Peningkatan aktivitas ekonomi guna memacu pertumbuhan ekonomi nasional merupakan salah satu fokus dalam tujuan pembangunan berkelanjutan atau Sustainable Development Goals (SDGs). Aktivitas ekonomi tersebut berlangsung semakin cepat dengan penggunaan uang elektronik atau yang dikenal dengan e-money. Penggunaan uang elektronik memiliki banyak manfaat seperti mempercepat peredaran uang dan memberikan kemudahan dalam setiap kegiatan perekonomian dan perdagangan.
Di Indonesia, volume transaksi uang elektronik meningkat signifikan dalam beberapa tahun terakhir. Hal ini dimulai sejak Bank Indonesia melakukan transformasi dengan mencanangkan Gerakan Nasional Non-Tunai pada tahun 2014. Gerakan tersebut diikuti dengan program elektronifikasi dalam sistem pemerintahan yang mengubah sistem pembayaran tunai menjadi non-tunai. Pada masa pandemi COVID-19, penggunaan sistem pembayaran non-tunai semakin meluas akibat kebijakan pembatasan sosial (social distancing). Untuk itu, peramalan volume transaksi uang elektronik di Indonesia menjadi sangat penting sebagai bahan evaluasi kebijakan peningkatan pertumbuhan ekonomi melalui peran ekonomi digital.
Dalam penelitian ini, peramalan volume transaksi uang elektronik dilakukan dengan mempertimbangkan beberapa variabel eksogen seperti infrastruktur uang elektronik dan kondisi pandemi COVID-19. Kesiapan infrastruktur merupakan komponen utama dalam mewujudkan sistem ekonomi digital, khususnya penggunaan uang elektronik. Selain itu, kondisi pandemi juga dinilai ikut berperan dalam mendorong perkembangan volume transaksi uang elektronik. Penelitian dilakukan dengan membandingkan keakuratan model dari pendekatan metode statistika klasik dan pendekatan machine learning untuk memprediksi volume transaksi uang elektronik di Indonesia. Pendekatan statistika klasik dilakukan melalui model ARIMAX-GARCH, sedangkan pendekatan machine learning dilakukan melalui model Support Vector Regression (SVR).
Hasil penelitian menunjukkan bahwa kedua variabel eksogen berpengaruh signifikan terhadap volume transaksi uang elektronik. Selain itu, model SVR menunjukkan akurasi yang lebih baik dibandingkan model ARIMAX-GARCH yang ditunjukkan dengan nilai Mean Absolute Percentage Error (MAPE) pada data pengujian yaitu sebesar 7,01% (untuk ARIMAX-GARCH) dan 3,35% (untuk SVR). Dengan demikian, penelitian ini diharapkan dapat dijadikan landasan dalam merumuskan kebijakan terkait perkembangan ekonomi digital, khususnya penggunaan uang elektronik untuk mendukung pertumbuhan ekonomi di Indonesia.
Informasi detail dari riset ini dapat dilihat pada artikel ilmiah berikut:
Forecasting the volume of electronic money transactions using ARIMAX-GARCH model and support vector regression, published in AIP Conference Proceedings 2975, 080013 (2023).
Authors: Sediono, Christopher Andreas, M. Fariz Fadillah Mardianto, Elly Ana, Suliyanto, dengan link sebagai berikut:
