Main Article Content

  • Hartati Hartati
    Universitas Terbuka

Abstract

Inflation is a problem which haunts the economy of each country. Its development is which continually increasing make a drag on economic growth to a better direction. Inflation tends to occur in developing countries like Indonesia which is an agricultural country. To overcome the instability of inflation, one way to do is to predict the time series data. Methods Autoregressive Integrated Moving Average (ARIMA) has the ability to capture the necessary information about the wood as well as able to cope with the instability of inflation of inflation. This is because ARIMA is a method of forecasting time series are suited to predict the number of variables in a fast, simple, inexpensive, accurate, and only requires the data variables to be predicted.


Inflasi merupakan suatu masalah yang menghantui perekonomian setiap negara. Perkembangannya yang terus-menerus mengalami peningkatan menjadi hambatan pada pertumbuhan ekonomi ke arah yang lebih baik. Perubahan laju inflasi cenderung terjadi pada negara-negara berkembang seperti halnya Indonesia yang merupakan negara agraris. Untuk menanggulangi terjadinya ketidakstabilan laju inflasi, salah satu cara yang dapat dilakukan adalah dengan meramalkan data time series. Metode Autoregressive Integrated Moving Average (ARIMA) memiliki kemampuan untuk menangkap informasi-informasi yang diperlukan mengenai laju inflasi serta mampu menanggulangi ketidakstabilan dari laju inflasi. Hal ini dikarenakan ARIMA merupakan suatu metode peramalan time series yang cocok digunakan untuk meramal sejumlah variabel secara cepat, sederhana, murah, dan akurat serta hanya membutuhkan data variabel yang akan diramal.

Keywords

ARIMA, inflasi, inflation, peramalan time series, time series forecasting

References

Box, G. E. P., & G. M. Jenkins. (1976). Time series analysis+ forecasting and control. Holden-Day. Sa Fransisco.

Makridakis, S., Wheelwright, S.C., & McGee, V.E. (2002). Metode aplikasi dan peramalan. Jakarta. Binarupa Aksara Publisher.

Pimpi, La. (2013). Penerapan metode ARIMA dalam meramalkan indeks harga konsumen (IHK) Indonesia Tahun 2013. Jurnal paradigma, Vol. 17; Hal. 35.

Ruslan, R., Agus Salim Harahap., & Pasukat Sembiring. (2013). Peramalan nilai ekspor di propinsi Sumatera Utara dengan metode ARIMA Box Jenkins. Jurnal saintia matematika, Vol. 1; Hal 579.

Saluza, I. (2015). Aplikasi metode jaringan syaraf tiruan backpropagation dalam meramal tingkat inflasi di Indonesia. Jurnal gradien, Vol. 11; hal.1075. Universitas Bengkulu.

Slutsky, E.E. (1937). The summation of random causes as the source of clclical processes. Econometrica, 5; 46-105.

Stehpani, C. A, Agus Suharsono, & Suhartono. (2015). Peramalan inflasi nasional berdasarkan faktor ekonomi makro menggunakan pendekatan time series klasik dan ANFIS”. Jurnal sains dan seni, Vol. 4; hal. D-67.

Wold. H. (1938). A study in the, analysis of stationary time series, 1st ed. Uppsala: Almqvist and Wiksells.

Wulandari, N., Setiawan., & Imam Safawi Ahmad. (2016). Peramalan inflasi kota surabaya dengan pendekatan ARIMA, variasi kalender, dan intervensi. Jurnal sains dan seni, Vol. 5; Hal. D-90.

Yule, G. U. (1927). On a method of investigating periodicities in disturbed series, with special reference to wolfer’s sunspot numbers. Philosopical transactions of the royal society A: Mathematical, phisycal, and engineering science, 226(636-646); 226-267.

Article Sidebar

Published Sep 14, 2017
How to Cite
HARTATI, Hartati. PENGGUNAAN METODE ARIMA DALAM MERAMAL PERGERAKAN INFLASI. Jurnal Matematika, Sains, Dan Teknologi, [S.l.], v. 18, n. 1, p. 1-10, sep. 2017. ISSN 2442-9147. Available at: <http://ilp.ut.ac.id/index.php/JMST/article/view/184>. Date accessed: 20 nov. 2017.
Section
Articles