ARDL Method: Forecasting Data Kemiskinan di NTB

Aulia Rahmasari; Eka Hawari Sunani; Miftahul Jannah; Fathulaili Fathulaili; Linda Kurnia; Ahmad Satria

doi:10.31764/jtam.v3i1.767

ARDL Method: Forecasting Data Kemiskinan di NTB

Aulia Rahmasari, Eka Hawari Sunani, Miftahul Jannah, Fathulaili Fathulaili, Linda Kurnia, Ahmad Satria

Abstract

Abstrak:Penelitian ini bertujuan untuk memprediksi data Jumlah penduduk miskin di Provinsi Nusa Tenggara Barat (NTB) tahun 2019 dengan menggunakan metodeAutoregressive Distributed Lag (ARDL). Jenis penelitian ini merupakan penelitian kuantitatif. Data yang digunakan dari tahun 2002-2018, dengan parameter error MAD, MSE, MRSE dan MAPE. Berdasarkan hasil simulasi data diperoleh hasil prediksi tahun 2019 jumlah penduduk miskin di NTB sebesar 718.059 jiwa, dengan nilai MAD sebesar 4.040,26667, MSE sebesar 1.943.057.717, MRSE sebesar 44.080,1284 dan MAPE sebesar 3%.

Abstract:This study aims to predict data on the number of poor people in the Province of West Nusa Tenggara (NTB) in 2019 by using the Autoregressive Distributed Lag (ARDL) method. This type of research is quantitative research. Data used from 2002-2018. With MAD, MSE, MRSE and MAPE error parameters. Based on the data simulation results obtained in 2019 prediction results the number of poor people at NTB is 718,059 people, with MAD value of 4,040,26667, MSE of 1,943,057,717, MRSE of 44,080,1284 and MAPE of 3%.

Keywords

Forecasting, ARDL, Kemiskinan

Full Text:

PDF

References

Aidah. (2011). Metode Time Series Autoregressive Untuk Peramalan Tingkat Inflasi Kota Pekanbaru. Skripsi

Apriyanto. D, (2016). Analisis Faktor-Faktor Yang Mempengaruhi Return Indeks Harga Saham Gabungan (Ihsg) Di Indonesia. Skripsi. Bogor

Fadhilah, N danSukmana, R. (2017). Pengaruh Sertifikat Bank Indonesia Syariah (SBIS) Jakarta Islamic Index (JII), Tingkat Inflasi, dan Index Harga Saham Gabungan (IHSG) Terhadap Nilai Tukar: Pendekatan Autoregressive Distributed Lag (ARDL), Jurnal Ekonomi Syariah Teori Dan Terapan, 4(1), 833-846

Gujarati, D dan Poter, Dawn, C. (2012). Dasar Ekonometrika Buku 2, Edisi Kelima. Jakarta:Salemba Empat.

Gujarati, D. (2014). Dasar-Dasar Ekonometrika. Solo: Salemba Empat

H. Elkadhi Dan R. Hamida. (2014). The Short-Term Effects Of Air Popullation On Health In Sfax(Tunisia): An Ardl Cointegration Procedure, ICVE, 19–21

Margi, K. Dan Pendawa, W, S. (2015). Analisa Dan Penerapan Metode Single Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu, Jurnal Teknologi Informasi, 11(2), 12-20

Nuraini, R. (2015), Desain Algorithma Operasi Perkalian Matriks Menggunakan Metode Flowchart, Jurnal Teknik Komputer Amik BSI, 1(1), 144-151

Pakaja, F., Naba, A., Purwanto. (2012), Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan Dan Certainty Factor, Jurnal Eeccis, 6(1), 45-55

Pratama, I. H. P., & Saputro, D. R. S. (2018). Model Runtun Waktu Vector Autoregressive Moving Average With Exogenous Variable (VARMAX), KNPMP III, 490-497

Putra, E, A. (2015). Analisis Curah Hujan Bulanan Menggunakan Metode Eksponential Smoothing (Studi Kasus : Katulampa Bogor ), Departemen Geofisika Dan Meteorology Fakultas Matematika Dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Bogor

Rosadi, Dedi. (2011). Analisis Ekonometrika & Runtun Waktu Terapan Dengan R,Aplikasi Untuk Bidang Ekonomi, Bisnis, Dan Keuangan. Yogyakarta: C.VAndi Offset.

Sungkawa, I. Dan Megasari R.T. (2011). Penerapan Ukuran Ketetapan Nilai Ramalan Data Deret Waktu Dalam Seleksi Model Peramalan Volume Penjualan Pt Satriamandiri Citramulia. Jakarta: Binus University.

DOI: https://doi.org/10.31764/jtam.v3i1.767