ANALISIS DATA INFLASI INDONESIA MENGGUNAKAN METODE FOURIER DAN WAVELET MULTISCALE AUTOREGRESIVE

Abstract

Analisis regresi merupakan metode statistika untuk mengetahui hubungan antara variabel prediktor dan variabel respon. Pendekatan regresi dapat dilakukan dengan  pendekatan parametrik dan nonparametrik. Pendekatan parametrik ketat dengan asumsi dan harus dipenuhi untuk mendapatkan model yang baik. Sementara pendekatan nonparametrik tidak ketat dengan asumsi karena metode tersebut didasarkan pada pendekatan kurva yang tidak diketahui bentuknya. Pendekatan nonparametrik dapat dilakukan dengan beberapa pendekatan diantaranya metode Fourier dan Wavelet. Metode Fourier merupakan metode yang didasarkan pada deret cosinus atau sinus. Metode Fourier sangat sesuai untuk data yang mengalami pola berulang atau stasioner. Sedangkan pada pemodelan wavelet tidak hanya terbatas pada data berulang atau stasioner saja, akan tetapi juga mampu memodelkan data yang tidak stasioner. Pada penelitian ini dimodelkan nilai Inflasi di Indonesia dari Januari 2007 sampai Agustus 2017.  Variabel responnya adalah nilai inflasi, sedangkan variabel prediktornya adalah waktu. Metode Fourier dengan K=100 menghasilkan MSE sebesar 0,846216 dan R² sebesar 80,12%. Model Wavelet menggunakan Multiscale Autoregresive dengan filter Haar, J=4 dan A_j = 2  mempunyai MSE sebesar 0,312 dengan R²  sebesar  96,91%.  Pada model Fourier dengan K=100 diperlukan parameter sebanyak 102 buah sedangkan model wavelet dengan J=4 dan A_j = 2 hanya diperlukan parameter sebanyak 10 buah. Jadi model wavelet sangat efisien dengan kinerja yang lebih bagus dibandingkan dengan model Fourier.

Kata Kunci: Inflasi, nonparametrik, Fourier, Wavelet, MSE