ผ๐ป๐พ๐
= Indeks periode ke-n
๐
๐๐
= Harga jenis barang i, periode ke-n
๐
๐โ1 ๐
= Harga jenis barang i, periode ke-(n-1)
๐
๐โ1 ๐๐0๐
= Nilai konsumsi jenis barang i, periode ke-(n-1)
๐
0๐
๐0๐
= Nilai konsumsi jenis barang i, pada tahun dasar
๐ = Jumlah jenis barang paket komoditas
IHK mempunyai
beberapa kegunaan
utama yaitu, sebagai
indikator ekonomi,
sebagai ukuran
penyesuaian pendapatan,
serta sebagai deflator
indikator ekonomi
lainnya seperti deflator
pada PDB (Fitriyani,
2018).
13. TIME SERIES
Data time series adalah sekumpulan nilai pengamatan yang diperoleh pada titik waktu yang berbeda
dengan interval waktu yang sama. Terdapat tiga pola data umum pada data time series :
Pola Data Horizontal Pola Data Trend Pola Data Musiman
Analisis time series merupakan pendekatan kuantitatif yang digunakan untuk mengidentifikasi
pola-pola data dari masa lampau yang dikumpulkan secara teratur. Tujuan utama dari analisis data
time series adalah memahami pola dan tren yang ada dalam data serta membuat prediksi untuk masa
depan (Wei, 2006). Ditinjau dari penggunaan datanya, analisis time series dibedakan menjadi dua,
yaitu univariate time series dan multivariate time series.
TIME SERIES
14. Uji Augmented Dickey Fuller (ADF) merupakan pengujian stasioner untuk
melihat ada tidaknya unit root yang terkandung diantara variabel sehingga
hubungan antar variabel dalam persamaan menjadi valid, statsitika uji ADF
sebagai berikut:
Uji Stasioneritas Augmented Dickey Fuller (ADF)
โ๐๐ = ๐ท๐ + ๐น๐๐โ๐ + ๐๐
Dimana: ๐ฟ = ๐ โ 1
Hipotesis:
๐ป0: ๐ฟ = 1 (data tidak stasioner)
๐ป1: ๐ฟ < 1 (data stasioner)
15. Model Space Time Autoregressive
(STAR)
โข Model Space Time Autoregressive
(STAR) merupakan model yang
dikategorikan berdasarkan lag yang
berpengaruh secara linier baik
dalam lokasi maupun waktu (Pfeifer
& Deutsch, 1980).
โข Model STAR hanya dapat
diterapkan pada lokasi yang bersifat
homogen karena asumsi bahwa
penelitian di waktu sekarang
dipengaruhi oleh waktu sebelumnya
di lokasi yang sama.
Model Generalized Space Time
Autoregressive (GSTAR)
Model GSTAR merupakan perluasan
dari model STAR dengan
perbandingan utamanya terletak pada
parameter autoregressive. Dimana
pada model STAR parameter
autoregressive diasumsikan sama
sedangkan pada model GSTAR
diasumsikan heterogen.
16. Model Space Time Autoregressive
(STAR)
Model Generalized Space Time
Autoregressive (GSTAR)
Dimana:
๐๐ = vektor pengamatan ukuran (๐ ร ๐) dari n lokasi pada
waktu t
๐ ๐ โ ๐ = vektor pengamatan ukuran (๐ ร ๐) dari n lokasi
pada waktu (t-k)
W = matriks pembobot ukuran ๐ ร ๐
๐๐๐ = diag (๐๐๐
๐
, ๐๐๐
๐
, โฆ , ๐๐๐
๐
= matriks diagonal parameter
autoregressive lag time 1
๐๐๐ = diag (๐๐๐
๐
, ๐๐๐
๐
, โฆ , ๐๐๐
๐
= matriks diagonal parameter
autoregressive lag time 1 dan lag spatial 1
๐(๐)= vektor sisaan (๐ ร ๐) berdistribusi normal dengan mean
0 dan matriks varians kovarians ๐๐๐๐ต
RUMUS
Dimana:
๐๐ = vektor pengamatan ukuran (๐ ร ๐) dari n lokasi pada
waktu t
๐(๐ โ ๐) = vektor pengamatan ukuran (๐ ร ๐) dari n lokasi
pada waktu (t-k)
๐๐๐ = parameter STAR pada lag waktu k dan lag spasial 1
๐พ ๐ = matriks pembobot ukuran (๐ ร ๐) pada lag spasial 1
๐๐ = spasial lag dari bentuk autoregressive orde p
๐(๐) = vektor sisaan (๐ ร ๐) berdistribusi normal dengan
mean 0 dan matriks varians kovarians ๐๐๐๐ต
๐๐ =
๐=๐
๐
๐=๐
๐๐
๐๐๐๐พ ๐
๐ ๐ โ ๐ + ๐ ๐ ๐๐ =
๐=๐
๐
[ ๐๐๐ + ๐๐๐๐พ]๐(๐ โ ๐) + ๐(๐)
17. Ordo dan Bobot Lokasi Model GSTAR
Seragam (Uniform)
Terdiri dari bobot lokasi
seragam (uniform), invers jarak,
dan normalisasi korelasi silang
Dapat dilihat dari plot
MACF dan MPACF
ORDO
BOBOT LOKASI
๐ =
0 ๐12
๐21
โฎ
๐๐1
0
โฎ
๐๐2
โฆ ๐1๐
โฆ
โฑ
โฆ
๐2๐
โฎ
0
Invers Jarak
๐๐๐ =
0 ๐12
๐21
๐31
๐41
0
๐32
๐42
๐13 ๐14
๐23
0
๐43
๐24
๐34
0
๐พ๐๐ =
๐
๐๐
๐พ๐๐ =
๐
๐๐๐
๐=๐
๐ ๐
๐๐๐
, ๐ โ ๐
Korelasi Silang
๐๐๐ =
๐๐๐ ๐
๐โ ๐ ๐๐๐ ๐ ๐โ ๐
๐พ๐๐ = ๐
dengan
Dapat dilihat dari plot
MACF dan MPACF
18. PENDUGA PARAMETER MODEL GSTAR
Model GSTAR dengan orde p=1 dan orde spasial 1 dapat dituliskan dengan ๐๐๐ = ๐1๐
(๐)
untuk k=0,1 dapat
diturunkan sebagai:
๐๐ ๐ก = ๐10
๐
๐๐ ๐ก โ 1 + ๐11
๐
๐=1
๐
๐๐๐๐๐ ๐ก โ 1 + ๐๐ ๐ก
Dengan ๐๐ ๐ก menyatakan pengamatan pada t = 0,1, ... , T, untuk lokasi i= 1, 2, ... , N maka:
๐๐ ๐ก =
๐=1
๐
๐๐๐๐๐(๐ก)
Sehingga bentuk estimasi kuadrat terkecil ๐ฝ๐ adalah
(Borovkova et al, 2008):
๐ฝ๐ = (๐โฒ
๐)โ1
๐โฒ๐
Hal ini berlaku untuk bentuk linier ๐๐ = ๐๐๐ฝ๐ + ๐๐
๐๐ =
๐๐ 1
๐๐ 2
โฎ
๐๐ ๐ก
, ๐ =
๐๐ 0 ๐๐ 0
๐๐ 1
โฎ
๐๐ ๐ก โ 1
๐๐ 1
โฎ
๐๐ ๐ก โ 1
, ๐๐ =
๐๐ 1
๐๐ 2
โฎ
๐๐ ๐ก
๐ฝ = (๐10
1
, ๐10
2
, โฆ , ๐10
๐
; ๐11
1
, ๐11
2
, โฆ , ๐11
๐
19. Seemingly Unrelated Regression (SUR)
๐๐ฟ๐ = ๐
๐=2
๐
๐=1
๐โ1
๐๐๐
2
Model ini terdiri atas beberapa persamaan regresi yang sesatannya tidak berkorelasi
antar pengamatan dalam suatu persamaan, tetapi sesatannya berkorelasi antar
persamaan. Uji yang digunakan untuk mengetahui apakah struktur varianssi
kovarianssi sesatan merupakan struktur SUR adalah Lagrange Multiplier
Statistik uji Lagrange Multiplier sebagai berikut:
Secara umum model SUR untuk N buah pengamatan
dengan masing-masing persamaan terdiri dari K
variabel prediktor dapat ditulis sebagai berikut:
๐๐ = ๐ฝ๐,0 + ๐ฝ๐,1๐๐,1 + โฏ + ๐ฝ๐,๐พ๐๐,๐พ + ๐๐
Dengan Asumsi Model SUR
20. UJI ASUMSI RESIDUAL
Setelah didapat parameter dan
model yang signifikan maka
diperlukan uji kelayakan model.
Model GSTAR-SUR dikatakan
layak jika residual memenuhi
asumsi white noise. Uji asumsi
white noise dapat dilakukan
dengan menggunakan uji Ljung
Box.
Dengan Statistik Uji Sebagai
Berikut :
๐ธ๐ = ๐ ๐ + ๐
๐=๐
๐ ๐๐
๐ โ ๐
Penetuan Model
Terbaik
Penetuan model terbaik dilakukan dengan melihat nilai
RMSE yang terkecil dari setiap model. Berikut adalah
rumus RMSE:
๐ ๐๐๐ธ =
1
๐ ๐ก=1
๐
(๐๐ก โ ๐๐ก)2
Dimana:
M = banyaknya data ramalan yang dilakukan
๐๐ก= data sebenarnya
๐๐ก= data hasil ramalan
Nilai RMSE berkisar antara 0 sampai ~. Semakin kecil nilai
RMSE maka model yang digunakan semakin baik (Wei, 2006).
UJI KELAYAKAN MODEL
GSTAR-SUR
22. Sumber Data Penelitian
Data Sekunder yang
diambil dari BPS.go.id
mengenai IHK 7 kota di
Provinsi Jawa Barat
Jumlah 120 data dari
IHK 7 kota besar di
Provinsi Jawa Barat
dari bulan Januari
2012 sampai
Desember 2021
Sumber Jumlah
Sumber Data Penelitian
DATA
Sumber
23. Vaiabel dan Struktur DATA PENELITIAN
Struktur Data Variabel Penelitian
No Variabel Keterangan
1 Z1,t IHK Bulanan Kota Bogor
2 Z2,t IHK Bulanan Kota Sukabumi
3 Z3,t IHK Bulanan Kota Bandung
4 Z4,t IHK Bulanan Kota Cirebon
5 Z5,t IHK Bulanan Kota Depok
6 Z6,t IHK Bulanan Kota Tasikmalaya
7 Z.7.t IHK Bulanan Kota Bekasi
T Bula
n
Tahu
n
Z1,t Z2,t Z3,t Z.,. Z6,t Z7,t
1 Jan 2012 Z1,1 Z2,1 Z3,1 Z.,. Z6,1 Z7,1
2 Feb 2012 Z1,2 Z2,2 Z3,2 Z.,. Z6,2 Z7,2
โฎ โฎ โฎ โฎ โฎ โฎ โฎ โฎ โฎ
12 Des 2012 Z1,12 Z2,12 Z3,12 Z.... Z6,12 Z7,12
โฎ โฎ โฎ โฎ โฎ โฎ โฎ โฎ โฎ
140 Des 2021 Z1,140 Z2,140 Z3,140 Z.,.. Z6,140 Z7,14
0
24. Ya
Tidakk
Uji korelasi
residual
Identifikasi Data IHK
Uji Stasioneritas
Identifikasi model dengan melihat orde waktu
Penerapan bobot lokasi
seragam
Pendugaan parameter model
GSTAR-OLS
Pendugaan parameter
model GSTAR-SUR
Identifikasi kelayakan model
GSTAR-SUR
differencing
Penerapan bobot lokasi
invers jarak
Penerapan bobot lokasi
normalisasi korelasi silang
Pendugaan parameter model
GSTAR-OLS
Pendugaan parameter model
GSTAR-OLS
Pendugaan parameter
model GSTAR-SUR
Pendugaan parameter
model GSTAR-SUR
Uji korelasi
residual
Uji korelasi
residual
Identifikasi kelayakan model
GSTAR-SUR
Identifikasi kelayakan
model GSTAR-SUR
Ya Ya Ya
Tidak
Tidak
Tidak
Pemilihan model terbaik dengan melihat nilai RMSE
Melakukan Peramalan
Diagram Alir
Langkah
Penelitian
25. DAFTAR PUSTAKA
1. Adella, I., Ispriyanti, D., Yasin, H., Statistika, D., Sains, F., Matematika, D., & Diponegoro, U. (2022). Pemodelan Jumlah Wisatawan Di Jawa
Tengah Menggunakan Metode Generalized Space Time Autoregressive-seemingly Unrelated Regression (Gstar-sur). 11(2), 258โ265.
https://ejournal3.undip.ac.id/index.php/gaussian/
2. Ardianto, M. P. (2014). Pemodelan Generalized Space Time Autoregressive (Gstar) Pada Tiga Periode Waktu (Studi Kasus Inflasi Di Lima
Kota Besar Di Pulau Jawa).
3. Borovkova, S., Lopuhaรค, H. P., & Ruchjana, B. N. (2008). Consistency and asymptotic normality of least squares estimators in generalized
STAR models. Statistica Neerlandica, 62(4), 482โ508. https://doi.org/10.1111/j.1467-9574.2008.00391.x
4. BPS. (2020). INDEKS HARGA KONSUMEN DI TUJUH KOTA IHK PROVINSI JAWA BARAT 2020 BPS Jawa Barat 2020.
5. Fitria Andriyani, M., Hoyyi, A., Yasin, H., Statistika, D., Sains, F., & Matematika, D. (2018). Pemodelan Indeks Harga Konsumen Di Jawa
Tengah Dengan Metode Generalized Space Time Autoregressive Seemingly Unrelated Regression (Gstar-sur). 7(4), 337โ347.
https://ejournal3.undip.ac.id/index.php/gaussian/
6. Fitriyani, I. R. (2018). Prediksi Indeks Harga Konsumen (Ihk) Kelompok Perumahan, Air, Listrik, Gas, Dan Bahan Bakar Menggunakan
Metode Extreme Learning Machine. Repositor UB.
7. Greene, W. H. (2003). Econometric analysis. Prentice Hall.
8. Hapsari, R. (2017). Pengembangan Ramalan Interval Pada Model Gstarx Untuk Peramalan Indeks Harga Konsumen Kelompok Bahan
Makanan.
9. Ingriela Toja Mario, M., Dwi Bekti, R., & Statistka, J. (2021). Pemodelan Generalized Space Time Autoregressive (Gstar) Untuk Peramalan
Tingkat Inflasi Di Pulau Jawa. Jurnal Statistika Industri Dan Komputasi, 06(02), 171โ184.
10. Mutmainah. (2021). Prediksi Indeks Harga Konsumen Di Kota Denpasar-bali Menggunakan Metode Adaptive Neuro-fuzzy Inference
System (Anfis).
26. DAFTAR PUSTAKA
11. Nurani, B. (2002). Pemodelan Kurva Produksi Minyak Bumi Menggunakan Model Generalisasi Star.
12. Nurcahyani, F. (2016). Pengelompokan Stasiun Hujan Untuk Model Generalized Space Time Autoregressive (GSTAR) Pada Peramalan
Curah Hujan Kabupaten JEMBER dengan Tiga Pembobotan.
13. Pfeifer, P. E., & Deutsch, S. J. (1980). A Three-Stage Iterative Procedure for Space-Time Modeling. In Reprintedjrom TECHNOMETRICS
(Vol. 22, Issue 1).
14. Salim, A., Uin, P., & Palembang, R. F. (2021). Pengaruh Inflasi Terhadap Pertumbuhan Ekonomi Indonesia Anggun Purnamasari.
www.bps.go.id,
15. Shaliha Mansoer, A., & Wilandari, Y. (2016). Pemodelan Seasonal Generalized Space Time Autoregressive (Sgstar) (Studi Kasus: Produksi
Padi di Kabupaten Demak, Kabupaten Boyolali, dan Kabupaten Grobogan). JURNAL GAUSSIAN, 5(4), 593โ602. http://ejournal-
s1.undip.ac.id/index.php/gaussian
16. Suhartono, & Subanar. (2006). The Optimal Determination Of Space Weight in Gstar Model by Using Cross-Correlation Inference.
17. Urwatul Wutsqa, D., & Suhartono. (2010). Seasonal Multivariat Time Series Forecasting On Tourism Data By Using Var-gstar Model.
18. Wei, W. W. S. (2006). Writing a Book on Multivariate Time Series Analysis and its Applications View project.
https://www.researchgate.net/publication/236651810
19. Wulandari, S., & Habra, M. D. (2019). Pengaruh Indeks Harga Konsumen Terhadap Inflasi Di Kota Medan.
20. Yahya, A., Pusat, B., Kabupaten, S., & Utara, L. (2022). Peramalan Indeks Harga Konsumen Indonesia Menggunakan Metode Seasonal-
arima (Sarima). 11(2), 313โ322. https://ejournal3.undip.ac.id/index.php/gaussian