PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA DANNILAI TUKAR RUPIAH TERHADAP KURS DOLAR AMERIKA

PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA DANNILAI TUKAR RUPIAH TERHADAP KURS DOLAR AMERIKA Daivi S. Wardani, Adi Setiawan, Didit B. Nugroho Program Studi Matematika Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga 50711 [email protected], [email protected], [email protected] ABSTRAK Dalam makalah ini dibahas tentang penerapan model Structural Autoregression (SVAR) untuk meramalkan data inflasi dan nilai tukar kurs USD. Data yang digunakan adalah data inflasi di Indonesia dan nilai tukar kurs USD. Data inflasi dan Kurs USD akan dibuat modelnya dengan tahapan menguji stasioneritas data menggunakanunit root test (uji akar

unit).

Pemilihan

minimum

lag

menggunakan

kriteria

AkaikeInformation

Criterion(AIC),untuk mendapatkan model yang paling sesuai.Model Vector Autoregression (VAR)yang diperoleh dikonstruksi sehinggamembentuk model SVAR. Software R i386 3.0.1 membantu untuk mengestimasi parameter Ai dan i . Parameter yang diperoleh selanjutnya digunakan memprediksi data inflasi dan nilai tukar kurs USD untuk beberapa periode ke depan. Kata kunci : Inflasi, Kurs USD, VAR, SVAR, Stasioneritas.

PENDAHULUAN Inflasi adalah suatu proses kenaikan harga-harga yang berlaku dalam perekonomian, (Sukirno, 2002). Selain itu inflasi juga merupakan persentase kenaikan harga-harga barang secara umum yang berlangsung terus-menerus dalam jangka waktu yang lama, dan mengakibatkan turunnya daya beli masyarakat serta jatuhnya nilai riil mata uang. Namun, kenaikan harga barang yang terjadi hanya sekali saja, meskipun dalam persentase yang cukup besar, bukanlah merupakan inflasi. Kenaikan harga diukur menggunakan indeks harga. Beberapa indeks harga yang menjadi tolak ukur inflasi yaituindeks harga konsumen (consumer price index), indeks harga perdagangan besar (wholesale price index), dan GNP (Gross National Product) Deflator. Perubahan inflasi dari bulan ke bulan menjadi indikator untuk penentuan harga beberapa komoditas tertentu. Selain itu inflasi juga digunakan dalam bahan penentuan kebijakan impor di Indonesia. Dolar Amerika Serikat atauUSD merupakan mata uang yang sangat berpengaruh di dunia. Hal ini dibuktikan dengan banyaknya mata uang yang disandingkan dengan dolar Amerika di pasar uang dan juga dijadikan dolar Amerika sebagai patokan bagi perekonomian suatu negara, termasuk Indonesia. Perlu diketahui bahwa kuat atau lemahnya kurs USD juga menjadi salah satu faktor yang mempengaruhi inflasi di Indonesia. Perubahan kuat dan lemahnya nilai tukar antara Rupiah dan USD dapat digunakan oleh investor untuk mempertimbangkan dalam melakukan investasi. Melihat adanya hubungan tersebut mendorong penulis untuk mengaplikasikan metode SVAR (Strucutural Vector Autoregression) untuk data inflasi dan kurs USD.Penelitian ini bertujuan untuk memperoleh model SVAR untuk data inflasi di Indonesia dan kurs dolar Amerika dengan mengestimasi parameter-parameter Ai dan i . Model yang didapatkan akan digunakan untuk memprediksi data inflasi Indonesia dan kurs dolar Amerika untuk periode kedepan. Dalam penelitian ini perhitungan menggunakan alat bantu Software R i386 3.0.1. Data yang digunakan adalah data time series dari Inflasi di Indonesia dan nilai tukar kurs dolar Amerika mulai bulan Januari 2011 sampai dengan bulan September 2014. DASAR TEORI Model Autoregresi Model autoregresi (AR) menyatakan satu varibel Y t sebagai fungsi linear dari sejumlah Y t sebelumnya. Menurut Cryer (2008), secara umum model AR orde p, dituliskan AR(p) berbentuk, Yt  1 Yt 1  2 Yt 2     p Yt  p  et (1) dengan  p  parameter autoregresi ke-j, dengan j = 1,2, ... p,

et = nilai galat pada saat t (gangguan). Vector Autoregression (VAR) Pertama kali model VAR diperkenalkan oleh C.A. Sims (1972) sebagai pengembangan dari pemikiran Granger (1969), (dalam Hidayatullah,2009). VAR menjelaskan bahwa setiap variabel yang ada dalam model tergantung pada pergerakan masa lalu variabel tersebut dan juga pergerakan masa lalu seluruh variabel yang ada dalam sistem, (Novita,2009). Salah satu keunggulan dari model VARadalah peneliti tidak perlu menentukan

mana variabel endogen dan mana variabel eksogen karena semua variabel dalam VARadalah endogen. Secara umum VAR orde p dituliskan sebagai berikut : Yt  A0  A1 Yt 1  A2 Yt 2    Ap Yt  p  et (2) dengan Yt = vektor berukuran n  1 yang mengandung n variabel dalam VAR,

A0 = vektor berukuran n 1 yang berisikan intersep, Ai = matriks berukuran nn yang berisikan koefisien-koefisien dalam VAR, et = vektor berukuran n 1 berisikan galat dari model VAR. Model VAR yang digunakan akan dibentuk dalam tahapan pengujian pra-estimasi. Langkah-langkah pengujian meliputi : 1. Pengujian Stasioneritas dengan Uji Akar Unit (Unit Root Test) Dalam menentukan penggunaan metode VAR maka harus terlebih dahulu dipastikan apakah variabel yang digunakan memiliki data yang bersifat stasioner. Variabel stasioner adalah variabel yang memiliki sebaran data dinilai rata-rata pada variabel tersebut. Salah satu metode yang umum digunakan untuk mengetahui kestasioneran data adalah uji Augmented Dickey-Fuller (ADF test). Hipotesis pengujian ini adalah: H0 : γ = 0 (Data Tidak stasioner), H1 : γ < 0 (Data Stasioner). Hipotesis nol ditolak jika dengan τ = , τ sebagai nilai uji stasioner dan sebagai nilai tabel kritisnya. Pada uji Augmented Dickey-Fuller terdapat beberapa persamaan uji, yakni: 1. Tanpa konstanta dan tanpa trend (None) (3) yt   yt 1   t 2. Dengan konstanta dan tanpa trend (Drift) (4) yt     yt 1   t 3. Dengan konstanta dan trend (Trend) (5) yt     yt 1  t   t Dengan dan adalah residual. γ merupakan nilai parameter yang akan diujikan, α adalah nilai konstanta dan adalah koefisien trend. 2.

Penentuan Lag Optimal Penentuan lag merupakan suatu hal sangat penting untuk mendapatkan model VAR yang paling sesuai. Pemilihan model akan dilakukan menggunakan lag yang meminimumkan kriteria dari kriteria informasi. Beberapa kriteria yang digunakan antara lain kriteria informasi Akaike (AkaikeInformation Criterion, disingkat AIC), kriteria informasi Schwarz (Schwarz Information Criterion, disingkat SIC), kriteria informasi Hannann-Quinn (Hannan-Quinn Information Criterion, disingkat HQ), dan Galat Prediksi Akhir (Final Prediction Error, disingkat FPE). Pada penelitian ini dipilih kriteria informasi AIC untuk mendapatkan lag yang sesuai. Adapun formulasinya adalah:

AIC  T ln   2 N dengan T = banyaknya pengamatan,



= determinan matriks variansi/kovariansi sisa,

(6)

N = total banyaknya estimasi parameter di semua persamaan. Contoh 1: Digunakan data inflasi Indonesia dan kurs USD pada bulan Januari 2011-Agustus 2011 dan didapatkan model terbaik pada lag 2. Maka model VAR yang diperoleh Yt  A1 Yt 1  A2 Yt 2  et . Mengestimasi nilai A1 dan A2 dengan menyusun notasi matriks Y  BZ  U , dengan

Mulitivariate Least Squares didapatkan

 

Bˆ  Y Z ' Z Z '

1

yang

digunakan untuk mengestimasi B. Y  BZ  U  Yt   A1 A2  Yt 1  et  Y    1 0  Y    0    t 2     t 1  

Kemudian diperoleh B dengan cara : 1 Bˆ  Y Z Z Z 

 Y  Y  Bˆ   t   t 1  Yt 1  Yt 2 

   Yt 1  Yt 1    Y  Y    t 2   t 2   

1

 - 0.45   0.01 0.43 0.43 0.12 0.26 - 0.66   0.01 - 0.56 - 0.74 - 0.05 0.12 - 0.42 0.29   0.43  Bˆ   - 0.45 0.01 0.43 0.43 0.12 0.26   0.43    - 1.12 - 0.56 - 0.74 - 0.05 0.12 - 0.42   0.12   0.26    - 0.45   - 1.12   - 0.76    0.32   0.09 0.29 Bˆ   0.65  0.06

- 1.12 - 0.76 - 0.56 - 0.45 - 0.74

0.01

- 0.05 0.12 - 0.42

0.43 0.43 0.12

 - 0.45 - 1.12 - 0.76 0.01 0.43 0.43 0.12 0.26   0.01 - 0.56 - 0.45 - 0.56 - 0.74 - 0.05 0.12 - 0.42   0.43 - 0.74 0.01  - 0.45 0.01 0.43 0.43 0.12   0.43 - 0.05 0.43  - 1.12 - 0.56 - 0.74 - 0.05 0.12   0.12 0.12 0.43   0.26 - 0.42 0.12 - 0.27 - 0.11 - 0.89   14.41 3.79 - 10.85 2.96  0.90 0.66 0.65   3.79 1.93 - 3.73 0.47  0.06 0.61 - 0.69  - 10.85 - 3.73 9.85 - 1.91   2.31 1.07 0.68   2.96 0.47 - 1.91 1.16  - 1.08 - 0.16 0.58 - 0.67   2.46 0.70 - 1.32 0.80   Bˆ    1 0 0 0    1 0 0   0 - 1.08 - 0.16   0.58 Sehingga didapatkan koefisien A1   dan A2     2.46 0.70  - 1.32 korelasi dari residual et  -0.522 .

0.32  - 1.11  - 0.56   - 0.74  - 0.05   0.12  0.32    - 1.11   - 0.56    - 0.74    - 0.05    0.12  

- 0.67  0.80 

1

dengan

Sebelumnya telah diperoleh model VAR tanpa intersep, untuk model VAR dalam intersep didapatkan Yt  A0  A1 Yt 1  A2 Yt 2  et . Mengestimasi A0 , A1 dan A2 terlebih dahulu dibentuk notasi matriks sebagai berikut: Y  C  BZ  U  Yt   A0   A1 A2  Yt 1  et  Y    0    1 0  Y    0    t 2     t 1     Kemudian diperoleh B dengan cara : 1 Bˆ  Y Z Z Z  1 - 0.45   0.01 0.43 0.43 0.12 0.26 - 0.66  1 0.01 - 0.56 - 0.74 - 0.05 0.12 - 0.42 0.29  1 0.43 ˆ  B - 0.45 0.01 0.43 0.43 0.12 0.26  1 0.43    - 1.12 - 0.56 - 0.74 - 0.05 0.12 - 0.42  1 0.12  1 0.26  1 - 0.45  1 1 1 1 1 1    1 0.01  - 0.45 0.01 0.43 0.43 0.12 0.26  1 0.43   - 1.12 - 0.56 - 0.74 - 0.05 0.12 - 0.42     1 0.43  - 0.76 - 0.45 0.01 0.43 0.43 0.12     0.32 - 1.12 - 0.56 - 0.74 - 0.05 0.12  1 0.12   1 0.26 

- 1.12 - 0.56 - 0.74 - 0.05 0.11 - 0.42

0.32  - 0.45 - 1.12  0.01 - 0.56   0.43 - 0.74  0.43 - 0.05   0.12 0.12 

- 0.76

- 1.12 - 0.76 - 0.56 - 0.45 - 0.74

0.01

- 0.05 0.11

0.43 0.43

- 0.42

0.12

0.32    - 1.12   - 0.56    - 0.74    - 0.05    0.12  

1

11.68 10.72 - 14.92 3.86   4.35 0.09 - 0.27 - 0.11 - 0.89   11.68 45.73 32.56 - 50.87 13.31  0.29 0.91 0.66 0.65    10.72 32.56 28.35 - 40.48 9.98  0.65 0.06 0.61 - 0.69      - 14.92 - 50.87 - 40.48 60.98 - 15.14  0.06 2.31 1.07 0.68   3.86 13.31 9.98 - 15.14 4.58   - 1.01 - 3.79 - 2.64 4.03 - 1.57  - 0.13 2.11 0.38 - 0.86 0.68  ˆ  B  0 1 0 0 0    0 1 0 0   0  - 1.01  - 3.79 - 2.64  Sehingga didapatkan intersep A0   , lalu koefisien A1     dan - 0.13  2.11 0.38   4.03 - 1.57  A2   . - 0.86 0.68   0.59  - 1.36 ˆ B  0.80  - 2.78

Struktural Vektor Autoregresi (SVAR) SVAR merupakan pengembangan dari metode VAR. Metode estimasi SVAR digunakan untuk mendapatkan ortogonalisasi non recursive error term dalam kerangka analisis impulserespons. Untuk memperoleh ortogonalisasi non recursive error term tersebut,

maka pada penelitian ini diterapkan beberapa restriksi untuk mengidentifikasi komponen struktural dalam error term. Bentuk Struktural Vektor Autoregresi dengan lag p memiliki model: B Yt  0  1 Yt 1  2Yt 2    pYt  p   t

(7)

 1 b12  dengan : B   , b21 1  Yt  vektor berukuran n  1 yang mengandung n variabel dalam SVAR, 0  vektor berukuran n 1 yang berisikan intersep, i  matriks berukuran nn yang berisikan koefisien-koefisien dalam SVAR,  t  white noise.

Untuk menormalkan vektor pada sisi kiri persamaan (7), persamaan tersebut perlu dikalikan invers dari B :

B 1 B Yt  B 10  B 11 Yt 1  B 12Yt 2    B 1pYt  p  B 1 t

(8)

sehingga diperoleh: Yt  A0  A1 Yt 1  A2 Yt 2    Ap Yt  p  et

dengan : A0  B 1 0 , A1  B1 1 , A2  B 1 2 , Ap  B dikenal dengan bentuk baku dari VAR.

1

(9)

p , dan et  B 1  t . Persamaan (9)

Contoh 2 : Dari Contoh 1 telah dijelaskan model VAR dengan lag 2. Model VAR tanpa intersep yaitu Yt  A1 Yt 1  A2 Yt 2  et dan model VAR dengan intersep yaitu Yt  A0  A1 Yt 1  A2 Yt 2  et . Dengan itu maka dapat dicari pula model SVAR dengan lag 2 untuk data tersebut. Model SVAR tanpa intersep : B Yt  1 Yt 1  2Yt 2   t Model SVAR dalam intersep : B Yt  0  1 Yt 1  2Yt 2   t Pada model SVAR tanpa intersep untuk mengestimasi B dapat digunakan cara :

 

E et et   B 1 E  t  t ' B 1

  12  12  E et et      2  21  2  0   var  1  E  t  t '      var  1   0    B  B

maka, 0   1 b12   0.08  0.02   1  var  1    0 var  1  b21 1   0.02 0.02  b12  var 1   0.08  0.04b12  0.02b122 ,

0  0.08b21  0.02  0.02b21b12  0.02b12 , 0  0.08b21  0.02b12b21  0.02  0.02b12 ,

b21  1 

2 var  2   0.08b21  0.04b21  0.02 .

untuk b21  0

0  0.02  0.02b12

maka b12  1

var  2   0.02

var  1   0.06

1 1 Maka diperoleh B   . 0 1 Kemudian menggunakan dekomposisi ini, didapatkan  1t  dan  2t dengan  t  Bet diperoleh

1t  e1t  e2t dan  2t  e2t t  1t  2t

1 0.075 0.08

2 -0.21 -0.07

3 0.26 -0.13

4 0.08 0.25

5 0.31 0.19

6 -0.41 0.02

dengan korelasi dari  t  0.052 . Sebelumnya sudah didapatkan estimasi untuk A1 dan A2 dalam model VAR, maka dapat dicari pula 1 dan 2 dengan cara :

A1  B 1 1  A1  B 1 1 B A1  B B 1 1 1  B A1 1 1 - 1.08 - 0.16  1.38 0.54  1  B A1      0 1  2.46 0.70  2.46 0.70  1 1  0.58 - 0.67  - 0.74 0.13  2  B A2      0 1 - 1.32 0.80   - 1.32 0.80  Sedangkan pada model SVAR dalam intersep untuk mengestimasi B juga digunakan cara yang sama seperti sebelumnya.    B  B

0   1 b12   0.03  0.03  1  var  1    0 var  1  b21 1   0.03 0.02  b12  var 1   0.03  0.06b12  0.02b122 0  0.03b21  0.03  0.03b21b12  0.02b12 0  0.03b21  0.03b12b21  0.03  0.02b12 2 var  2   0.03b21  0.06b21  0.02

untuk b21  0

0  0.03  0.02b12

maka b12  1.5

var  2   0.02

var  1   0.015

b21  1 

1 1.5 Sehingga diperoleh B    . Sama seperti model SVAR tanpa intersep di atas sudah 0 1  didapatkan estimasi untuk A0 , A1 dan A2 di model VAR, maka dapat dicari pula 0 , 1 dan 2

dengan cara : 1 1.5  - 1.01   - 1.20  0  B A0     , 0 1  - 0.13 - 0.13 1 1.5 - 3.79 - 2.64  - 0.62 - 2.07  1  B A1     , 0 1   2.11 0.38   2.11 0.38  1 1.5  4.03 - 1.57   2.74 - 0.55  2  B A2     . 0 1  - 0.86 0.68  - 0.86 0.68 

METODE PENELITIAN Data yang digunakan adalah data inflasi dan kurs USD. Inflasi diambil dari www.bps.go.id dan data kurs dolar Amerika diambil dari www.bi.go.id. Data yang digunakan masing-masing dari bulan Januari 2011 – September 2014. HASIL DAN BAHASAN Profil Data Data inflasi dan nilai tukar rupiah terhadap USD dari bulan Januari 2011 sampai dengan September 2014 ditampilkan dalam Gambar 1. Dari grafik terlihat bahwa data Inflasi berfluktasi disekitar rata-rata. Sehingga dapat diartikan data asli Inflasi sudah stasioner. Untuk data kurs USD dilihat dari gambar data belum stasioner, maka dari itu perlu dilakukan uji stasioneritas untuk data kurs USD. Inflasi 4

2

0

-2

0

5

10

15

20

4

1.4

25

30

35

40

45

25

30

35

40

45

Kurs

x 10

1.2

1

0.8

0

5

10

15

20

Gambar 1 : Data asli Inflasi & Kurs USD Uji Stasioneritas Data Pada data inflasi dan kurs USD pertama kali dilakukan uji akar untuk mengetahui kestasionerannya agar model yang didapatkan mempunyai ketepatan yang relatif tinggi. Dengan bantuan program R dilakukan Augmented Dickey-Fuller test untuk melakukan uji akar unit (Unit Root Test) untuk menguji apakah inflasi dan kurs USD stasioner atau tidak. Hasil perhitungan akar unit untuk data awal dinyatakan pada Tabel 1.

Tabel 1 : Uji akar unit variabel Inflasi dan USD Data

Nilai Statistik

Inflasi

-2.5957

Nilai Tabel Kritis 5% -1.95

USD

1.469

-1.95

Dari Tabel 1 terlihat nilai statistik dari inflasi adalah -2.5957 berarti sudah lebih kecil dari nilai tabel kritis dengan nilai uji 5 %. Sedangkan untuk data kurs USD masih lebih besar dari nilai tabel kritis nya. Hal ini berarti data tidak stasioner, sehingga perlu dilakukan transformasi dan pembedaan untuk data kurs USD yaitu dengan cara zt  100  (log(Yt )  log(Yt 1 )) , dengan Yt adalah data inflasi dan kurs USD. Hasil perhitungan akar unit untuk data yang sudah ditransformasi dan dilakukan pembedaan dinyatakan pada Tabel 2. Tabel 2 : Uji akar unit variabel kurs USD (pembedaan & transformasi)

Data

Nilai Statistik

USD

-3.7509

Nilai Tabel Kritis 5% -1.95

Terlihat dari Tabel 2 nilai statistik untuk data kurs USD sudah lebih kecil dari nilai tabel kritisnya dengan nilai uji 5 %. Dapat diambil kesimpulan bahwa variabel Inflasi sudah stasioner pada data aslinya, sedangkan untuk variabel kurs USD mengalami stasioner setelah dilakukan pembedaan dan transformasi. Gambar 2 menunjukkan data yang sudah stasioner. 4 Inflasi Kurs USD

3

2

1

0

-1

-2

-3 0

5

10

15

20

25

30

35

40

45

Gambar 2 : Data Inflasi & Kurs USD stasioner Penentuan Model VAR Dari data yang sudah stasioner selanjutnya dicari model awal VAR dengan cara mengetahui lag yang paling sesuai untuk model. Artinya bahwa suatu data pada waktu tertentu di masa depan dipengaruhi oleh beberapa data berurutan pada waktu sebelumnya. Untuk memilih lag yang paling sesuai digunakan kriteria informasi AIC.

Tabel 3 : Kriteria pemilihan lag Lag AIC(n)

1 -0.860

2 -0.999

3 -0.855

4 -1.205

5 -1.2225

6 -1.3268

7 -1.3236

8 -1.1355

Dari kriteria AIC pada tabel terlihat nilai paling minimum ada pada lag 6 yaitu dengan nilai -1.3268. Disini diduga bahwa model terbaik adalah dengan menggunakan lag 6. Sehingga didapatkan model VAR dengan lag 6 untuk variabel inflasi dan USD adalah: Yt  A0  A1 Yt 1  A2 Yt 2  A3Yt 3  A4Yt 4  A5Yt 5  A6Yt 6  et (10) Untuk menentukaan , , , , ,dan dilakukan dengan menggunakan bantuan software R. Sehingga diperoleh hasil sebagai berikut :  0.370  0.355 0.023  - 0.408 0.010  0.002 - 0.048  A0   A2   A3   , A1      , - 0.938  0.778 - 0.118   0.838 - 0.199  0.022 - 0.362  0.002 0.009  0.072 A4   , A5    1.210 - 0.106  0.559

- 0.166  0.337 , A6    - 0.056  0.310

Dari model VAR diatas diperoleh matriks dapat dibentuk model SVAR dengan lag 6 yaitu :

- 0.045  . - 0.359 

sampai dengan matriks

B Yt  0  1 Yt 1  2 Yt 2  3 Yt 3  4 Yt 4  5 Yt 5  6 Yt 6   t Matriks B dapat dicari dengan bantuan software R, sehingga didapatkan :

, selanjutnya (11)

- 1.148   1 B 1  1.367 Selanjutnya dapat dicari:  1.447  - 0.539 0.159  - 1.370 0.239  - 0.024 0         , , , 1 2 3   1.263 - 0.086   0.281 - 0.185   0.025 - 0.432       1.387 0.131 0.570 0.101 0.018 0.367       4   , 5   , 6     .  1.212 - 0.093   0.657 - 0.283   0.770 - 0.420  Peramalan Menggunakan VAR

0.368  , - 0.427 

Setelah didapatkan model VAR tetap, langkah selanjutnya adalah meramalkan data. Dengan bantuan Software R dilakukan prediksi dari 5 bulan ke depan untuk Inflasi dan Kurs USD. Hasil peramalan ditunjukkan pada Tabel 4. Tabel 4 : Hasil peramalan Inflasi dan kurs USD (Keluaran dari R) Bulan Inflasi Kurs USD Okt-2014 0.07 0.75 Nov-2014 0.10 -0.19 Des-2014 0.37 0.13 Jan-2015 0.76 0.32 Feb-2015 0.82 0.78 Tabel 4 merupakan prediksi inflasi dan kurs USD untuk 5 bulan ke depan. Sebelumnya data kurs USD yang digunakan untuk pemodelan dan peramalan pada Tabel 4

adalah data yang masih di transformasikan. Pada variabel USD dilakukan transformasi dan pembedaan yaitu zt  100  (log(Yt )  log(Yt 1 )) . Untuk mengembalikan ke data yang asli perlu dilakukan tranformasi kembali digunakan. zt  100  (log(Yt )  log(Yt 1 )) zt

Yt  Yt 1  10 100

dengan, z t = nilai peramalan untuk variabel USD. Untuk peramalan data aslinya dapat dihitung sebagai berikut : Bulan Oktober 2014 : zt

Yt  Yt 1  10 100

Yt  11769 10

0.75 100

 11974.01

Dengan cara yang sama didapatkan peramalan untuk bulan November 2014 sampai dengan Februari 2015. Ditunjukkan pada Tabel 5 berikut. Tabel 5 : Hasil peramalan Inflasi dan kurs USD Bulan Okt-2014 Nov-2014 Des-2014 Jan-2015 Feb-2015

Inflasi 0.07 0.10 0.37 0.76 0.82

Kurs USD 11974.01 12062.51 12346.3 12665.92 12925.17

KESIMPULAN Berdasarkan hasil dan bahasan dibagian sebelumnya maka diperoleh : 1. Model SVAR diperoleh dari mengestimasi parameter dari model VAR. Sehingga diperoleh model SVAR dengan orde 6 untuk variabel Inflasi dan kurs USD pada persamaann (11) yaitu : B Yt  0  1 Yt 1  2 Yt 2  3 Yt 3  4 Yt 4  5 Yt 5  6 Yt 6   t . 2. Dalam peramalan menggunakan VAR untuk 5 bulan kedepan pada data inflasi dan kurs USD dapat dilihat pada Tabel 5. Penelitian lebih lanjut dapat dikembangkan untuk penggunaan Resampling atau Bootstrap dalam model SVAR. DAFTAR PUSTAKA Cryer, J.D. and Chan, K.-S.(2008).Time Series Analysis, 2nd Edition, Springer Science+Business Media. Darwanto. (2012). Dampak Shock Nilai Tukar Riil terhadap Inflasi dan Current Account Indonesia, Trikonomika,11 (1), FEB Universitas Diponegoro, Semarang. Enders, W. (2004). Applied Econometric Time Series, 2nd Edition, America : Wiley. Feve P. and Jidoud A. (2012). Identifying News Shocks from SVARs, Toulouse School of Economics, Toulouse-France.

Gunawan. (2012). Analisis Interaksi Capital Flows, Fluktuasi Nilai Tukar, dan Kebijakan Moneter Di Indonesia. Fakultas Ekonomi, Universitas Indonesia, Jakarta. Hadiyatullah.(2011). Model Vector Autoregressive (VAR) dan Penerapannya untuk Analisis Pengaruh Harga Migas yerhadap Indeks Harga Konsumen (IHK) (Studi Kasus Daerah Istimewa Yogyakarta, Periode 1997–2009). FMIPA UNY, Yogyakarta. Halim, S. dan Chandra, A. (2011). Pemodelan Time Series Multivariat secara Automatis. Jurnal Teknik Industri, 13 (1), Universitas Kristen Petra, Surabaya. Kilian,. (2011). Structural Vector Autoregressions. Department of Economics,University of Michigan. Novita, M.( 2009). Studi Kausalitas Granger Antara Nilai Tukar Rupiah Terhadap USD dan AUD Menggunakan Analisis VAR, FSM UKSW, Salatiga. Rosadi, D. (2011). Analisis Ekonometrik & Runtun Waktu Terapan dengan R, Yogyakarta: Penerbit Andi. Setyaningtyas, R. (2011). Pemodelan Konsentrasi BOD, DO dan Debit Di Stasiun KBe1 Sungai Bedadung–Jember dengan Menggunakan Metode Vector Autoregressive (VAR), Program Magister Fakultas Teknik Sipil dan Perencanaan ITS, Surabaya. Sukirno, S. (2002). Teori Mikro Ekonomi, Rajawali Press: Jakarta. Ziaei, S. M. (2014). Evaluating The Effects Of Monetary Policy Shocks On Aggregate Demand Components In Gcc Countries: Evidence From SVAR,The Journal of Developing Areas 48 (1), University Technology Malaysia, Malaysia.