Studi penelitian ini didasarkan pada pemodelan keuangan time series

dengan khusus applikasi khusus pada data inflasi Tanzania

Data inflasi mulai dari Januari 1997 sampai Desember 2010. Data

diperoleh dari Tanzania Biro Nasional Statistik

Tahap-tahap pembangunan model yaitu, identifikasi, estimasi dan

pengecekan

Sebuah model fit terbaik dipilih berdasarkan bagaimana model dapat

menangkap variasi stokastik dalam data. Kecocokan data dinilai melalui

kriteria informasi Akaike (AIC), Bayesian informasi kriteria (BIC) dan

standard error (SE). Berdasarkan nilai minimum AIC dan nilai-nilai BIC,

model GARCH terbaik cocok cenderung GARCH (1,1) dan GARCH

(1,2). Setelah estimasi parameter dari model yang dipilih, serta akurasi

diagnostik dan perkiraan tes dilakukan. Setelah memeriksa semua

asumsi model, GARCH (1,1) model yang dinilai menjadi model terbaik

untuk peramalan. Berdasarkan model yang dipilih, kita diperkirakan dua

belas (12) bulan inflasi tingkat Tanzania di-sample periode (yaitu dari

Januari 2010 sampai Desember 2010)

Dari hasil, telah diamati bahwa seri perkiraan dekat dengan seri yang

sebenarnya.

Latar Belakang Masalah

inflasi telah menjadi salah satu tantangan utama sebagian besar negara

di dunia terutama di Afrika termasuk Tanzania. Inflasi adalah fokus utama

dari kebijakan ekonomi seluruh dunia seperti yang dijelaskan oleh David

(2001).dinamika dan evolusi Inflasi dapat dipelajari menggunakan

pendekatan stokastik model yang menangkap struktur waktu tergantung

pada waktu seri data inflasi heteroskedastisitas bersyarat

autoregressive / autoregressive conditional heteroscedasticity (ARCH)

model, dengan ekstensi generalized autoregressive conditional

heteroscedasticity (GARCH) model sebagai diperkenalkan oleh Engle

(1982) dan Bollerslev (1986) masing-masing mengakomodasi dinamika

heteroskedastisitas bersyarat (yang mengubah sifat varians dari data).

Heteroskedastisitas mempengaruhi akurasi perkiraan batas-batas

kepercayaan (forecast confidence) dan dengan demikian harus ditangani

dengan baik dengan membangun model sesuai varians model non-

konstan (Amos, 2009).

Inflasi seperti yang dijelaskan oleh kamus Webster (2000), adalah

peningkatan terus-menerus harga dalam tingkat konsumen atau

penurunan terus-menerus dalam daya beli uang. Inflasi juga dapat

dinyatakan sebagai situasi ketika permintaan terhadap barang dan jasa

melebihi pasokan mereka dalam perekonomian (Hall, 1982). Dalam

kenyataannya inflasi berarti bahwa uang Anda tidak bisa membeli

sebanyak apa yang bisa membeli kemarin. Cara yang paling umum dari

pengukuran inflasi adalah Indeks Harga Konsumen (CPI) selama bulanan,

kuartalan atau tahunan. Rumus untuk menghitung inflasi data dapat

didefinisikan sebagai berikut

Misalkan Pt menjadi tingkat harga rata-rata saat ini dari ekonomi

sekeranjang barang dan jasa dan Pt-1 adalah tingkat harga rata-rata

keranjang setahun yang lalu pada waktu t

Langkah alternatif adalah penghitungan inflasi adalah dengan dihitung

dari produk domestik bruto (PDB) yang biasanya diambil setiap tahun. Di

Tanzania CPI dihitung oleh Biro Nasional Statistik di bawah naungan

Departemen Keuangan.  CPI Nasional meliputi harga yang dikumpulkan

dalam dua puluh kota di daratan Tanzania. Semua harga yang dihitung

merupakan harga berlaku harga pasar dan dikumpulkan untuk 207 item.

CPI adalah sosok dinamis diperoleh dengan mengukur variasi harga dari

banyak barang dan jasa yang dikonsumsi oleh rumah tangga Tanzania

setiap bulan. Berbagai jenis pengeluaran dikelompokkan bersama dalam

sebuah keranjang dan barang dengan pengeluaran volume tinggi

memiliki bobot paling berat dan karena itu memiliki dampak yang paling

berpengaruh pada penghitungan indeks. Setelah CPI diketahui, tingkat

inflasi adalah tingkat perubahan dalam CPI selama periode misalnya

bulan-ke-bulan inflasi dan biasanya unit adalah dalam persentase. Inflasi

dapat disebabkan terlalu banyak uang beredar di negara itu atau terlalu

sedikit barang yang ditawarkan untuk dijual. Orang yang hidup dengan

pendapatan tetap paling menderita ketika harga kenaikan komoditas,

karena mereka tidak bisa membeli sebanyak yang mereka bisa membeli

sebelumnya (Aidoo, 2010). Inflasi yang tak terduga membuat harga di

masa depan tidak diketahui, sebagai situasi ini menghambat tabungan

karena adanya fakta bahwa uang bernilai lebih saat ini daripada di masa

depan. Hal ini menyebabkan alokasi inefisiensi sumber daya ekonomi . hal

tersebut mengurangi pertumbuhan ekonomi, karena ekonomi

membutuhkan tingkat tabungan untuk membiayai investasi yang

meningkatkan pertumbuhan ekonomi.

1.1.1 Inflasi Kinerja di Tanzania

Kecenderungan historis inflasi di Tanzania menunjukkan bahwa inflasi

selalu menunjukkan dua digit angka mulai tahun 1966. Pada 1970-an,

berfluktuasi antara 10% dan 20%. Pada akhir 1970-an dan awal 1980,

Inflasi meningkat ke level 30%.  pada level ini terjadi kestabilan , dan

hanya turun menjadi 20% pada akhir 1980-an. strategi Pemerintah Tan

zania untuk mengurangi inflasi sejak 1986 berfokus pada kebijakan uang

dan peningkatan hasil produksi. Tetapi  Inflasi tetap tinggi selama periode

ini , meskipun pada tingkat yang sedikit lebih rendah dari tingkat pra-

reformasi yaitu 22,3% pada 1985 (Rutayisire, 1986) Penurunan signifikan

dalam tingkat inflasi sejak tahun 1994 mencerminkan dampak kebijakan

moneter dan fiskal yang ketat yang diambil oleh pusat bank dan

pemerintah. 

Inflasi menurun dari 15,5% pada Desember 1996 menjadi 5,5% pada

bulan Desember 2000; namun, meningkat menjadi 6,7% pada Desember

2006. Periode antara Desember 2000 dan Desember 2005, inflasi turun

menjadi 6,2% dan 4,4% masing-masing. Dari 6,7% tahun 2006 inflasi

telah meningkat dan mencapai menjadi 11,6% pada tahun 2010 (Tanzania

Biro Nasional Statistik, 2010)

Studi penelitian dimaksudkan untuk model perilaku jangka panjang

bulanan Data tingkat inflasi Tanzania 1997-2010 dan memprediksi nilai

masa depan.  Hal tersebut merupakan cara terbaik untuk mempelajari

dan memahami fenomena yang mendasari inflasi proses adalah untuk

membangun model stokastik praktis matematika .

1.2 Rumusan Masalah

data inflasi memiliki varians yang berubah berdasarkan waktu (fenomena didefinisikan sebagai heteroskedastisitas)masalah pemodelan dan peramalan inflasi di Tan zania, telah banyak dilakukan penelitian, tapi tidak ada studi matematika sebelumnya yang menggunakan data Tanzania inflasi bulanan untuk model bersyarat varians dan nilai-nilai perkiraan masa depan

Masalah :

1. karya ini bermaksud menggunakan heteroskedastisitas bersyarat

autoregressive (ARCH) model dengan nya ekstensi untuk umum

(GARCH) model ARCH untuk memodelkan dan mengakomodasi

dinamika heteroskedastisitas kondisional dalam data inflasi. 

2. Selain itu dengan menemukan model yang tepat untuk mewakili

data, penelitian ini bermaksud untuk menggunakannya untuk

memprediksi nilai masa depan berdasarkan pengamatan terakhir.

1.3 Tujuan Penelitian

1.3.1 Tujuan Umum

Tujuan umum dari penelitian ini adalah untuk menetapkan autoregressive

umum

heteroskedastisitas bersyarat time series model untuk menganalisis data

inflasi di Tanzania.

1.3.2 Tujuan Khusus

Tujuan khusus dari penelitian ini adalah:

• Untuk mengembangkan model seri waktu (GARCH model) untuk data

inflasi di Tanzania.

• Untuk menentukan akurasi dari model.

• Untuk menentukan tingkat inflasi di masa depan.

1.4 Manfaat Penelitian

Studi penelitian adalah signifikan untuk beberapa pihak sebagai berikut:

• Untuk Akademisi dan peneliti; Studi penelitian ini diharapkan dapat

memberikan pengetahuan dan dasar untuk lebih lanjut studi di daerah

yang sama atau bidang terkait lainnya studi.

• Untuk para pembuat kebijakan; Studi ini dimaksudkan untuk

memberikan kontribusi terhadap pembuatan kebijakan melalui

pengembangan model yang dapat digunakan untuk meramalkan inflasi

sehingga memandu pembuat kebijakan di merumuskan kebijakan

ekonomi makro.

BAB 4

bab ini untuk mencocokan data dengan GARCH model untuk Data tingkat

inflasi Tanzania yang kami memperoleh milik dari Biro Nasional Statistik

Tanzania

4.2 Deskripsi data dan Statistik DasarData yang digunakan dalam penelitian ini terdiri dari 168 bulanan hasil observasiInflasi harga Tanzania mulai dari 1 Januari 1997 sampai dengan 31 Desember 2010. Di Tanzania Indeks Harga Konsumen (IHK) dihitung oleh Biro NasionalStatistik di bawah naungan Departemen Keuangan. Nasional CPImeliputi harga yang dikumpulkan dari dua puluh kota di daratan Tanzania harga pasar berlaku untuk 207 item.

Table 4.1: Descriptive Statistics for the Ination Rate Series.

  Price  ReturnMean 80.500 19.773Median 69.000 19.314

Std. Dev 36.475. 

0.5023Kurtosis 2.8019 6.9162

Skewness  0.8138 -

0.3811Maximum 17.2 26.391Minimum  0.2 -16.094

Jarque-Bera 558.432538.218

ADF(Level)  -0.576881  

ADF(1st dff )

-11.642.26

4  

Tabel 4.1 memberikan statistik deskriptif untuk harga konsumen bulanan

dan return.Dari tabel dapat diketahui bahwa rata-rata umum konstan

sebesar 8,1, standar deviasi sebesar 3,7, kemiringan positif dari 0,8138

menyiratkan bahwa distribusi memiliki long right tail dan kurtosis dari

2,8019. Nilai minimum dalam data ini adalah 0,2 dan nilai maksimum

adalah 17,2, memberikan range data 17,0. Di Sisi Lain, pada data return

memiliki kemiringan negatif -0,3811 menyiratkan bahwa distribusi

Memilikilong left tail.  Nilai untuk kurtosis tinggi (mendekati tiga), jadi,

distribusi yang memuncak relatif normal.  Jarque-Bera tes menolak

hipotesis nol pada tingkat 5% yang menunjukkan bahwa distribusi adalah

normal.  Jadi, sampel memiliki semua karakteristik keuangan, yaitu,

pengelompokan volatilitas(volatility clustering ) dan leptokurtosis.

Selanjutnya, dalam hal stasioneritas hasil dari Augmented Dickey Fuller

(ADF) uji pada Tabel 4.1 menunjukkan bahwa seri memiliki unit root dan

model seri sehingga dapat digunakan untuk memeriksa perilaku volatilitas

dari waktu ke waktu.

4.3 Transformasi

Gambar 4.1: Time Plot Bulanan Dalam asi di Tanzania

Seperti yang dinyatakan sebelumnya data time series yang digunakan

adalah non stasioner, varians mereka berubah berdasarkan

waktu . Perhatikan, misalnya, plot dari seri CPI untuk periode Januari 1997

hingga Desember 2010 di Gambar 4.1, jelas bahwa varians berubah

dengan waktu. Seri inflasi yang kita miliki dalam penelitian ini adalah non-

stasioner maka kami mengkonversi harga ke returns dengan transformasi

logaritmik. Logaritmik return didasarkan pada definisi matematika berikut

dimana• r t adalah return untuk waktu ke t,• P t adalah Indeks Harga Konsumen nilai pada waktu, t,• P t-1 adalah Indeks Harga Konsumen nilai pada waktu, t - 1.

Gambar 4.2: Difference Pertama dari Log dari CPI

Gambar 4.2 menggambarkan plot dari seri return yang dikonversi dari

data asli.  Data return tampaknya cukup stabil dari waktu ke waktu dan

transformasi telah menghasilkan proses stasioner.  perilaku hasil seri

inflasi ini sejalan dengan teori keuangan dan model yang mengasumsikan

hargapada return , menjadi data stasioner. Hal ini juga melihat pada

Gambar 4.9 (b) di mana normal Plot probabilitas menunjukkan garis yang

hampir lurus menunjukkan bahwa residual mengikuti distribusi yang

mendekati normal.

4.4 Pengujian untuk efek ARCH dan Korelasi Serial Seri Return

Bagian ini menggunakan uji statistik formal untuk menetapkan adanya

efek ARCH Dalam Data. Tes untuk heteroskedastisitas telah dilakukan

dengan menggunakan Ljung-Box-Pierce Q-test dan uji ARCH Engle. Tabel

4.2 menunjukkan Ljung-Box Pierce Q-test . H = 0 berarti bahwa tidak ada

korelasi yang signifikan korelasi ada. H = 1 berarti bahwa korelasi yang

signifikan.  Dari Tabel 4.2 dapat memverifikasi bahwa tidak ada korelasi

signifikan dalam data return. saat diuji pada lag 10,15 dan 20 dari ACF

pada tingkat signifikansi 5%.Namun, ada korelasi serial yang signifikan

dalam hasil kuadrat pada Tabel 4.3 dan Tabel 4.4, semua p - value

menunjukkan bahwa T - test dan tes ARCH di lag 10, lag lag 15 dan 20

adalah menampilkan signifikansi dari efek ARCH. 

Tabel 4.2: Ljung-Box-Pierce Q-test untuk Autokorelasi: (pada kepercayaan 95%).

Lag H   p  value Stat Critical Value10  0.0000 0.0721 17.1019 18.307015  0.0000 0.2359 18.529 24.995820 0.0000  0.3888 21.1416 31.4104

Tabel 4.3: Ljung-Box Q-test untuk Return kuadrat (di Keyakinan 95%).

Lag H   p  value Stat Critical Value10 1.000 0.0000 57.3782 18.307015 1.000 0.0000 76.7057 24.995820 1.000 0.0000 82.7525 31.4104

Tabel 4.4: Engle ARCH uji heteroskedastisitas: (di Keyakinan 95%).

Lag H  p value Stat

Critical V alue

10 1.000 0.0000 68.6467 18.307015 1.000 0.0000 67.9727 24.995820 1.000 0.0000 66.2913 31.4104

ARCH & GARCH(4)Pengujian Model ARCHHipotesis:Pengujian Model ARCHEngle (1982) Lagrange Multiplier test utk ARCH, dg step:Ettimasi AR(n) (regressi) dg OLS: yt= α0+ α1yt-1 +…+ αnyt-n + t Hitung Bila tak ada ARCH/ GARCH maka α0= α2=…= αq=0Ho: α0= α2=…= αq=0 •tidak ada ARCH error s/d order qH1: ada ARCHTest Statistik TR2 ~χ2qKeputusan : Tolak Ho bila TR2 >χ2q

Gambar 4.3: ACF untuk data Seri Return

Gambar ACF di atas digunakan untuk melihat autocorelasi dari data.

Metode lain yang berguna untuk memeriksa autokorelasi adalah dengan

cara memeriksa PACF

Gambar 4.4: PACF untuk Seri Return

Dalam Gambar 4.3 dan Gambar 4.4 yang ACF dan PACF tidak memberikan

indikasi korelasi pada karakteristik return .

Gambar 4.5: ACF dari Return Squared

Gambar 4.5 menunjukkan korelasi yang signifikan dan turun secara

perlahan-lahan. Hasil ini menunjukkan bahwa varians dari return ini

tergantung waktu dan dapat berubah dari waktu ke waktu. Dimana : εt =

Rt - C dan C adalah

Berarti rata-rata dari rt.

4.5 Model Estimasi dan Evaluasi

4.5.1 Model Pemilihan dan Analisis

Strategi yang digunakan dalam memilih model yang sesuai dari model

bersaing

didasarkan pada informasi Akaike kriteria (AIC), informasi Bayesian

kriteria (BIC), standar error (SE) dan pada tes signifikansi. MATLAB

perangkat lunak digunakan untuk melakukan trial and error untuk

menentukan model yang cocok terbaik.

Tabel 4.5 memberikan model yang disarankan dengan statistik masing-

masing. 

.Biasanya model GARCH sederhana menangkap sebagian besar

variabilitas di seri yang paling stabil. Tertinggal Kecil untuk p dan q yang

umum dalam aplikasi. Biasanya GARCH (1,1), GARCH (2,1) atau GARCH

(1,2) model yang memadai untuk pemodelan volatilitas bahkan selama

masa sampel panjang (Bollerslev, Chou dan Kro ner, 1992). Namun dalam

Tabel 4.5 di bawah ini kami telah memasukkan GARCH (1,0), GARCH (0,2)

dan GARCH (2,2) untuk memeriksa apakah mereka sesuai untuk waktu

pemodelan berbagai varians dari data kami. Pada Tabel 4.5 di bawah

lebih kecil AIC dan BIC lebih baik. 

Tabel 4.5: Perbandingan Model GARCH yang disarankan

Model AIC BIC SE Log-LikelihoodGARCH(0; 1) 489.0200 498.3560 0.1026  241.5100GARCH(1; 1) 474.8236 487.2715 0.0544 233.4118GARCH(0; 2) 478.5589 491.0068  0.0860 235.2794GARCH(1; 2) 475.5820 491.1419  0.0863 232.7910GARCH(2; 1) 476.8236 492.3835 0.0735 233.4118GARCH(2; 2) 477.1047 495.7766  0.0654 232.5524

Model yang diberikan dalam huruf tebal dinilai sebagai yang paling tepat

sesuai dengan kriteria di atas. Tabel 4.5 menunjukkan model yang baik

ditunjukkan dari AIC, BIC dan SE. Dari model kami dengan menggunakan

metode Maksimum likelihood , parameter estimasi model standard error

berkaitan dan tes statistik lainnya dapat dilihat pada Tabel 4.6,4.7 dan

4,8. Kami mulai pada Tabel 4.6 dengan fitting GARCH (1,1) terhadap data.

Parameter C K GARCH(1) ARCH(1)Estimates  0.0272  0.0753 0.5427   0.4573

Standard Error 0.0283  0.0254  0.0681   0.0958t - value 0.9627 29.656 67.136 56.619Pr(> |t|)  0.8315  < 0:0001 < 0:0001   < 0:0001

rt = 0,0272 + Ɛt

σ t2= 0,0753 + 0,45730 rt−1

2 + 0:54266 σ t−1

2

GARCH secara signifikan berbeda dari nol dan perkiraan nilai memenuhi

kondisi stabilitas, yaitu α1+β1 < 1; with β1 > α

Model kedua yang harus dipertimbangkan adalah GARCH (1,2). Model ini

dipilih karena sepertinya sesuai dengan data, karena memiliki fungsi log

likelihood kecil, standard error kecil dan keduanya AIC dan BIC sangat

dekat dengan yang GARCH (1,1). Namun model ditemukan melanggar

αi+βj < 1, i, j ∈ Z+

Tabel 4.7: Parameter Perkiraan untuk GARCH (1,2).

Parameter C KGARCH(1

)ARCH(1)

ARCH(2)

Estimates 0.01980.0892  0.4766  0.3471    0.1764

Standard Error  0.04220.0290  0.0915   0.1219  0.1468

t - value 0.470630.819 37.920 39.109 12.013

rt = 0,0198 + Ɛt

σ t2= 0,0892 + 0,3471 rt−1

2 + 0,04766σ t−1

2 +0,01764σ t−22

Dimana

α1 = 0,34705,

α2 = 0,01764,

β1 = 0,47655,

α1+ Β1+ Β2 = 1, dimana

αi+ Βj <1 adalah kondisi yang diperlukan untuk model menjadi stasioner. 

AIC = 475,6 dan BIC = 491,1 dengan log likelihood fungsi sebesar

232,8. Dengan demikian GARCH (1,2) memiliki AIC dan BIC yang lebih

besar dari GARCH (1,1)

GARCH (2,1) model yang juga terlihat tidak cocok dengan data ,koefisien

dari GARCH (2,1) tidak signifikan, juga kondisi stationaritas dilanggar.

calon Model yang diuji adalah GARCH (2,2).  analisis menunjukkan

koefisien α1 non signifikan dengan AIC =477,1 dan BIC = 495,8 yang juga

lebih besar dari model GARCH (1,1), kesalahan standar rata-rata GARCH

(2,2) lebih besar dibandingkan dengan volatilitas GARCH model stokastik

(1,1).

Tabel 4.8: Parameter Perkiraan untuk GARCH (2,2).

4.6 Diagnostik Pemeriksaan Model (1,1) GARCH

pemeriksaan dilakukan melalui analisis residual dari model

dipasang . Salah satu asumsi dari model GARCH adalah residual harus

mengikuti proses white noise, residualnya bersifat random, independen

dan identik didistribusikan mengikuti distribusi normal. 

Gambar 4.6: Plot return , Perkiraan Volatilitas dan residual

Gambar 4.7.  merupakan gambar Plot standardized residual(residual

dibagi dengan standar deviasi bersyarat) untuk memeriksa apakah

residual adalah acak

Gambar 4.7: Standardized Residual dari GARCH (1,1)

Pemeriksaan normalitas dilakukan dengan menganalisis histogram dari

residual dan plot probabilitas normal. Histogram menunjukkan bentuk

hampir simetris berbentuk lonceng yang mengindikasikan residual

mengikuti distribusi normal. Adanya   sedikit Kemiringan negatif

diperkirakan karena data juga dapat berdistribusi student's t.

Gambar 4.9: (a) Histogram Residual (atas) dan (b) Probabilitas Normal

(bawah) Plot dari GARCH (1,1)

model yang baik adalah model yang tidak mengandung autokorelasi pada

residual standardized dan residual standardized kuadrat.

Gambar 4.8 memberikan plot ACF residual kuadrat

Tabel 4.9 dan 4.10 dibandingkan hasil Q-test dan tes ARCH dengan hasil

tes yang sama dalam perkiraan pra-analisis pada Tabel 4.2 dan 4.3.  baik

Q-test dan tes ARCH menunjukkan penolakan (H = 0 dengan nilai p = 0)

dari hasil hipotesis nol masing menunjukkan bukti yang signifikan dalam

mendukung GARCH . Dalam analisis bagian ini didasarkan pada residual

standar. hasil uji menunjukkan penerimaan (H = 0 dengan sangat p-nilai

signifikan) dari hipotesis nol diperoleh kesimpulan bahwa tidak ada efek

ARCH yang tertinggal (tidak ada heteroskedastisitas). Dari uji - t hasil

Tabel 4.9 dengan tingkat kepercayaan 5%, kita gagal menolak null

hipotesis bahwa, tidak ada autokorelasi tertinggal dalam residu. Maka

model ini dilanjutkan untuk digunakan untuk memperkirakan nilai masa

depan dari seri inflasi.

Tabel 4.9: Ljung-Box-Pierce Q-uji pada Residual Standar.

4.7 Peramalan dengan Model GARCH (1,1)

Peramalan diawali dengan memeriksa akurasi peramalan lebih lanjut

dengan memeriksa MAE, RMSE dan MSE .U Thiele untuk dua model cocok

dengan data, Koefisien ketidaksetaraan Theil selalu terletak antara nol

dan satu, di mana nol menunjukkan sempurna. Juga statistik Thiele adalah

kurang dari satu (0,8528 sebagai dari Tabel 4.11) yang menunjukkan

bahwa, perkiraan yang cukup akurat. Adanya kesalahan yang semakin

kecil menunjjukkan kemampuan peramalan model yang semakin baik

sesuai. Dari hasil, dapat dilihat bahwa, sebagian besar mendukung uji

akurasi GARCH (1,1) model.

Tabel 4.11: Prakiraan Akurasi Uji pada GARCH Model.

Untuk mengukur kemampuan peramalan kita telah memperkirakan dalam

perkiraan sampel. Tujuan dari peramalan dalam sampel adalah menguji

prediktabilitas

kekuatan model. Jika besarnya perbedaan antara diperkirakan dan nilai

yang sebenarnya adalah kecil maka model memiliki kekuatan peramalan

yang baik. Dalam kasus kami GARCH (1,1) telah menunjukkan hasil yang

baik seperti terlihat dari Tabel 4.12. Gambar 4.10 menampilkan tingkat

inflasi dan nilai-nilai asli diperkirakan diproduksi oleh model (1,1)

GARCH. Angka tersebut juga menampilkan bagaimana perilaku nilai-nilai

yang diperkirakan

Tabel 4.12: Perkiraan Satu Tahun dari Inflasi dari GARCH (1,1).

Month

Forecast

(%)

Observed

Value(%)

Forecas

t Error

January 11.32 10.9 0.42

Februar

y 10.43 9.6 0.83

March 9.66 9.0 0.66

April 10.08 9.4 0.68

May 7.90 7.2 0.70

June 8.74 7.9 0.84

July 7.29 6.3 0.99

August 7.48 6.6 0.88

Septem

ber 5.03 4.5 0.53

October 4.81 3.9 0.91

Novemb

er 5.14 4.3 0.84

Decemb

er 6.30 5.6 0.70

Gambar 4.10: Time Plot Tingkat Inflasi dan Prakiraan Satu Tahun dari

GARCH (1,1)