Statistika, Vol. 5, No. 1, Mei 2017

PERBANDINGAN MODEL STAR DAN GSTAR UNTUK PERAMALAN INFLASI DUMAI, PEKANBARU, DAN BATAM Gama Putra Danu Sohibien Jurusan Statistika, Sekolah Tinggi Ilmu Statistik Jakarta Email : [email protected]

ABSTRAK Inflasi merupakan salah satu masalah perekonomian yang bisa berdampak buruk pada variabel ekonomi makro lainnya. Adanya ketergantungan antar wilayah dalam pemenuhan kebutuhan mengakibatkan inflasi dapat berkaitan dengan wilayah lain. Model yang dapat mengakomodir keterkaitan antara variabel time series suatu wilayah dengan variabel time series wilayah lain adalah model STAR dan GSTAR. Penelitian ini dibatasi untuk pemodelan inflasi Kota Dumai, Pekanbaru, dan Batam. Hasil identifikasi menunjukkan bahwa STAR (11) dan GSTAR (11) tepat untuk memodelkan inflasi ketiga kota tersebut. Hasil penghitungan MAE dan RMSE menunjukan bahwa peramalan inflasi Kota Dumai dan Pekanbaru lebih baik menggunakan GSTAR bobot normalisasi korelasi silang sedangkan permalan inflasi Kota Batam lebih baik menggunakan STAR bobot normalisasi korelasi silang. Kata Kunci : Inflasi, STAR, GSTAR, Seragam, Normalisasi Korelasi Silang usaha serta melemahkan daya beli masyarakat di suatu daerah. Kota Pekanbaru, Dumai, dan Batam merupakan tiga kota yang perekonomiannya memiliki potensi untuk berkembang pesat. Kegiatan ekonomi di Provinsi Riau terkonsentrasi di Kota Pekanbaru dan Dumai. Selain itu ketika Batam masih menjadi bagian dari Provinsi Riau, kota tersebut merupakan salah satu kota dengan konsentrasi kegiatan ekonomi tinggi di Provinsi Riau. Selain itu lokasi yang strategis menjadikan ketiga kota tersebut memiliki potensi yang sangat menarik untuk dikembangkan. Kota Dumai dan Batam berada pada jalur perdaganan internasional. Sedangkan Kota Pekanbaru berada di tengah Pulau Sumatera sehingga kedepannya kota ini disiapkan menjadi kota MICE (Meeting, Incentive, Convention, Exhibition). Pada tahun 2014, Kota Pekanbaru mendapatkan penghargaan dari Kementerian Dalam Negeri sebagai kota

PENDAHULUAN Inflasi merupakan indikator yang amat penting bagi pemerintah dan dunia usaha. Inflasi merupakan suatu keadaan dimana terjadi kenaikan harga-harga yang berlangsung terus-menerus dalam waktu yang cukup lama. Inflasi mengindikasikan semakin melemahnya daya beli masyarakat. Pengendalian inflasi perlu dilakukan mengingat inflasi merupakan salah satu masalah perekonomian yang dapat berdampak buruk pada variabel-variabel ekonomi makro lainnya. Inflasi yang tinggi mengakibatkan tingginya biaya produksi di suatu wilayah sehingga pertumbuhan ekonomi menjadi terhambat. Selain itu adanya kenaikan harga yang tercermin pada angka inflasi merupakan salah satu indikator yang menggambarkan stabilitas ekonomi secara makro di suatu wilayah [7]. Tingkat inflasi yang tinggi akan mempengaruhi stabilitas dunia

14

Statistika, Vol. 5, No. 1, Mei 2017

dengan tujuan investasi terbaik di Indonesia. Dengan demikian Kota Pekanbaru, Dumai, dan Batam memiliki potensi untuk meningkatkan minat investasi yang dapat berdampak pada peningkatan pertumbuhan ekonomi. Untuk menjaga atau meningkatkan minat investasi tersebut tidak hanya bermodalkan lokasi yang strategis melainkan dibutuhkan kestabilan ekonomi yang salah satu indikatornya adalah inflasi. Inflasi yang tinggi mengakibatkan meningkatnya biaya produksi yang memberikan pengaruh buruk pada penurunan investasi. Beberapa penelitian tentang pemodelan inflasi yang sudah dilakukan diantaranya adalah [12], [10] dan [15]. [12] melakukan pemodelan IHK dan inflasi di Indonesia untuk peramalan bulan Mei-Juli 2009 dengan model ARIMA. Hasil penelitiannya menunjukan bahwa model terbaik yang dihasilkan adalah ARIMA (1,1,1) dengan hasil ramalan IHK pada bulan Mei, Juni, dan Juli 2009 secara beturutturut adalah 175,821, 176,28, dan 177,646. Penelitian yang dilakukan oleh [10] mengenai pemodelan inflasi Indonesia menggunakan ARIMA dengan penambahan outlier memberikan kesimpulan ARIMA ([1,12],1,0) dengan penambahan 19 outlier merupakan model terbaik ARIMA dengan penambahan outlier. [15] melakukan penelitian mengenai peramalan inflasi Kota Surabaya dengan menggunakan pendekatan ARIMA, variasi kalender, dan intervensi. Hasil penelitiannya adalah model intervensi BBM merupakan model yang paling sesuai untuk inflasi umum dan inflasi 7 kelompok pengeluaran di Surabaya kecuali kelompok makanan jadi, minuman, rokok, tembakau, sandang, dan kesehatan. Penelitian-penelitian tentang pemodelan inflasi sudah banyak dilakukan namun masih banyak

dilakukan secara univariate dan belum mempertimbangkan adanya pengaruh inflasi dari wilayah lainnya. Dalam perkembangannya, peramalan inflasi tidak hanya didasarkan pada data historis tingkat inflasi saja, namun juga memperhitungkan faktor-faktor yang mempengaruhi fluktuasi tingkat inflasi dan kejadian-kejadian tertentu yang menimbulkan lonjakan inflasi [15]. Menurut [3], salah satu hal yang bisa mempengaruhi inflasi di suatu wilayah adalah adanya ketidakseimbangan antara permintaan suatu komoditas terhadap pasokan. Adanya ketidakmampuan suatu wilayah dalam memenuhi seluruh permintaan masyarakat menyebabkan komoditas yang digunakan untuk memenuhi permintaan masyarakat tidak hanya berasal dari produksi di wilayah tersebut saja melainkan ada beberapa komoditas yang dipasok dari wilayah sekelilingnya. Hal ini menimbulkan adanya ketergantungan antar wilayah dalam pemenuhan kebutuhan komoditas. Dengan demikian pergerakan inflasi selain memiliki keterkaitan dengan waktu sebelumnya, juga bisa memiliki keterkaitan dengan wilayah lainnya yang disebut sebagai hubungan spasial. Adanya hubungan spasial antar wilayah belum terakomodir dalam model time series univariate seperti ARIMA. Menurut [14] aspek spasial penting untuk dikaji karena antara satu wilayah dengan wilayah yang lain mempunyai perbedaan karakteristik. Model yang dapat mengakomodir keterkaitan antara variabel time series suatu wilayah dengan variabel time series yang sama di wilayah lain adalah model Space Time Autoregressive (STAR) dan Generalized Space Time Autoregressive (GSTAR). Model STAR merupakan gabungan model Autoregressive orde p (AR(p)) dan model spasial yang melibatkan bobot antar lokasi. Beberapa penelitian yang sudah menerapkan model STAR diantaranya [5], [8], dan [11]. 15

Statistika, Vol. 5, No. 1, Mei 2017

Model GSTAR merupakan generalisasi dari model STAR. Perbedaan antara STAR dan GSTAR adalah pada model STAR paramater AR (p) untuk tiap lokasi dianggap sama. Sedangkan pada model GSTAR mengasumsikan bahwa paramater AR (p) untuk tiap lokasi dianggap tidak sama. Beberapa penelitian yang sudah menerapkan model GSTAR diantaranya [1],[4] dan [6]. Inflasi Kota Dumai, Pekanbaru, dan Batam memungkinkan untuk saling memengaruhi karena ketiga kota tersebut mempunyai jarak yang berdekatan dan memiliki akses transportasi untuk berhubungan antar wilayah. Berdasarkan gambaran mengenai pentingnya pengendalian inflasi serta adanya altenatif pemodelan yang dapat digunakan untuk memodelkan inflasi dengan melibatkan aspek spasial, maka dalam penelitian ini akan dilakukan pemodelan inflasi untuk Kota Dumai, Pekanbaru, dan Batam dengan menggunakan pendekatan STAR dan GSTAR. Penelitian ini bertujuan untuk mengetahui ada atau tidaknya indikasi hubungan inflasi diantara ketiga kota tersebut. Penelitian ini akan menghasilkan model inflasi Kota Dumai, Pekanbaru, dan Batam dengan pendekatan STAR dan GSTAR. Selain itu penelitian ini bertujuan untuk memberikan bukti empiris dalam membandingkan kinerja peramalan inflasi antara model STAR dan GSTAR di Kota Dumai, Pekanbaru, dan Batam. Penelitian ini diharapkan dapat menghasilkan suatu model terbaik untuk inflasi Kota Dumai, Pekanbaru, dan Batam dengan melibatkan aspek spasial.

METODE PENELITIAN Sumber Data dan Variabel Penelitian Data yang digunakan pada penelitian ini adalah data sekunder yang bersumber dari Badan Pusat Statistik, yaitu inflasi Kota Pekanbaru, Dumai, dan Batam dari Januari 2008– November 2016. Data inflasi Januari 2008-Desember 2015 akan digunakan sebagai data training, dimana dengan menggunakan data tersebut akan dibuat model STAR dan GSTAR dengan menggunakan bobot seragam dan bobot normalisasi korelasi silang. Sedangkan data inflasi JanuariNovember 2016 akan digunakan sebagai data testing untuk membandingkan kinerja peramalan dari model STAR dan GSTAR. Ada tiga variabel yang dipakai pada penelitian ini, yaitu: 1. 2. 3.

Y1t = Inflasi Pekanbaru Y2t = Inflasi Dumai Y3t = Inflasi Batam

Metode Analisis Tahapan analisis yang dilakukan pada penelitian ini, yaitu: 1. Melakukan analisis deskriptif tentang ukuran pemusatan dan penyebaran data, pola time series plot, dan ada atau tidaknya keterkaitan inflasi antar kota. 2. Melakukan pengujian stasioneritas data secara multivariate dengan melihat plot MACF dan secara univariate dengan melihat time series plot dan uji unit root Augmanted Dickey-Fuller 3. Menentukan orde input berdasarkan minimum information criterion. 4. Menetapkan nilai bobot lokasi seragam dan bobot lokasi normalisasi korelasi silang. Penentuan nilai bobot dalam lokasi seragam, adalah sebagai berikut:

𝑤𝑖𝑗 =

16

1 𝑛𝑖

.... (1)

Statistika, Vol. 5, No. 1, Mei 2017

𝑝

Sedangkan taksiran dari korelasi silang pada sampel dapat dihitung dengan persamaan berikut:

𝒚𝒕 = ∑[𝝓𝒌𝟎 + 𝝓𝒌𝟏 𝑾]𝒚𝒕−𝒌 𝑘=1

+ 𝒂𝒕

𝑟𝑖𝑗 (𝑘 ) =

̅ ̅ ∑𝑛 𝑡=𝑘+1[𝑌𝑖 (𝑡)−𝑌𝑖 ][𝑌𝑗 (𝑡−𝑘)−𝑌𝑗 ]

keterangan: 𝒚𝒕 = vektor acak ukuran (nx1) pada waktu t Φk0= matriks diagonal parameter autoregressive lag time k Φk1 = matriks diagonal space-time lag spasial 1 dan lag time k Pembobot dipilih sedemikian hingga dan ∑𝑖≠𝑗 𝑤𝑖𝑗𝑘 = 1, 𝑎𝑡 ~𝑁(0, 𝜎 2 𝐼𝑛𝑥𝑛 ) 7. Menguji signifikansi estimator parameter model STAR dan GSTAR untuk masing-masing bobot lokasi. 8. Menguji asumsi kenormalan dan white noise dari residual model STAR dan GSTAR. 9. Menghitung Root Mean Square Error (RMSE) dan Mean Absolut Error (MAE) dari model STAR dan GSTAR yang residualnya memenuhi asumsi multivariate normal dan white noise dengan menggunakan data testing. 10. Membandingkan model STAR dan GSTAR berdasarakan angka RMSE dan MAE. 11. Membandingkan Plot time series inflasi aktual dengan inflasi hasil prediksi dengan model terbaik.

2

𝑛 ̅ 2 ̅ √(∑𝑛 𝑡=1(𝑌𝑖 (𝑡)−𝑌𝑖 ) )(∑𝑡=1(𝑌𝑗 (𝑡)−𝑌𝑗 ) )

Penentuan bobot lokasi dapat dilakukan melalui normalisasi dari hasil besaran-besaran korelasi silang antar lokasi pada waktu yang bersesuaian. Proses ini secara umum menghasilkan bobot lokasi untuk model GSTAR , yaitu sebagai berikut: 𝑟𝑖𝑗 (𝑘 ) .... (2) 𝑤𝑖𝑗 = 𝐿 ∑𝑙=1 𝑟𝑖𝑙 (𝑘 ) dengan i≠j dan i≠l 5. Melakukan penaksiran parameter model STAR untuk bobot lokasi seragam dan bobot lokasi normalisasi korelasi silang. Bentuk umum model STAR dengan derajat autoregressive p dan derajat spasial 1 dapat dituliskan sebagai berikut: 𝑝

𝒚𝒕 = ∑[𝜙𝑘0 + 𝜙𝑘1 𝑾]𝒚𝒕−𝒌 𝑘=1

....... (4)

.... (3)

+ 𝒂𝒕 keterangan: 𝒚𝒕 = vektor acak ukuran (nx1) pada waktu t Φk0 = parameter autoregressive lag time k Φk1 = parameter space-time lag spasial 1 dan lag time k Pembobot dipilih sedemikian hingga dan ∑𝑖≠𝑗 𝑤𝑖𝑗𝑘 = 1, 𝑎𝑡 ~𝑁(0, 𝜎 2 𝐼𝑛𝑥𝑛 )

HASIL PENELITIAN Analisis Deskriptif Tabel 1. Statistik Deskriptif Data Inflasi Dumai, Batam, dan Pekanbaru Kota Mean Variance Min Maks

6. Melakukan penaksiran parameter dari model GSTAR untuk bobot lokasi seragam dan bobot lokasi normalisasi korelasi silang. Bentuk umum model GSTAR dengan derajat autoregressive p dan derajat spasial 1, dapat ditulis sebagai berikut:

Dumai

3,80 2,34 Pekanbaru 0,46 0,46 2,46 1,26 Kota 0,45 0,36 2,69 Batam 0,67 Sumber: Hasil Pengolahan Sotware Minitab

.

17

0,49

0,68

Statistika, Vol. 5, No. 1, Mei 2017

Tabel 1 menunjukan bahwa selama Januari 2008-Desember 2015, Kota Dumai memiliki inflasi tertinggi sebesar 3,80 persen dengan tingkat keragaman inflasinya paling tinggi diantara dua kota lainnya. Kota Pekanbaru mempunyai tingkat inflasi tertinggi sebesar 2,46 persen. Sedangkan Kota Batam mempunyai tingkat inflasi tertinggi sebesar 2,69 persen. Batam memiliki keragaman inflasi yang paling rendah dibandingkan dengan dua kota lainnya. Kota dengan rata-rata inflasi tertinggi adalah Kota Dumai sebesar 0,49 persen, sedangkan yang terendah adalah Kota Batam sebesar 0,45 persen. Gambar 1a menunjukan fluktuasi inflasi Kota Dumai, Pekanbaru, dan Batam. Selama Januari 2008-Desember 2015 inflasi tertinggi Kota Dumai dan Pekanbaru terjadi di bulan Juni 2008 yaitu sebesar 3,80 persen dan 2,46 persen. Hal ini bisa dipicu akibat adanya kenaikan harga BBM pada akhir Mei 2008. Kenaikan harga BBM pada 22 Juni 2013 nampaknya juga dapat menjadi salah satu pemicu bagi peningkatan inflasi yang signifikan di ketiga kota pada bulan berikutnya, di mana kota yang paling merasakan dampaknya adalah Kota Batam dengan inflasi sebesar 2,16 persen. Adanya kenaikan harga BBM pada 18 November 2014 kembali menjadi salah satu pemicu peningkatan inflasi di ketiga kota tersebut di mana Kota Batam merasakan dampak kenaikan BBM pada bulan Desember 2014 yang merupakan inflasi tertinggi selama Januari 2009-Desember 2014 yaitu sebesar 2,69 persen. Kesamaan pola inflasi Kota Dumai, Pekanbaru, dan Batam dapat dilihat dari gambar 1b. Adanya kesamaan pola inflasi tahunan di ketiga kota tersebut menjadi salah satu indikasi bahwa inflasi di ketiga kota tersebut memiliki keterkaitan satu sama lain.

4

Jun/2008

Jul/2010

Jul/2013

Dec/2014 Variable Dumai Pekanbaru Batam

3 2

Data

1 0 -1 -2 -3 Month Jan Jan Jan Jan Jan Jan Jan Jan Jan Year 2008 2009 2010 2011 2012 2013 2014 2015 2016

(a) Inflasi Bulanan 14

Variable Dumai Pekanbaru Kota Batam

12

Data

10 8 6 4 2 0 2008

2009

2010

2011 2012 Year

2013

2014

2015

(b) Inflasi Tahunan Gambar 1. Time Series Data Inflasi (a) Bulanan dan (b) Tahunan di Kota Dumai, Pekanbaru, dan Batam Sumber: Hasil Pengolahan dengan Software Minitab

Identifikasi Model Identifikasi pemodelan STAR dan GSTAR di awali dengan melihat apakah data inflasi ketiga kota tersebut sudah stasioner atau belum. Stasioneritas secara multivariate dapat dilihat dari plot MACF di gambar 2.

18

Statistika, Vol. 5, No. 1, Mei 2017

Data inflasi ketiga kota sudah stasioner dalam mean dan varian secara

stasioner karena memiliki nilai p-value kurang dari taraf uji 5 persen (α=0,05).

Schematic Representation of Cross Correlations Variable/ Lag y1 y2 y3

0 1 2 3 4 5 6 7 8 9 10 11 12 +++ +++ ... ... ... ... ... ... ... --. ..... ... +++ +++ ... .-. ... ... ... ... ... .-. ..... ... +++ +++ ... ... ... ... ... ... ... ... ... ... ... + is > 2*std error, - is < -2*std error, . is between

Gambar 2. Plot MACF Data Inflasi Kota Dumai, Pekanbaru, dan Batam Sumber: Hasil Pengolahan dengan Software SAS Tabel 2. Uji Stasioneritas Data Inflasi dengan Metode Augmented Dickey Fuller Jenis Variabel t-statistic Y1 -5.92363 Y2 -6.20811 Y3 -6.13539 Sumber: Hasil Pengolahan Sotware Evews

multivariate. Hal ini ditunjukkan dari banyaknya simbol (.) yang mengindikasikan bahwa tidak adanya korelasi yang terlalu signifikan dan simbol (+) / (-) pada plot MACF hanya keluar pada lag tertentu. Selain dapat digunakan untuk menyimpulkan kestasioneran data secara multivariat, gambar 2 juga menunjukan bahwa inflasi di kota Dumai, Pekanbaru, dan Batam untuk waktu yang bersesuaian memiliki keterkaitan yang cukup tinggi. Hal ini terlihat dari simbol cross correlation yang sampai dengan lag 1 untuk selain diagonal variabel yang bersangkutan semuanya bertanda “ + “. Hal ini mengindikasikan bahwa inflasi di suatu kota dipengaruhi oleh inflasi 1 bulan sebelumnya kota lain. Uji stasioneritas secara univariate dapat dilihat dari uji statistik Augmented Dickey Fuller pada tabel 2. Ketiga data inflasi dapat disimpulkan sudah

p-value 0.0000 0.0000 0.0000

Penentuan orde waktu model STAR dan GSTAR pada penelitian ini dilakukan dengan melihat nilai MIC terkecil yang dihasilkan dari model Vector Autoregressive Moving Average (VARMA). Sedangkan orde spasial pada penelitian ini dibatasi pada orde 1. Dari gambar 3 ditunjukan bahwa model VARMA dari tiga varibel inflasi yang mempunyai nilai MIC terkecil yaitu VARMA (1,0,0). Dengan demikian model STAR dan GSTAR yang digunakan dalam penelitian ini adalah STAR (11) dan GSTAR(11). Pemodelan STAR Ada dua model STAR yang akan dibentuk pada penelitian ini yaitu STAR dengan bobot seragam dan STAR dengan bobot normalisasi korelasi silang. Berdasarkan hasil estimasi parameter dengan metode Ordinary Least Square diperoleh output estimasi parameter modelnya dalam gambar 4.

The VARMAX Procedure Minimum Information Criterion Lag MA 0 MA 1 MA 2 MA 3 MA 4 MA 5 AR 0 -3.747568 -4.013317 -3.869081 -3.952342 -3.783845 -3.690765 AR 1 -4.445593 -4.165376 -4.102613 -4.140976 -3.985475 -3.954739 AR 2 -4.355527 -4.117289 -4.039594 -4.00128 -3.851833 -3.777156 AR 3 -4.334908 -4.092305 -3.936354 -3.837234 -3.692922 -3.526041 AR 4 -4.119399 -3.94196 -3.821729 -3.672497 -3.420782 -3.225333 AR 5 -4.036398 -3.8185 -3.715863 -3.483379 -3.196223 -2.895796 Gambar 3. Output Minimum Information Criterion (MIC) Model VARMA Sumber: Hasil Pengolahan Software Evews

19

Statistika, Vol. 5, No. 1, Mei 2017

Predictor Coef SE Coef Noconstant X1 0.23294 0.09029 X2 0.38965 0.09500 Durbin-Watson statistic = 1.80957

T

P

2.58 0.010 4.10 0.000

Gambar 4. Output Estimasi Koefisien Parameter STAR bobot seragam Sumber: Hasil Pengolahan Sotware Minitab Keterangan: X1 terdiri dari Y1t-1 Y2t-1 Y3t-1 ∗ ∗ ∗ X2 terdiri dari Y1(t−1) , Y2(t−1) , Y3(t−1)

Gambar 5. Output Estimasi Koefisien Parameter STAR Bobot Normalisasi Korelasi Silang

Keterangan: Bentuk Umum Model STAR (11) dengan bobot normalisasi korelasi silang yang dihasilkan, adalah: Y = 0,21492 X1 + 0,40303 X2 + at Dengan melihat siginifikansi dari X1 dan X2 dapat diintepretasikan bahwa inflasi di suatu kota signifikan dipengaruhi oleh inflasi kota tersebut dan inflasi kota lain pada 1 bulan sebelumnya. Bila model STAR tersebut dijabarkan untuk ketiga kota adalah sebagai berikut:

a. Model STAR (11) untuk Kota Dumai Y1(t) = 0.23294 Y1 (t-1) +0.194825 Y2(t-1) + 0.194825 Y3 (t-1)) + a1(t) b. Model STAR (11) untuk Kota Pekanbaru Y2(t) = 0.23294 Y2 (t-1) +0.194825 Y1(t-1) + 0.194825 Y3 (t-1)) + a2(t) c. Model STAR (11) untuk Kota Batam Y3(t) = 0.23294 Y3 (t-1) +0.194825 Y1(t-1) + 0.194825 Y2 (t-1)) + a2(t) Model STAR yang dibentuk selanjutnya adalah model STAR dengan bobot normalisasi korelasi silang. Bobot normalisasi korelasi silang yang diperoleh adalah sebagai berikut: 0,5612 0 0,4733

Predictor Coef SE Coef T P Noconstant X1 0.21492 0.08926 2.41 0.017 X2 0.40303 0.09162 4.40 0.000 Durbin-Watson statistic = 1.80201

X1 terdiri dari Y1t-1 Y2t-1 Y3t-1 ∗ ∗ ∗ X2 terdiri dari Y1(t−1) , Y2(t−1) , Y3(t−1)

Bentuk Umum Model STAR (11) dengan bobot seragam yang dihasilkan, adalah: Y = 0,23294 X1 + 0,38965 X2 + a(t) Dengan melihat siginifikansi dari X1 dan X2 dapat diintepretasikan bahwa inflasi di suatu kota signifikan dipengaruhi oleh inflasi kota tersebut dan inflasi kota lain pada 1 bulan sebelumnya. Bila model STAR tersebut dijabarkan untuk ketiga kota menjadi sebagai berikut:

0 𝑤𝑖𝑗 = [0,6667 0,5267

Hasil estimasi parameter model STAR dengan bobot normalisasi korelasi silang adalah sebagai berikut:

a. Model STAR (11) untuk Kota Dumai Y1(t) = 0.21492 Y1 (t-1) + 0.226176Y2(t-1) +0.176854 Y3 (t-1)) + a1(t) b. Model STAR (11) untuk Kota Pekanbaru Y2(t) = 0.21492 Y2 (t-1) +0.268714 Y1(t-1) +0.134316 Y3 (t-1)) + a2(t) c. Model STAR (11) untuk Kota Batam Y3(t) = 0.21492 Y3 (t-1) + 0.21227 Y1(t-1) +0.19076 Y2 (t-1)) + a3(t) Pemodelan GSTAR Model GSTAR pertama yang dibuat adalah model GSTAR dengan bobot seragam. Berdasarkan hasil estimasi parameter dengan metode ordinary least square (OLS) diperoleh output estimasi parameter modelnya, sebagai berikut:

0,4388 0,3333] 0

20

Statistika, Vol. 5, No. 1, Mei 2017

Predictor Coef SE Coef T Noconstant X1 0.4567 0.1362 3.35 X2 0.0014 0.1968 0.01 X3 0.0352 0.1765 0.20 X4 0.1273 0.1813 0.70 X5 0.6234 0.1961 3.18 X6 0.5132 0.1497 3.43 Durbin-Watson statistic = 1.82694

Y1(t) = 0.4567 Y1 (t-1) + 0.06365 Y2(t-1) + 0.06365 Y3 (t-1) + a1(t) b. Persamaan Model GSTAR(11) untuk Kota Pekanbaru Y2(t) = 0,0014 Y2 (t-1) + 0.3117 Y1(t-1) + 0.3117 Y3 (t-1) + a2(t) c. Persamaan Model GSTAR(11) untuk Kota Batam Y3(t) = 0,0352 Y3 (t-1) + 0.2566 Y1(t-1)+ 0.2566 Y2 (t-1)) + a3(t) Model GSTAR yang selanjutnya dibuat adalah GSTAR bobot normalisasi korelasi silang. Hasil estimasi parameter dari model GSTAR dengan bobot normalisasi korelasi silang adalah sebagai berikut:

P 0.001 0.994 0.842 0.483 0.002 0.001

Gambar 6. Output Estimasi Koefisien Parameter GSTAR bobot seragam dengan Software Minitab Sumber: Hasil Pengolahan Sotware Minitab Keterangan: X1 adalah variabel Inflasi Dumai pada t-1 (Y1(t1)) X2 adalah variabel Inflasi Pekanbaru pada t-1 (Y2(t-1)) X3 adalah variabel Inflasi Batam pada t-1 (Y3(t1)) X4 adalah 𝑤12 𝑌2𝑖 + 𝑤13 𝑌3𝑖 X5 adalah 𝑤21 𝑌1𝑖 + 𝑤31 𝑌3𝑖 X6 adalah 𝑤31 𝑌1𝑖 + 𝑤32 𝑌2𝑖

Predictor Coef SE Coef T P Noconstant X1 0.4546 0.1370 3.32 0.001 X2 -0.0460 0.1885 -0.24 0.807 X3 0.0403 0.1745 0.23 0.818 X4 0.1292 0.1811 0.71 0.476 X5 0.6433 0.1770 3.63 0.000 X6 0.5065 0.1472 3.44 0.001 Durbin-Watson statistic = 1.82676 Gambar 7. Output Estimasi Koefisien Parameter GSTAR Bobot Normalisasi Korelasi Silang dengan Software Minitab Sumber: Hasil Pengolahan Sotware Minitab

Bentuk Umum Model GSTAR (11) dengan bobot seragam yang dihasilkan, adalah: Y = 0,4567 X1 + 0,0014 X2 + 0,0352 X3 + 0,1273 X4 + 0.6234 X5 + 0,5132 X6 + at Dari gambar 6 dapat diintepretasikan bahwa inflasi Kota Dumai signifikan dipengaruhi oleh inflasi satu bulan sebelumnya dengan taraf uji 5 persen. Sedangkan inflasi Pekanbaru dan Batam tidak signifikan dipengaruhi oleh inflasi kota masing-masing satu bulan sebelumnya. Dari X4, X5, dan X6, hanya X5 dan X6 yang signifikan, artinya inflasi Kota Pekanbaru signifikan dipengaruhi oleh inflasi Kota Dumai dan Batam satu bulan sebelumnya, sedangkan inflasi Kota Batam signifikan dipengaruhi oleh inflasi Kota Dumai dan Pekanbaru satu bulan sebelumnya. Berikut ini adalah model GSTAR dengan bobot seragam untuk untuk ketiga kota. a. Persamaan Model GSTAR(11) untuk Kota Dumai

Bentuk umum model GSTAR (11) dengan bobot normalisasi korelasi silang yang dihasilkan, yaitu Y = 0,4546 X1 – 0,046 X2 + 0,0403 X3 + 0,1292 X4 + 0,6433 X5 + 0,5065 X6 + at Dari gambar 7 dapat disimpulkan bahwa inflasi Kota Dumai signifikan dipengaruhi oleh inflasi satu bulan sebelumnya dengan taraf uji 5 persen. Variabel X5 dan X6 signifikan dengan taraf uji 5 persen, artinya inflasi Kota Pekanbaru dipengaruhi oleh inflasi Kota Dumai dan Batam satu bulan sebelumnya, sedangkan inflasi Kota Batam dipengaruhi oleh inflasi Kota Dumai dan Pekanbaru satu bulan sebelumnya. Berikut ini adalah model 21

Statistika, Vol. 5, No. 1, Mei 2017

GSTAR dengan bobot normalisasi korelasi silang untuk ketiga kota: 1. Persamaan Model GSTAR(11) untuk Kota Dumai Y1(t) = 0.4546 Y1 (t-1) + 0.072506 Y2(t-1) + 0.056694 Y3 (t1)) + a1(t) 2. Persamaan Model GSTAR(11) untuk Kota Pekanbaru Y2(t) = -0.046 Y2 (t-1) + 0.42891 Y1(t-1) + 0.21439 Y3 (t-1)) + a2(t) 3. Persamaan Model GSTAR(11) untuk Kota Batam Y3(t)= 0.0403 Y3 (t-1) + 0.266766Y1(t-1) + 0.239734 Y2 (t-1)) + a3(t) Langkah selanjutnya adalah menguji apakah residual dari keempat model sudah memenuhi asumsi kenormalan

dan white noise. Pengujian asumsi kenormalan residual dilakukan dengan menggunakan Q-Q plot sedangkan pengujian asumsi white noise dilakukan dengan memodelkan residual yang dihasilkan ke dalam bentuk VARMA . Dari hasil pengujian dengan QQ plot yang bisa dilihat di gambar 8 dapat disimpulkan bahwa residual model STAR dan GSTAR dengan bobot seragam dan bobot normalisasi korelasi silang sudah berdistribusi multivariate normal. dengan QQ plot yang bisa dilihat di gambar 8 dapat disimpulkan bahwa residual model STAR dan GSTAR dengan bobot seragam dan bobot normalisasi korelasi silang sudah berdistribusi multivariate normal.

Scatterplot of q vs dd

Scatterplot of q vs dd 14

12

12

10

10

8

8

q

q

14

6

6

4

4

2

2 0

0 0

2

4

6

8 dd

10

12

14

0

16

2

4

6

8 dd

10

12

14

16

t 0.652632 distribusi data multinormal (b) STAR Bobot Normalisasi Korelasi Silang

t 0.652632 distribusi data multinormal (a) STAR Bobot Seragam

Scatterplot of q vs dd

Scatterplot of q vs dd

12

12

10

10

8

8

q

14

q

14

6

6

4

4

2

2

0

0 0

2

4

6

8 dd

10

12

14

16

0

2

4

6

8 dd

10

12

14

16

t 0.652632 t 0.652632 distribusi data multinormal distribusi data multinormal (c) GSTAR Bobot Seragam (d) GSTAR Bobot Normalisasi Korelasi Silang Gambar 8. Hasil Uji Multivariate Normal Residual Model STAR dan GSTAR

22

Statistika, Vol. 5, No. 1, Mei 2017

Lag AR 0 AR 1 AR 2 AR 3 AR 4 AR 5

MA 0 -4.411859 -4.463541 -4.448168 -4.315528 -4.106811 -3.969442

The VARMAX Procedure Minimum Information Criterion MA 1 MA 2 MA 3 MA 4 MA 5 -4.332967 -4.270862 -4.230981 -4.042714 -3.97396 -4.157543 -4.114756 -4.06345 -3.915309 -3.889054 -4.162283 -3.971362 -3.923243 -3.76539 -3.655928 -4.039995 -3.912271 -3.716487 -3.553359 -3.467347 -3.981066 -3.805122 -3.6756 -3.367477 -3.286881 -3.843189 -3.632839 -3.446228 -3.199456 -2.895437

Gambar 9. Nilai MIC Model VARMA dari Residual STAR Bobot Seragam Sumber: Hasil Pengolahan Sotware SAS

The VARMAX Procedure Minimum Information Criterion Lag MA 0 MA 1 MA 2 MA 3 MA 4 MA 5 AR 0 -4.48174 -4.333023 -4.269881 -4.233291 -4.0499 -3.981579 AR 1 -4.475546 -4.175183 -4.116597 -4.0634 -3.903203 -3.875982 AR 2 -4.444558 -4.161832 -3.983495 -3.93378 -3.770759 -3.660479 AR 3 -4.312848 -4.041046 -3.910239 -3.733537 -3.555977 -3.463558 AR 4 -4.106221 -3.981268 -3.800349 -3.676892 -3.41757 -3.271889 AR 5 -3.954933 -3.840102 -3.626513 -3.44616 -3.199361 -2.900893 Gambar 10. Nilai MIC Model VARMA dari Residual STAR Bobot Normalisasi Korelasi Silang Sumber: Hasil Pengolahan Sotware SAS

The VARMAX Procedure Minimum Information Criterion Lag MA 0 MA 1 MA 2 MA 3 MA 4 AR 0 -4.364373 -4.355445 -4.284853 -4.228522 -4.040503 AR 1 -4.467583 -4.195345 -4.123728 -4.051526 -3.90662 AR 2 -4.465289 -4.191157 -4.01815 -3.938783 -3.769565 AR 3 -4.313415 -4.047889 -3.89632 -3.763099 -3.579975 AR 4 -4.098107 -3.947371 -3.773184 -3.696288 -3.437359 AR 5 -3.968486 -3.848679 -3.624756 -3.449924 -3.180128 Gambar 11. Nilai MIC Model VARMA dari Residual GSTAR Bobot Seragam Sumber: Hasil Pengolahan Sotware SAS

MA 5 -3.974796 -3.828463 -3.676941 -3.454181 -3.27594 -2.880806

The VARMAX Procedure Minimum Information Criterion Lag MA 0 MA 1 MA 2 MA 3 MA 4 MA 5 AR 0 -4.504241 -4.359311 -4.292182 -4.247923 -4.059692 -3.990916 AR 1 -4.479183 -4.195648 -4.123233 -4.060956 -3.90066 -3.824297 AR 2 -4.447609 -4.185463 -4.022188 -3.943323 -3.756066 -3.673981 AR 3 -4.309639 -4.046732 -3.890921 -3.768369 -3.579952 -3.4431 AR 4 -4.09577 -3.926635 -3.744112 -3.64024 -3.388654 -3.17209 AR 5 -3.949579 -3.842525 -3.618709 -3.452038 -3.180324 -2.889195 Gambar 12. Nilai MIC Model VARMA dari Residual GSTAR Bobot Normalisasi Korelasi Silang Sumber: Hasil Pengolahan Sotware SAS

Berdasarkan gambar 9, 10, 11, dan 12 dapat dilihat bahwa nilai MIC terkecil untuk model VARMA dari residual

STAR bobot seragam adalah VARMA (1,0), STAR bobot normalisasi korelasi silang adalah VARMA (0,0) , GSTAR 23

Statistika, Vol. 5, No. 1, Mei 2017

bobot seragam adalah VARMA (1,0) , dan GSTAR bobot normalisasi korelasi silang adalah VARMA (0,0). Dengan demikian dapat disimpulkan bahwa residual model yang memenuhi asumsi multivariate white noise adalah model STAR dan GSTAR dengan bobot normalisasi korelasi silang.

0,65 0,61

0,63 0,65

0,44 0,38

Dumai

Pekanbaru Batam STAR GSTAR Gambar 13. Perbandingan MAE antara Model STAR dan GSTAR Bobot Normalisasi Korelasi Silang Sumber: Hasil Pengolahan Sotware Microsoft Excel

PEMILIHAN MODEL TERBAIK Model yang akan dibandingkan adalah model yang sudah memenuhi asumsi residual berdistribusi multivariate normal dan multivariate white noise. Dengan demikian yang dibandingkan kinerja peramalannya pada penelitian ini adalah model STAR dan GSTAR dengan bobot normalisasi korelasi silang. Kriteria yang digunakan untuk membandingkan kedua model tersebut adalah dengan menggunakan nilai MAE dan RMSE yang dihitung dengan menggunakan residual dari periode testing. Perbandingan nilai MAE dan RMSE antara model STAR (11) dan GSTAR (11) dengan bobot normalisasi korelasi silang dapat dilihat di gambar 13 dan 14. Secara umum model GSTAR (11) dengan bobot normalisasi korelasi silang lebih baik dibandingkan STAR dengan bobot normalisasi korelasi silang. Hal ini dilihat dari nilai MAE dan RMSE model GSTAR bobot normalisasi korelasi silang untuk Kota Dumai dan Pekanbaru lebih rendah dibandingkan STAR bobot normalisasi korelasi silang. Secara rinci berdasarkan nilai MAE dan RMSE disimpulkan bahwa GSTAR (11) dengan bobot normalisasi korelasi silang lebih tepat diaplikasikan pada peramalan inflasi kota Dumai dan Pekanbaru. Sedangkan STAR(11) dengan bobot normalisasi korelasi silang lebih tepat diaplikasikan pada peramalan inflasi Kota Batam.

0,76 0,73 0,52

0,72 0,73

0,47

Dumai

STAR

Pekanbaru Batam GSTAR

Gambar 14. Perbandingan RMSE antara Model STAR dan GSTAR Bobot Normalisasi Korelasi Silang Sumber: Hasil Pengolahan Sotware Microsoft Excel

Berikut perbandingan plot time series inflasi aktual dengan inflasi hasil penghitungan menggunakan STAR (11) dan GSTAR (11) dengan bobot normalisasi korelasi silang. 4 3

Variable dumai_aktual dumai_pred_GSTAR

Data

2 1 0 -1 -2 -3 Month Feb Feb Feb Feb Feb Feb Feb Feb Feb Year 2008 2009 2010 2011 2012 2013 2014 2015 2016

Gambar 15. Perbandingan Time Series Plot Inflasi dengan Ramalan Prediksi Inflasi dengan GSTAR Bobot Normalisasi Korelasi Silang untuk Inflasi Dumai Sumber: Hasil Pengolahan Sotware Minitab

24

Statistika, Vol. 5, No. 1, Mei 2017

3

dapat dimaknai bahwa inflasi di salah satu kota pada suatu bulan memberikan pengaruh pada inflasi kota tersebut pada bulan berikutnya. Selain itu inflasinya juga akan memberikan pengaruh pada inflasi kota lainnya pada satu bulan berikutnya. Dengan demikian untuk menjaga kestabilan harga, perlu adanya pengklasifikasian dan pengembangan komoditas-komoditas yang menjadi unggulan dari ketiga kota tersebut agar selain bisa mencukupi kebutuhan di wilayahnya juga bisa mencukupi kebutuhan di wilayah lain. Selain itu masalah yang biasanya timbul dan menyebabkan kenaikan harga adalah masalah pendistribusian barang. Oleh karena itu perlu bagi pemerintah untuk meningkatkan dan memberikan kemudahaan akses transportasi untuk pendistribusian barang di antara ketiga kota tersebut. Dengan melihat asumsi residual model yang telah memenuhi asumsi multivariate normal dan white noise serta perbandingan nilai MAE dan RMSE maka disimpulkan bahwa secara umum kinerja peramalan GSTAR dengan bobot normalisasi korelasi silang lebih baik dibandingkan STAR dengan bobot normalisasi korelasi silang. Secara lebih rinci peramalan inflasi Kota Dumai dan Pekanbaru lebih baik menggunakan GSTAR (11) bobot normalisasi korelasi silang sedangkan permalan inflasi Kota Batam lebih baik menggunakan STAR (11) bobot normalisasi korelasi silang.

Variable pekanbaru_aktual pekanbaru_pred_GSTAR

Data

2

1

0

-1 Month Feb Feb Feb Feb Feb Feb Feb Feb Feb Year 2008 2009 2010 2011 2012 2013 2014 2015 2016

Gambar 16. Perbandingan Time Series Plot Inflasi dengan Ramalan Prediksi Inflasi dengan GSTAR Bobot Normalisasi Korelasi Silang untuk Inflasi Pekanbaru Sumber: Hasil Pengolahan Sotware Minitab 3

Variable batam_aktual batam_pred_STAR

Data

2

1

0

-1 Month Feb Feb Feb Feb Feb Feb Feb Feb Feb Year 2008 2009 2010 2011 2012 2013 2014 2015 2016

Gambar 17. Perbandingan Time Series Plot Inflasi dengan Ramalan Prediksi Inflasi dengan STAR Bobot Normalisasi Korelasi Silang untuk Inflasi Batam Sumber: Hasil Pengolahan Software Minitab

KESIMPULAN Berdasarkan time series plot inflasi tahunan dan plot MACF terdapat indikasi bahwa inflasi Kota Dumai, Pekanbaru, dan Batam memiliki keterkaitan yang cukup tinggi. Hal ini mengindikasikan bahwa dalam memenuhi kebutuhan komoditas masyarakatnya, ketiga kota tersebut saling berhubungan. Berdasarkan nilai MIC model VARMA disimpulkan bahwa model STAR dan GSTAR yang dapat dibentuk untuk inflasi ketiga kota tersebut adalah STAR (11) dan GSTAR (11). Hal ini

DAFTAR PUSTAKA [1] Anggraeni, Prahutama, dan Andari. 2013. Aplikasi Generalized Space Time Autoregressive (GSTAR) pada Pemodelan Volume Kendaraan Masuk Tol Semarang. Media Statistika, Vol 6, No.2, Desember 2013: 71-80 25

Statistika, Vol. 5, No. 1, Mei 2017

[2] Djawoto. 2009. Peramalan Laju Inflasi dengan Metode Autoregressive Integrated Moving Average (ARIMA). Ekuitas. Vol 14 No.4 Desember 2010:524-538 [3] Hasbullah, J., 2012. Tangguh dengan Statistik akurat dalam membaca Realita Dunia. penerbit Nuansa Cendikia [4] Latupeirissa, Nainggolan, dan Tohap Manurung. 2014. Model Generalized Space Time Autoregressive (GSTAR) Orde 1 dan Penerapannya pada Prediksi Harga Beras di Kota Bitung, Kabupaten Minahasa, dan Kabupaten Minahasa Selatan. JdC, Vol3, No.1 Maret 2014. Diakses dari http://download.portalgaruda.org/a rticle.php?article=146201&val=10 12 [5] Paita, Nainggolan, dan Langi, 2014, Model Space Time Autoregressive (STAR) Orde 1 dan Penerapannya pada Prediksi Harga Beras di Kota Manado, Tomohon, dan Kabupaten Minahasa Utara, De cartesian, Vol 3, No.1 [6] Rani, Kusdarwati, Sumarminingsih, 2013, Pemodelan Generalized Space Time Autoregressive (Penerapan pada Data Angka Kesakitan Penyakit ISPA di Kota Malang). Jurnal Mahasiswa Statistik,Vol 1 , No 2. Diakses dari http://statistik.studentjournal.ub.ac .id/index.php/statistik/article/view/ 35/36 [7] Rosidi, A., Riduan dan Sugiharto., 2005, Metode Pengukuran Inflasi di Indonesia, Badan Pusat Statistik, Jakarta. [8] Shoesmith. 2012. Space Time Autoregressive Models and Forecasting National, Regional, and State Crime Rates, International Journal of Forecasting, Vol 29, No.1,

Januari-March 2013. Diakses dari https://ssrn.com/abstract=2431483 [9] Suhartono dan Atok, R.M. 2006. Pemilihan Bobot Lokasi yang Optimal pada Model GSTAR. Presented at National Mathematics Conference XIII, UNS, Semarang [10] Suparti dan Sa’adah. 2015. Analisis Data Inflasi Indonesia Menggunakan Model Autoregressive Integrated Moving Average (ARIMA) dengan Penambahan Outlier. Media Statistika, Vol.8 No.1, Juni 2015:1-11 [11] Suryamah, Parmikanti, dan Sugihartini. 2013. Prakiraan Curah Hujan Menggunakan Model Space Time Autoregressive Orde Dua (STAR (1;2)), Prosiding Seminar Nasional Sains dan Teknologi Nuklir PTNBRBATAN Bandung, 4 Juli 2013 [12] Tripena. 2011. Peramalan Indeks Harga Konsumen dan Inflasi dengan Metode ARIMA BoxJenkins, Magistra No.75 Th. XXIII Maret 2011. [13] Wei, W.W.S. 2006. Time Series Analysis Univariate and Multivariate Method, Second Edition. Pearson Addison Wesley, USA [14] Winarno. 2009. Analisis Angka Kematian Bayi di Jawa Timur dengan Pendekatan Model Regresi Spasial. Tesis, Institut Teknologi Sepuluh Nopember, Surabaya. [15] Wulandari, dkk. 2016. Peramalan Inflasi Kota Surabaya dengan Pendekatan ARIMA, Variasi Kalender dan Intervensi. Jurnal Sains dan Seni. Vol 5, No 1, 23373520 ITS.

26