Inflasi merupakan salah satu indikator penting dalam makroekonomi yang perlu dikendalikan. Dari segi perekonomian, inflasi merupakan suatu fenomena moneter dalam suatu negara, dimana kenaikan dan penurunannya cenderung menimbulkan gejolak perekonomian sehingga perlu dilakukan upaya untuk menjaga tingkat inflasi tetap rendah untuk menjaga stabilitas perekonomian. Berdasarkan sensus penduduk tahun 2020, Pulau Jawa merupakan rumah bagi 56% penduduk Indonesia. Badan Pusat Statistik (BPS) mengindikasikan bahwa aktivitas ekonomi masih terlihat di Pulau Jawa, hal ini menunjukkan peran penting Pulau Jawa dalam struktur perekonomian Indonesia. Pada tahun 2023, Pulau Jawa memberikan kontribusi sebesar 57,27% terhadap perekonomian nasional dan 5,18% terhadap Produk Domestik Bruto (PDB), menjadikannya indikator penting untuk mengukur tingkat inflasi Indonesia secara keseluruhan.
Inflasi cenderung meningkat dengan cepat jika tidak diatasi dan akan memperlambat pertumbuhan ekonomi. Inflasi berdampak buruk pada pekerja penerima gaji, karena peningkatan inflasi yang cepat dibandingkan dengan pertumbuhan upah dapat menurunkan standar hidup secara keseluruhan. Salah satu pendekatan untuk mengendalikan inflasi adalah dengan membuat prediksi untuk periode mendatang. Inflasi merupakan data time series dan salah satu model yang paling umum digunakan untuk data time series adalah model Autoregressive Integrated Moving Average (ARIMA). Model ARIMA yang dikembangkan sebelumnya oleh Benvenuto et al. untuk memperkirakan penyebaran Covid-19, Poongodi dkk. untuk meramalkan harga bitcoin, dan oleh Shadab et al. untuk meramalkan radiasi matahari bulanan.
Dari beberapa penelitian sebelumnya, diduga data tersebut tidak hanya mempunyai keterkaitan dengan data periode sebelumnya, namun juga dengan data lokasi sekitar. Karena model ARIMA hanya fokus pada peramalan deret waktu tanpa mempertimbangkan efek spasial, diperlukan model yang memperluas kerangka kerja untuk menggabungkan ketergantungan spasial sehingga lebih cocok untuk menganalisis data dengan pola temporal dan spasial.
Oleh karena itu, pada penelitian ini akan digunakan model Space-Time Autoregressive (STAR). Namun STAR hanya cocok untuk lokasi yang homogen sehingga Ruchjana mengembangkan model Generalized Space-Time ARIMA (GSTARIMA) untuk lokasi heterogen. GSTARIMA dikembangkan sebelumnya oleh Ajobo dkk. menggunakan metode estimasi parameter Seemingly Unrelated Regression (SUR) untuk meramalkan curah hujan dan suhu bulanan di negara-negara Afrika Barat, Salsabila et al. untuk meramalkan data iklim dan menyimpulkan bahwa urutan waktu yang tepat akan menghasilkan model yang lebih akurat, dan oleh Mukhaiyar dkk. dengan variabel eksogen untuk meramalkan kasus demam berdarah di Provinsi Kalimantan Barat.
Anggraeni dkk. mengembangkan ARIMA, GSTARIMA, dan model ensembel untuk meramalkan curah hujan di Kota Jember. Pada penelitian ini, prediksi inflasi setiap provinsi di Pulau Jawa dilakukan dengan menggunakan metode ARIMA dan GSTARIMA. Model dengan akurasi lebih baik akan ditentukan menggunakan nilai Root Mean Squared Error (RMSE) sebagai metrik evaluasi. Perkiraan nilai inflasi diharapkan dapat menjadi masukan bagi pengambilan kebijakan oleh pemangku kepentingan terkait.
Inflasi merupakan salah satu permasalahan makroekonomi di Indonesia yang perlu dikendalikan. Inflasi dapat terjadi karena kenaikan harga barang dan jasa yang meluas. Laju inflasi tahunan di Indonesia pada tahun 2008 hingga 2023 cukup berfluktuasi dan beberapa periode belum mencapai sasaran inflasi. Salah satu cara untuk mengendalikan inflasi adalah dengan membuat prediksi untuk periode yang akan datang. Pulau Jawa merupakan penyumbang perekonomian dan Produk Domestik Bruto (PDB) terbesar di Indonesia sehingga dapat dijadikan sebagai indikator umum untuk mengukur tingkat inflasi Indonesia secara keseluruhan.
Dengan demikian, data yang digunakan dalam penelitian ini adalah inflasi bulanan tiap provinsi di Pulau Jawa mulai bulan Januari 2008 hingga Desember 2023. Penelitian ini menggunakan dua metode yaitu Autoregressive Integrated Moving Average (ARIMA) untuk prediksi time series univariat dan Generalized Space-Time ARIMA (GSTARIMA) untuk prediksi deret waktu multivariat dengan faktor spasial. Hasil dari kedua model akan dibandingkan untuk menentukan model mana yang memiliki akurasi lebih baik. Berdasarkan nilai RMSE, model GSTARIMA memiliki nilai rata-rata RMSE paling kecil yaitu 0,113 dibandingkan dengan model ARIMA yang memiliki nilai rata-rata RMSE 0,319 sehingga dapat disimpulkan bahwa penambahan faktor spasial dapat meningkatkan akurasi prediksi di Pulau Jawa.
Tulisan ini bertujuan untuk mendapatkan prediksi tingkat inflasi Pulau Jawa untuk menentukan kebijakan yang lebih baik dalam pengendalian harga barang dan jasa. Model terbaik yang menggunakan metode GSTARIMA adalah GSTARMA(1,1) dengan matriks invese jarak yang menunjukkan bahwa titik koordinat setiap lokasi meningkatkan kinerja prediksi tingkat inflasi. Hasilnya menunjukkan bahwa GSTARIMA memiliki akurasi yang lebih baik dibandingkan ARIMA untuk prediksi di Pulau Jawa berdasarkan nilai RMSE.
Penulis: Anisya Safira, S.Si.D, Riswanda Ayu Dhiya檜lhaq, S.Si.D, Indah Fahmiyah, S.Si, M.Stat, Mohammad Ghani, Ph.D.
Tautan Artikel:
Baca juga: Panca Tirta Jadi Ajang Pengenalan 45 UKM bagi Mahasiswa Baru
