Seminar Hasil Tugas Akhir Surabaya, 23 Juni 2014
Peramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL)
OLEH
Ainil Karomah (1310 100 042) DOSEN PEMBIMBING
Dr. Suhartono, M.Si, M.Sc 1
Pendahuluan
Tinjauan Pustaka
Analisis dan Pembahasan
Metodologi
Kesimpulan dan Saran 2
Bab I Pendahuluan
3
Latar Belakang
Rumusan Masalah
4
Latar Belakang
Rumusan Masalah
Dalam rangka mencapai likuiditas perbankan yang
diharapkan, Bank Indonesia melakukan peramalan
netflow uang kartal yang akan berdampak pada kebijakan-kebijakan moneter yang akan dijalankan
5
Latar Belakang
Rumusan Masalah
3 2 1
Bagaimana model terbaik untuk meramalkan netflow uang kartal?
Bagaimana model variasi kalender, model ARDL, dan model gabungan yang tepat untuk meramalkan netflow uang kartal
Bagaimana karakteristik netflow uang kartal di Indonesia? 6
Bab II Tinjauan Pustaka
7
Uang Kartal
Variasi Kalender
ARDL
Model Gabungan
Kriteria Model
Penelitian Sebelumnya
Uang kartal adalah uang kertas dan uang logam
rupiah yang dikeluarkan dan diedarkan oleh Bank Indonesia sebagai alat pembayaran yang sah (Departemen Statistik Ekonomi dan Moneter Bank Indonesia, 2013)
8
Uang Kartal
Variasi Kalender
ARDL
Model Gabungan
Kriteria Model
Penelitian Sebelumnya
uang kartal yang keluar dari BI melalui proses penarikan uang tunai bank umum dari giro di BI atau pembayaran tunai melalui BI disebut outflow
Uang kartal yang masuk ke BI melalui kegiatan setoran yang dilakukan oleh bank umum disebut sebagai inflow
Selisih antara outflow dan inflow disebut netflow outflow > inflow maka selisihnya disebut net outflow outflow < inflow maka selisihnya disebut net inflow
9
Uang Kartal
Variasi Kalender
Model Gabungan
ARDL Regresi Time Series
Kriteria Model
ARIMAX
MODEL UMUM
C
Dummy Kejadian Variasi Kalender Seasonal
Trend
Autoregressive
Error White noise 10
Uang Kartal
Variasi Kalender
ARDL Regresi Time Series
Model Gabungan
Kriteria Model
ARIMAX
MODEL UMUM C
trend
Dummy Kejadian Variasi Kalender Dummy pola musiman
Model ARIMA residual 11
Uang Kartal
Variasi Kalender
ARDL
Model Gabungan
Kriteria Model
Ekonometrika
Time Series
Model ARDL (p,q)
Komponen Autoregressive Komponen Distributed Lag
12
Uang Kartal
Variasi Kalender
ARDL
Model Gabungan
Kriteria Model
Ekonometrika
MODEL UMUM
Time Series
13
Uang Kartal
Variasi Kalender
ARDL
Model Gabungan
Kriteria Model
MODEL UMUM
Error White noise 14
Uang Kartal
InSample
Variasi Kalender
ARDL
Model Gabungan
Kriteria Model
OutSample
15
Bab III Metodologi Penelitian
16
Sumber Data
Variabel Penelitian
Langkah Penelitian
Netflow kartal: database harian uang primer yang disusun oleh Divisi Statistik Moneter dan Fiskal BI. Database harian uang primer tersebut diperoleh dari Sectoral Balance Sheet Cental Bank (SBSCB)
Data IHK diperoleh dari Divisi Statistik Sektor Riil BI
Data Nilai Tukar Rupiah per Satuan Dolar AS: Biro Kebijakan Moneter – Divisi Sektor Eksternal dan Nilai Tukar BI
Data BI rate diperoleh dari Divisi Penyelesaian Transaksi, Informasi dan Administrasi BI 17
Sumber Data
X1(t)
Variabel Penelitian
X2(t)
Suku Bunga SBI (%)
IHK (indeks)
X3 (t)
Y(t)
Kurs (Rupiah/Dollar AS)
Netflow Uang Kartal (Miliar Rupiah)
Langkah Penelitian
• Variabel dummy yang menyatakan efek musiman ataupun efek variasi kalender • Data bulan Januari 2005Desember 2012 digunakan sebagai insample • Data bulan Januari 2013Desember 2013 digunakan sebagai outsample
18
Sumber Data
Variabel Penelitian
Langkah Penelitian
Tahun
Tanggal Idul Fitri
Keterangan
2005
03 – 04 Nopember
M1 Nopember
2006
23 – 24 Oktober
M4 Oktober
2007
12 – 13 Oktober
M2 Oktober
2008
01 – 02 Oktober
M1 Oktober
2009
21 – 22 September
M4 September
2010
10 – 11 September
M2 September
2011
30 – 31 Agustus
M4 Agustus
2012
19 – 20 Agustus
M3 Agustus
2013
08 – 09 Agustus
M2 Agustus
Variabel Dummy V1,t=1 untuk Nopember V1,(t-1)=1 untuk Oktober V1,(t+1)=1 untuk Desember V4,t=1 untuk Oktober V4,(t-1)=1 untuk September V4,(t+1)=1 untuk Nopember V2,t=1 untuk Oktober V2,(t-1)=1 untuk September V2,(t+1)=1 untuk Nopember V1,t=1 untuk Oktober V1,(t-1)=1 untuk September V1,(t+1)=1 untuk Nopember V4,t=1 untuk September V4,(t-1)=1 untuk Agustus V4,(t+1)=1 untuk Oktober V2,t=1 untuk September V2,(t-1)=1 untuk Agustus V2,(t+1)=1 untuk Oktober V4,t=1 untuk Agustus V4,(t-1)=1 untuk Juli V4,(t+1)=1 untuk September V3,t=1 untuk Agustus V3,(t-1)=1 untuk Juli V3,(t+1)=1 untuk September V2,t=1 untuk Agustus V2,(t-1)=1 untuk Juli V2,(t+1)=1 untuk September 19
Sumber Data
Variabel Penelitian
Langkah Penelitian
Studi Literatur
Pengumpulan data penelitian dan eksplorasi statistik deskriptif
Melakukan pembentukan model variasi kalender berbasis regresi time series dan ARIMAX
Melakukan pembentukan model ARDL melalui pendekatan confirmatory dan explanatory
Melakukan pembentukan model gabungan variasi kalender dan ARDL Melakukan pemilihan model terbaik dan meramalkan netflow uang kartal Kesimpulan 20
Bab IV Analisis dan Pembahasan
21
Karakteri stik
Stat Deskriptif
Idul Fitri
Variasi Kalender
ARDL
Model Terbaik
Gabungan
Peramalan
75000 8 7 12
Netflow Kartal (Milyar Rupiah)
50000
12
9 12 9
12
12
25000
12 10 12
0
12
12
10
6 9 45 7 8 3 2
6
9
3 5 7 4 8 2
1
3
4
2
6
9
6 5
8
6
3
7
4
4
5 4
8
3 5
7 8 11
7
11 2
1
2
3
67
7 4 6 5
11
34
1
7
5 10
910
3
6
11 10
5 11
10 11 23
2
2
11
-25000
11
5
10
6 8
8
9
4
0
2 1
1
1 1
11
9
10
1 8
10 1
-50000 Month Year
9
Jan 2005
Jan 2006
Jan 2007
Jan 2008
Jan 2009
Jan 2010
Jan 2011
Jan 2012
Jan 2013
22
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Model Terbaik
NET OUTFLOW TERTINGGI
NET INFLOW TERTINGGI
• Desember
• Januari
• Oktober (2005 dan 2006)
• Nopember (2005 - 2007)
• September (2007 - 2009)
• Oktober (2008 dan 2009)
• Agustus (2010 - 2012)
• September (2010 - 2012)
• Juli (2013)
• Agustus (2013)
Peramalan
23
Karakteri stik
Idul Fitri
Tahun Tanggal Idul Fitri
Stat Deskriptif
Variasi Kalender
Keterangan
ARDL
Gabungan
Model Terbaik
Peramalan
Net inflow Tertinggi
Net outflow Tertinggi
2005 03 – 04 Nopember Minggu Ke-1 Nopember
Januari, Nopember
Oktober, Desember
2006 23 – 24 Oktober
Minggu Ke-4 Oktober
Januari, Nopember
Oktober, Desember
2007 12 – 13 Oktober
Minggu Ke-2 Oktober
Januari, Nopember
September, Desember
2008 01 – 02 Oktober
Minggu Ke-1 Oktober
Januari, Oktober
September, Desember
2009 21 – 22 September Minggu Ke-4 September
Januari, Oktober
September, Desember
2010 10 – 11 September Minggu Ke-2 September
Januari, September
Agustus, Desember
2011 30 – 31 Agustus
Minggu Ke-4 Agustus
Januari, September
Agustus, Desember
2012 19 – 20 Agustus
Minggu Ke-3 Agustus
Januari, September
Agustus, Desember
2013 08 – 09 Agustus
Minggu Ke-2 Agustus
Januari, Agustus
Juli, Desember
24
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Model Terbaik
NET OUTFLOW TERTINGGI
NET INFLOW TERTINGGI
• Desember
• Januari
• Bulan terjadinya Idul Fitri (Jika Idul Fitri pada minggu ke-3 atau ke-4)
• Bulan terjadinya Idul Fitri (jika Idul Fitri pada minggu ke-1 atau ke-2)
• Satu bulan sebelum Idul Fitri (Jika Idul Fitri pada minggu ke-1 atau ke-2)
• Satu bulan setelah Idul Fitri (jika Idul Fitri pada minggu ke-3 atau minggu ke-4)
Peramalan
25
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Model Terbaik
Peramalan
40000
30000
20000
10000
0
-10000
Satu Bulan Sebelum Idul Fitri
Saat Idul Fitri
Satu Bulan Setelah Idul Fitri
-20000
-30000
-40000
Minggu ke-1
Minggu ke-2
Minggu ke-3
Minggu ke-4
26
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Model Terbaik
Peramalan
• Satu bulan sebelum terjadinya Idul Fitri, rata-rata kebutuhan uang kartal tercatat net inflow dengan tren menurun jika Idul Fitri terjadi pada minggu pertama, kedua, ketiga, dan keempat • Pada saat Idul Fitri, rata-rata kebutuhan uang kartal mengalami net inflow yang tinggi jika Idul Fitri terjadi pada minggu pertama, net inflow yang rendah jika Idul Fitri terjadi pada minggu kedua, net outflow jika Idul Fitri terjadi pada minggu ketiga, dan net outflow yang semakin tinggi jika Idul Fitri terjadi pada minggu keempat. • Sebulan setelah Idul Fitri, rata-rata kebutuhan uang kartal tercatat net outflow jika Idul Fitri terjadi pada minggu pertama dan tercatat net inflow yang semakin tinggi jika Idul Fitri terjadi pada minggu kedua, ketiga, dan keempat.
27
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Regresi Time Series
Gabungan
Model Terbaik
Peramalan
ARIMAX
MODEL TERBAIK
Residual White Noise dan mengikuti berdistribusi normal
28
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Regresi Time Series
Gabungan
Model Terbaik
Peramalan
ARIMAX
MODEL TERBAIK
Residual White Noise dan belum mengikuti distribusi normal 29
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
15,0
Model Terbaik
Peramalan
Variable SBI IHK/10 KURS/1000
Data
12,5
10,0
7,5
5,0
Bulan
Jan
Jan
Jan
Jan
Jan
Jan
Jan
Jan
Jan
T ahun
2005
2006
2007
2008
2009
2010
2011
2012
2013
30
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Ekonometrika
Model Terbaik
Peramalan
Time Series
REGRESI SEKUENSIAL SUKU BUNGA SBI
INDEKS HARGA KONSUMEN
KURS RUPIAH/DOLLAR AS
31
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Model Terbaik
Gabungan
Peramalan
Time Series
Ekonometrika
REGRESI SERENTAK 1,0 0,8
Autocorrelation
0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1
5
10
15
20
25
30
35
40
45
50
55
60
65
70
Lag
32
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Model Terbaik
Gabungan
Peramalan
Time Series
Ekonometrika
UJI SIGNIFIKANSI PARAMETER Variabel
Koefisien
SE
T-value
P-value
Konstanta
24979
34053
0,73
0,465
X1(t)
1290
4092
0,32
0,753
X1(t-1)
-1491
4185
-0,36
0,723
X2(t)
25,6
213
0,12
0,905
X3(t)
-2,516
2,09
-1,2
0,233
y(t-1)
-0,32624
0,0798
-4,09
0
y(t-12)
0,68625
0,0792
8,66
0
model ARDL berbasis
ekonometrik belum layak digunakan
33
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Ekonometrika
Model Terbaik
Peramalan
Time Series
SINGLE INPUT (SUKU BUNGA SBI)
34
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Ekonometrika
Model Terbaik
Peramalan
Time Series
UJI SIGNIFIKANSI PARAMETER
35
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Ekonometrika
Model Terbaik
Peramalan
Time Series
SINGLE INPUT (IHK)
Residual White Noise dan belum mengikuti distribusi normal, variabel IHK signifikan
36
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Ekonometrika
Model Terbaik
Peramalan
Time Series
SINGLE INPUT (KURS)
Residual White Noise dan belum mengikuti distribusi normal, variabel Kurs tidak signifikan
37
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Ekonometrika
Model Terbaik
Peramalan
Time Series
MULTI INPUT
Residual White Noise dan belum mengikuti distribusi normal, hanya variabel IHK yang signifikan
38
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Model Terbaik
Peramalan
MODEL TERBAIK
Residual White Noise dan mengikuti distribusi normal, semua variabel signifikan 39
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
Model Terbaik
Peramalan
40
Karakteri stik
Stat Deskriptif
Idul Fitri
Variasi Kalender
ARDL
Gabungan
Model Terbaik
Peramalan
INTERPRETASI 3000 2500
40000,0 25000 30000,0
20000
20000,0
15000
2000 1500 1000
10000 10000,0
0,0
-10000,0
-20000,0
Satu Bulan Sebelum Idul Fitri
Saat Idul Fitri
Satu Bulan Setelah Idul Fitri
5000
500
0
0
-5000
-500
-10000
-1000
-15000 -1500 -30000,0
-20000 -2000
-25000
-40000,0
Minggu ke-1 Minggu ke-3
Minggu ke-2 Minggu ke-4
Januari September
Februari Oktober
Juni Desember
IHK (t-2)
IHK (t-3)
IHK (t-5)
41
Karakteri stik
Idul Fitri
Stat Deskriptif
Variasi Kalender
ARDL
Gabungan
75000
Model Terbaik
Peramalan
Variable Actual Forecast
Netflow Uang Kartal
50000
net outflow uang kartal tertinggi akan terjadi pada bulan Juli 39,12 triliun rupiah) 25000
0
-25000
-50000 Bulan
Jan
Jan
Jan
Jan
Jan
Jan
Jan
Jan
Jan
Jan
Tahun
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
net inflow uang kartal tertinggi akan terjadi pada bulan Januari -38,83 triliun rupiah) 42
Bab V Kesimpulan dan Saran
43
Kesimpulan
Saran
• Karakteristik netflow uang kartal dipengaruhi oleh adanya variasi kalender yang disebabkan perayaan tahunan Idul Fitri. Selain itu, juga terdapat efek musiman dari bulan-bulan tertentu • Model terbaik untuk meramalkan netflow uang kartal adalah model gabungan antara variasi kalender berbasis ARIMAX dan model ARDL berbasis time series. • Pada tahun 2014, net
inflow tertinggi akan terjadi pada bulan Januari yakni sebesar -38,83 triliun rupiah dan net outflow tertinggi akan terjadi pada bulan Juli yakni sebesar 39,12 triliun rupiah.
44
Kesimpulan
Saran
• Pada penelitian selanjutnya sebaiknya dilakukan komparasi model dengan pendekatan ekonometrik yang lebih advance ataupun dengan model-model non-linear untuk mendapatkan residual hasil ramalan yang lebih kecil.
45
Daftar Pustaka Akinlo, A. Enisan. (2005). The Stability of Money Demand in Nigeria: An Autoregressive Distributed Lag Approach. Journal of Policy Modelling 28 page 445-452. Baharumshah, A.Z, Mohd, S.H, dan Masih, A. M. M. (2009). The Stability of Money Demand in China: Evidence from the ARDL Model. Economic Systems 33 page 231-244. Cryer, J.D. dan Chan, K.-S. (2008). Time Series Analysis: With Applications in R (2nd ed.). New York: Springer Science+Business Media, LLC. Gujarati, Damodar N. (2004). Basic Econometrics.The-McGraw Hill Company Hasanah, Heni. (2009). Stabilitas Moneter pada Sistem Perbankan Ganda di Indonesia. Tesis. Program Pascasarjana Depertemen Ilmu Ekonomi Institut Pertanian Bogor. Hidayat, Imam. (2010). Analisis Pengaruh Harga Bahan Bakar Minyak Eceran dan Industri Terhadap Indeks Harga Kelompok Komoditi Pembentuk Indeks Harga Konsumen di Indonesia. Tesis. Program Magister Perencanaan dan Kebijakan Publik, Universitas Indonesia. Insukindro dan Aliman. (1999). Pemilihan dan Bentuk Fungsi Empirik: Studi Kasus Permintaan Uang Kartal Riil di Indonesia. Jurnal Ekonomi dan Bisnis Indonesia, Vol. 14, No. 4:49-61.
46
Daftar Pustaka Kadiman, Irawan (2005). Teori dan Indikator Pembangunan. Jakarta: Lembaga Administrasi Negara Republik Indonesia Makridakis S, Wheelwright, S. C. dan McGee, V. E. (1999). Metode dan Aplikasi Peramalan, Edisi kedua. Jakarta: Binurapa Aksara. Manurung, Mandala dan Rahardja, Pratama. (2004). Uang, Perbankan, dan Ekonomi Moneter (Kajian Kontekstual Indonesia). Jakarta: Lembaga Penerbit FEUI. Pesaran, M. Hashem and Shin, Yongcheol. (1997). An Autoregressive Distributed Lag Modelling Approach to Cointegration Analysis. Symposium at the Centennial of Ragnar Frisch, The Norwegian Academy of Science and Letters, Oslo, March 3-5. Rangkuti, Agus Edy. (2007). Analisis Faktor-Faktor yang Mempengaruhi Permintaan Uang Kartal di Indonesia. Tesis. Program Pascasarjana Program Studi Ekonomi Pembangunan, Universitas Sumatera Utara. Rosadi, Dedi. (2011). Analisis Ekonometrika dan Runtun Waktu Terapan dengan R. Yogyakarta: Penerbit ANDI Setiawan, Wawan. (2010). Analisis Dampak Fluktuasi Perekonomian Dunia Terhadap Efektifitas Kebijakan Moneter. Tesis. Program Studi Magister Perencanaan dan Kebijakan Publik, Universitas Indonesia. 47
Daftar Pustaka Solikin dan Suseno. (2002). Uang: Pengertian, Penciptaan, dan Peranannya dalam Perekonomian. Jakarta: Bank Indonesia. Suhartono, Lee, M.H., dan Hamzah, N.A. (2010). Calendar Variation Model Based on Time Series Regression for Sales Forecast: The Ramadhan Effects. Proceedings of the Regional Conference on Statistical Sciences, 30-41. Suherman. (2003). Estimasi Model Permintaan Uang Kartal Indonesia 1990:12002:IV Error Correction Model. Tesis. Magister Perencanaan Dan Kebijakan Publik Fakultas Ekonomi Universitas Indonesia. Suryaningtyas, Wahyuni. (2011). Peramalan Volume Penjualan Celana Panjang di Boyolali dengan Menggunakan Model Variasi Kalender. Prosiding dalam Seminar Nasional Matematika dan Pendidikan Matematika tanggal 3 Desember 2011 di Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta. Utari, Maria. (2013). Market-to-Retail Pass-Through dan Faktor-Faktor yang Mempengaruhinya: Kajian Empiris di 36 Negara di Dunia. Skripsi. Program Sarjana Departemen Ilmu Ekonomi Institut Pertanian Bogor. Wei, W. W. S. (2006). Time series Analysis Univariate and Multivariate Methods. New York: Pearson education, Inc. 48
Terimakasih
49
