n = banyaknya observasi series stasioner
Statistik Q mendekati distribusi chi-square dengan derajat bebas k-p-q. Jika statistik Q lebih kecil dari nilai kritis chi-square seperti yang tertera pada tabel, maka
semua koefisien autocorrelation dianggap tidak berbeda dari nol atau model telah dispesifikasi dengan benar. Dalam praktik, biasanya digunakan k yang besar,
misalnya 24.
Keempat, dengan menggunakan t statistik untuk menguji apakah koefisien
model secara individu berbeda dari nol. Seperti halnya dalam regresi, cirri model yang baik adalah jika semua koefisien modelnya secara statistik berbeda dari nol. Jika tidak
demikian, variable yang dilekati koefisien itu seharusnya dilepas dan spesifikasi model yang lain diduga dan diuji. Jika terdapat banyak spesifikasi model yang lolos dalam
diagnostic checking, yang terbaik dari model itu adalah model dengan koefisien lebih sedikit prinsip parsimony.
2.1.3.9 Peramalan
Langkah terakhir adalah menggunakan model yang terbaik untuk peramalan. Jika model terbaik telah ditetapkan, model itu siap digunakan untuk peramalan. Perhatikan
untuk series homogeny nonstasioner, karena yang diperlukan adalah ramalan seriesasli, maka bentuk selisih harus dikembalikan pada bentuk variabel asli yaitu dengan
melakukan proses integral. Teknik peramalan ini juga dapat memberikan interval
keyakinan. Jika makin jauh ke depan, interval keyakinan umumnya makin lebar, namun tidak demikian untuk interval keyakinan moving average model murni.
Berdasar cirinya, model time series seperti ini lebih cocok untuk peramalan dengan jangkauan sangat pendek, sementara model structural lebih cocok untuk peramalan
dengan jangkauan panjang. Akhirnya perlu diingatkan bahwa peramalan merupakan
26
never ending prosess, maksudnya jika data terbaru muncul, model perlu diduga dan diperiksa kembali Mulyono, 2000.
2.1.3.10 Penelitian Terdahulu
Agustini Tripena 2011 telah melakukan penelitian tentang peramalan indeks harga konsumen dan inflasi indonesia dengan metode arima box-jenkins. Hasil penelitian ini
adalah untuk menentukan model deret waktu terbaik data indeks harga konsumen yaitu ARIMA1,1,1, selain itu penelitian ini menghasilkan angka ramalan indeks harga
konsumen dan ramalan inflasi berdasarkan untuk tiga bulan. Penelitian yang lain juga dilakukan oleh Djarwoto 2009 yang berjudul “Peramalan
Laju Inflasi dengan Metode Auto Regressive Integrated Moving Average ARIMA”. Hasil dari penelitian ini menyimpulkan bahwa peramalan dengan Auto Regressive
Integrated Moving Average ARIMA merupakan metode yang tidak begitu rumit, namun mempunyai keakuratan dengan prosentase yang cukup besar.
Sinta KNA 2007 juga melakukan penelitian tentang “Hubungan Kausalitas inflasi IHK Indeks Harga Konsumen dan Inflasi Inti dengan Analisis VAR”. Hasil penelitian
ini memperlihatkan kedua peubah tidak memiliki hubungan sebab-akibat atau dapat dikatakan bahwa kedua peubah bergerak secara bersamaan. Hal tersebut mengindikasikan
tidak adanya pengaruh lag pada kedua peubah tersebut.
Tabel 2.2 Penelitian Terdahulu
27
No Peneliti
Metode Tahun
Penelitian dan Hasil 1.
Agustini Tripena
ARIMA 2011
Judul: Peramalan Indeks Harga Konsumen dan Inflasi Indonesia
dengan Metode ARIMA Box- Jenkins.
Hasil: Penelitian ini menghasilkan angka ramalan indeks harga
konsumen dan ramalan inflasi berdasarkan untuk tiga bulan.
2. Djarwoto
ARIMA 2009
Judul: Peramalan Laju Inflasi dengan Metode Auto Regressive Integrated
Moving Average ARIMA. Hasil : penelitian ini menyimpulkan
bahwa peramalan dengan Auto Regressive Integrated Moving
Average ARIMA merupakan metode yang tidak begitu rumit,
namun mempunyai keakuratan dengan prosentase yang cukup besar.
3. Sinta KNA
VAR 2007
Judul: Hubungan Kausalitas inflasi IHK Indeks Harga Konsumen dan
Inflasi Inti dengan Analisis VAR. Hasil: Penelitian ini memperlihatkan
kedua peubah tidak memiliki hubungan sebab-akibat atau dapat
dikatakan bahwa kedua peubah 28
Yt-1
Yt-2
Yt-n Yt
Sumber: Berbagai Jurnal dan Thesis.
2.2 Kerangka Pemikiran
ARIMA adalah teknik peramalan yang sama sekali mengabaikan variabel independen karena menggunakan nilai sekarang dan nilai-nilai lampau dari variabel
dependen untuk menghasilkan peramalan jangka pendek.
2.3 Hipotesis
Berdasarkan uraian diatas dapat diajukan hipotesis sebagai berikut: H
: Metode ARIMA dapat memprediksi Inflasi secara akurat. H
1:
Metode ARIMA tidak dapat memprediksi Inflasi secara akurat.
2.4 Definisi Operasional Variabel
Y
t-1 = Inflasi 1 hari sebelum t dijadikan sebagai variable independen
Y
t-2 = Inflasi 2 hari sebelum t dijadikan sebagai variable independen
Yt-n = Inflasi n hari sebelum t dijadikan sebagai variable independen Y
t
= Inflasi yang akan diramal pada waktu ke-t dijadikan sebagai variable dependen
29