PERAMALAN INFLOW UANG KARTAL BANK INDONESIA KPW TASIKMALAYA JAWA BARAT DENGAN METODE KLASIK DAN MODERN

Nur Silviyah Rahmi(1*)


(1) Universitas Brawijaya
(*) Corresponding Author

Abstract


Ketersediaan uang kartal di Bank Indonesia (BI) dapat ditinjau melalui arus keluar masuknya uang kartal yang disebut dengan istilah inflow. Banyaknya uang yang beredar di masyarakat akan berpengaruh pada kondisi perekonomian suatu negara, sehingga Bank Indonesia (BI) menyusun perencanaan kebutuhan uang rupiah. Penelitian ini bertujuan untuk meramalkan inflow uang kartal di KPw Bank Indonesia (BI) Tasikmalaya dengan menggunakan pemodelan ARIMA, ARIMAX, Metode Dekomposisi, Metode Winter’s, MLP (Multilayer Perceptron) atau FFNN (Feed Forward Neural Network), Regresi Time Series, Metode Naïve dan Model Hybrid. Dari delapan metode runtun waktu tersebut baik klasik maupun modern akan dicari metode mana yang memberikan hasil akurasi ramalan yang terbaik dengan kriteria RMSE, MAPE dan MAD. Kesimpulan yang dihasilkan yaitu Hybrid ARIMA-NN yang merupakan gabungan dari model ARIMA dengan neural network tidak menjamin kinerja hasil peramalan yang lebih baik. Seperti yang disebutkan dalam hasil M3 Competition, semakin kompleks metode yang digunakan belum tentu metode tersebut menghasilkan akurasi yang lebih baik dibandingkan metode sederhana (klasik). Pada ramalan data inflow KPw BI Tasikmalaya Jawa Barat ini, menghasilkan kesimpulan bahwa metode regresi time series memiliki nilai kriteria pemodelan paling kecil dibandingkan dengan metode lainnya.


Keywords


Hybrid ARIMA-NN, Regresi Time Series, Inflow, Bank Indonesia

Full Text:

PDF

References


“Bank Indonesia. (2017). Peraturan Bank Indonesia Nomor 14/7/PBI/2012 Tentang Pengelolaan Uang Rupiah. Diakses pada 20 Oktober 2015. Jakarta: Bank Indonesia.

S. G. Makridakis, S. C. Wheelwright, and R. J. Hyndman, “Forecasting: Methods and Applications, 3rd Edition,” Wiley, 1998.

Y. M. Hanim, “Penerapan Regresi Time Series Dan Arimax Untuk Peramalan Inflow Dan Outflow Uang Kartal Di Jawa Timur, DKI Jakarta Dan Nasional,” Undergraduate, Institut Teknology Sepuluh Nopember, 2015.

R. E. Wulansari and S. Suhartono, “Peramalan Netflow Uang Kartal dengan Metode ARIMAX dan Radial Basis Function Network (Studi Kasus Di Bank Indonesia),” Jurnal Sains dan Seni ITS, vol. 3, no. 2, Art. no. 2, 2014, doi: 10.12962/j23373520.v3i2.8064.

Hanke and Wichern, “Business Forecasting, 9th Edition,” 2009. (accessed Oct. 08, 2020).

G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, “Time Series Analysis: Forecasting and Control, 5th Edition,” Wiley.com, 2015. (accessed Oct. 08, 2020).

W. Wei, Time Series Analysis: Univariate and Multivariate Methods, 2nd edition, 2006. 2006.

R. Shumway and D. Stoffer, Time Series Analysis and Its Applications With R Examples, vol. 9. 2011.

R. Hyndman, A. B. Koehler, J. K. Ord, and R. D. Snyder, Forecasting with Exponential Smoothing: The State Space Approach. Berlin Heidelberg: Springer-Verlag, 2008.

G. P. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” Neurocomputing, vol. 50, pp. 159–175, Jan. 2003, doi: 10.1016/S0925-2312(01)00702-0.

J. D. Cryer and K.-S. Chan, “Time Series Analysis - With Applications in R,” 2008. (accessed Oct. 08, 2020).

M. Lee and Suhartono, “Calendar variation model based on ARIMAX for forecasting sales data with Ramadhan effect,” 2010.


Article Metrics

Abstract view : 434 times
PDF - 100 times

DOI: https://doi.org/10.26714/jsunimus.8.2.2020.166-174

Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Jurnal Statistika Universitas Muhammadiyah Semarang

Editorial Office:
Department of Statistics
Faculty Of Mathematics And Natural Sciences
 
Universitas Muhammadiyah Semarang

Jl. Kedungmundu No. 18 Semarang Indonesia



Published by: 
Department of Statistics Universitas Muhammadiyah Semarang

View My Stats

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License