Professional Documents
Culture Documents
A179541 Laporan Penyelidikan Akhir
A179541 Laporan Penyelidikan Akhir
A179541 Laporan Penyelidikan Akhir
2024
ii
PENGAKUAN
Saya akui karya ini adalah hasil kerja saya sendiri kecuali nukilan dan ringkasan yang
tiap-tiap satunya telah saya jelaskan sumbernya.
PENGHARGAAN
Selain itu, saya juga ingin mengucapkan ribuan terima kasih kepada para
pensyarah yang telah memberikan tunjuk ajar sepanjang proses kajian ilmiah ini
dijalankan. Di samping itu, sekalung penghargaan saya hulurkan kepada ahli keluarga
dan rakan-rakan seperjuangan yang telah banyak memberikan kata-kata semangat serta
dorongan dalam menyempurnakan kajian ilmiah ini.
Akhir sekali, saya ingin berterima kasih kepada semua pihak yang telah
membantu saya secara langsung atau tidak langsung dalam menyiapkan kajian ilmiah
ini. Ucapan terima kasih tidak terhingga ditujukan kepada segala bantuan daripada
semua pihak.
ABSTRAK
Inflasi merujuk kepada peningkatan yang berterusan pada paras umum harga dan
perkhidmatan dari semasa ke semasa. Kesan negatif inflasi diakui dengan meluas
kerana inflasi adalah satu penentu yang amat penting dalam makroekonomi. Kadar
inflasi yang terlalu tinggi boleh menjejaskan kestabilan kuasa pemerolehan mata wang
sesebuah negara, menjejaskan pertumbuhan ekonomi, mempengaruhi pembuatan
keputusan terhadap perbelanjaan dan penyimpanan, menyebabkan masalah pengagihan
pendapatan tidak sama rata dan mengakibatkan kesukaran dalam campur tangan di
kalangan kewangan. Oleh itu, pengunjuran kadar inflasi yang tepat amat penting untuk
menetapkan dasar kewangan negara kepada bank pusat. Kajian ini bertujuan untuk
membina model siri masa ARIMA terbaik bagi kadar inflasi di Malaysia dari tahun
1968 sehingga tahun 2017 serta mengunjur kadar inflasi di Malaysia dari tahun 2018
sehingga tahun 2022 dengan menggunakan model terbaik yang telah dipilih. Hasil
kajian mendapati bahawa model ARIMA(0,0,1) adalah model terbaik untuk mengunjur
kadar inflasi di Malaysia dengan menghasilkan nilai AIC paling rendah iaitu 237.73.
Kadar inflasi ini juga didapati menurun dari tahun 2018 dan bertumpu ke 3.38% pada
tahun 2022 berdasarkan hasil pengunjuran. Pihak bank akan dapat memanfaatkan hasil
dapatan kajian ini dalam menangani isu-isu yang berkaitan dengan inflasi. Pihak rakyat
juga akan dapat menikmati pelbagai faedah jika keputusan yang dibuat oleh pihak
berkuasa adalah berdasarkan maklumat yang tepat dan baik seperti kadar faedah yang
lebih tinggi untuk menggalakkan rakyat menabung dalam bank.
v
ABSTRACT
In economics, inflation is one of the major indicators to notify the public about the
economic performance of a country. This indicator measures the rate of a sustained
increase in the general price level of goods and services in an economy over a period.
The negative effects of inflation are widely acknowledged because it is a very important
determinant in macroeconomics. Inflation spike can affect the stability of the
purchasing power of a country's currency, affect economic growth, affect decision-
making on spending and savings, causing uneven income distribution problems and
result in difficulties in financial intervention. Therefore, an accurate inflation rate
projection is very important to set the country's financial policy to the central bank. This
study aims to build the best ARIMA time series model for the inflation rate in Malaysia
from 1968 to 2017 as well as project the inflation rate in Malaysia from 2018 to 2022
by using the best model that has been selected. The results of the study showed that the
ARIMA(0,0,1) model is the most appropriate model for projecting the inflation rate in
Malaysia by producing the lowest AIC value of 237.73. This inflation rate was also
found to decrease from 2018 and converged to 3.38% in 2022 based on the projected
results. The bank will be able to take advantage of the results of this study in dealing
with issues related to inflation. Community will also be able to enjoy various benefits
if the decisions made by the authorities are based on accurate and good information
such as higher interest rates to encourage the people to save in the bank.
vi
KANDUNGAN
Halaman
PENGAKUAN ii
PENGHARGAAN iii
ABSTRAK iv
ABSTRACT v
KANDUNGAN vi
SENARAI JADUAL viii
SENARAI ILUSTRASI ix
SENARAI SINGKATAN x
BAB I PENGENALAN
1.1 Pendahuluan 1
1.2 Permasalahan Kajian 2
1.3 Objektif Kajian 3
1.4 Kepentingan Kajian 3
1.5 Skop Kajian 4
1.6 Organisasi Kajian 4
1.7 Ringkasan Bab 4
BAB V KESIMPULAN
5.1 Pengenalan 36
5.2 Kesimpulan Kajian 36
5.3 Kekangan Kajian 37
5.4 Cadangan Penambahbaikan Kajian 37
RUJUKAN 38
LAMPIRAN
SENARAI JADUAL
Jadual 4.2 Nilai Anggaran Dan Nilai Ralat Piawai Parameter Bagi Model
ARIMA(0,0,1) 28
Jadual 4.3 Nilai Anggaran Dan Nilai Ralat Piawai Parameter Bagi Model
ARIMA(1,0,0) 28
Jadual 4.4 Nilai Anggaran Dan Nilai Ralat Piawai Parameter Bagi Model
ARIMA(1,0,1) 28
Jadual 4.5 Nilai Anggaran Dan Nilai Ralat Piawai Parameter Bagi Model
ARIMA(2,0,0) 28
Jadual 4.6 Nilai Anggaran Dan Nilai Ralat Piawai Parameter Bagi Model
ARIMA(2,0,1) 28
SENARAI ILUSTRASI
Rajah 4.5 Rajah kadar inflasi asal dan kadar inflasi unjuran di Malaysia
33
SENARAI SINGKATAN
AR Autoregressive
MA Moving Average
PENGENALAN
1.1 PENDAHULUAN
Menurut Blanchard (2000), inflasi merujuk kepada peningkatan yang berterusan pada
paras umum harga dan perkhidmatan dari semasa ke semasa. Kesan negatif inflasi
diakui dengan meluas (Fenira 2014). Inflasi adalah satu penentu yang amat penting
dalam makroekonomi (Enke dan Mehdiyev 2014) kerana ia boleh menjejaskan
kestabilan kuasa pemerolehan mata wang sesebuah negara, menjejaskan pertumbuhan
ekonomi, mempengaruhi pembuatan keputusan terhadap perbelanjaan dan
penyimpanan, menyebabkan masalah pengagihan pendapatan tidak sama rata dan
mengakibatkan kesukaran dalam campur tangan di kalangan kewangan (Hurtado et al.
2013). Oleh itu, pengunjuran kadar inflasi yang tepat amat penting untuk menetapkan
dasar kewangan negara kepada bank pusat (Mcnelis dan Mcadam 2004).
Menurut data yang dikeluarkan oleh Bank Dunia, Malaysia telah menghadapi
pelbagai perubahan dan cabaran berkaitan inflasi. Kadar inflasi tertinggi di Malaysia
tercatat pada tahun 1974 dengan 17.34% diikuti 10.56% pada tahun 1973. Kenaikan
harga minyak merupakan faktor utama peningkatan inflasi dunia pada tahun tersebut
(Laporan Tahunan Tabung Kewangan Antarabangsa (IMF) 1974) dan menyebabkan
inflasi meningkat secara ketara dalam pasaran domestik dan antarabangsa pada tahun
tersebut. Menurut Laporan Tahunan IMF (1981), kenaikan harga minyak, harga bahan
mentah industri dan barangan pelaburan pada tahun 1979 dan tahun 1981 telah
mengakibatkan inflasi di Malaysia meningkat daripada 3.65% pada tahun 1979 kepada
9.70% pada tahun 1987.
2
Bank Negara Malaysia (2023) melaporkan bahawa ekonomi global akan dipengaruhi
oleh tekanan kos yang tinggi, kadar faedah yang tinggi dan gangguan berkaitan penyakit
koronavirus 2019 (COVID-19) di China. Faktor-faktor tersebut mengimbangi keadaan
pasaran buruh yang positif, pembukaan semula ekonomi sepenuhnya dan sempadan
antarabangsa. Terdapat inflasi di Malaysia adalah lebih stabil berbanding dengan negara
ASEAN dalam beberapa bulan kebelakangan ini (Jabatan Statistik Malaysia 2023).
Walau bagaimanapun, inflasi akan kekal melebihi paras purata.
Akhir sekali, Cheng dan Tan (2002) menyatakan bahawa krisis kewangan yang
berlaku di rantau ASEAN pada Julai 1997 telah menyebabkan Ringgit Malaysia
menyusut nilai dengan ketara. Akibat kenaikan harga import terutamanya harga barang
perantaraan dan barang modal, tekanan inflasi di Malaysia terus meningkat. Oleh itu,
inflasi menjadi isu penting dan tumpuan kerajaan untuk menjaga kestabilan harga dan
pertumbuhan ekonomi yang mampan. Lantaran itu, kajian ini bertujuan untuk membina
sebuah model ARIMA berdasarkan kadar inflasi di Malaysia dari tahun 1968 hingga
tahun 2022 untuk mengunjur kadar inflasi di Malaysia.
a) Membina model ARIMA bagi kadar inflasi di Malaysia dari tahun 1968 hingga
tahun 2017.
b) Mengunjur kadar inflasi di Malaysia dari tahun 2018 hingga tahun 2022.
Kadar inflasi merupakan kadar kenaikan harga dalam tempoh masa tertentu. Inflasi
meliputi ukuran yang luas, seperti kenaikan harga keseluruhan atau kenaikan kos sara
hidup di sesebuah negara yang boleh mempengaruhi masyarakat, pembuat dasar serta
ekonomi di seluruh dunia. Dengan penghasilan kajian ini, para pembuat dasar tidak
perlu bergantung kepada data yang banyak dan hanya memerlukan data kadar inflasi
lepas untuk membuat keputusan bagi melawan isu-isu yang berlaku disebabkan oleh
inflasi. Kajian ini juga dapat mendorong bank pusat untuk membuat dasar kewangan
yang cekap kerana model yang dibina dapat menyelesaikan masalah yang dihadapi. Hal
ini menjamin peruntukan sumber yang lebih efektif dan menggalakan pertumbuhan
ekonomi yang stabil.
Kajin ini dijalankan untuk mendapatkan unjuran kadar inflasi di Malaysia yang
lebih tepat dan seterusnya mampu membantu bank pusat dan pembuat dasar untuk
4
menghadapi tekanan dari kejadian inflasi dan merancang kewangan dengan lebih
komprehensif.
Kajian ini menggunakan data siri masa mengenai peratusan kadar inflasi di Malaysia
dari tahun 1968 hingga tahun 2022 yang diperolehi daripada laman web Bank Dunia.
Bagi melakukan analisis, data telah dibahagikan kepada bahagian pengunjuran dan
bahagian penilaian. Terdapat 50 data digunakan dalam bahagian pengunjuran manakala
lima data digunakan dalam bahagian penilaian.
Laporan kajian ini merangkumi lima bab. Selain Bab I yang merupakan pendahuluan
dan latar belakang kajian ini. Bab II akan membincangkan tentang kajian-kajian lepas
yang berkaitan dengan pengunjuran kadar inflasi dan penggunaan model ARIMA.
Manakala Bab III akan menyatakan sumber data serta metodologi yang digunakan
dalam kajian ini. Bab IV akan menunjukkan dan membincangkan hasil kajian dan
analisis yang dilakukan secara menyeluruh. Akhir sekali, kesimpulan yang merumus
segala elemen kajian ini akan dihuraikan dalam Bab IV.
Berdasarkan latar belakang kajian, pengunjuran kadar inflasi adalah penting bagi bank
pusat untuk menetapkan dasar kewangan negara dan menjamin pertumbuhan ekonomi
yang stabil serta memastikan pengagihan pendapatan secara adil dalam kalangan
masyarakat. Walaupun banyak kajian telah dijalankan untuk mengunjur kadar inflasi di
banyak negara, penyelidikan perlu diteruskan kerana kadar inflasi amat relevan dan
mempunyai kepentingan kepada pertumbuhan sektor ekonomi. Tesis ini akan memberi
tumpuan kepada kadar inflasi di Malaysia. Bab seterusnya akan dibincangkan tentang
kajian perpustakaan berkaitan dengan kajian ini.
BAB II
KAJIAN KEPUSTAKAAN
2.1 PENGENALAN
Bab ini membincangkan kajian-kajian lepas yang berkaitan dengan pengunjuran kadar
inflasi dan model ARIMA. Hasil kajian lepas dijadikan rujukan dan amat penting dalam
membantu merangka metodologi kajian ini.
Pelbagai kajian lepas telah dijalankan tentang pengunjuran kadar inflasi dan
pembentukan model yang deperlukan. Model ARIMA telah diperkenalkan oleh George
Box dan Gwilym Jenkins pada tahun 1976 untuk memodelkan dan mengunjurkan data
siri masa. Model ARIMA ini telah banyak digunakan dalam pengunjuran kadar inflasi
sejak tahun 1976 dan masih diaplikasikan dalam kajian terkini.
Nyoni (2019) telah menjalankan analisis ARIMA untuk mengunjur kadar inflasi
di Lesotho. Model ARIMA(0,1,2) menghasilkan nilai AIC yang paling rendah dipilih
sebagai model terbaik untuk mengunjur kadar inflasi di Lesotho. Model ARIMA terbaik
ini mampu membantu pihak kerajaan Lesotho untuk melawan tekanan inflasi yang
berterusan dalam ekonomi dari tahun 2018 hingga tahun 2027. Seterusnya, Nyoni (2019)
juga menjalankan analisis ARIMA bagi mengunjur kadar inflasi di Bahrain. Hasil
kajian menunjukkan bahawa model ARIMA(0,1,1) adalah stabil dan boleh diterima
untuk mengunjur inflasi di Bahrain. Unjuran kadar inflasi yang diperolehi adalah
6
Bagi kadar inflasi di negara Filipina pula, Delima dan Lumintac (2019) telah
menjalankan analisis ARIMA untuk mengunjur kadar inflasi. Hasil kajian
menunjukkan bahawa model ARIMA(7,0,0) dipilih sebagai model terbaik yang
mempunyai Punca Min Kuasa Dua Ralat, Min Mutlak Ralat, dan Min Peratusan Mutlak
Ralat yang paling rendah. Selain itu, Namin, Ghomi, Shojaie dan Shavvalpour (2020)
telah melaksanakan analisis ARIMA untuk mengunjur kadar inflasi di Iran. Model
ARIMA(1,0,0) terbukti sesuai untuk mengunjur inflasi bagi tahun-tahun akan datang di
Iran dan dapat membantu pembuat keputusan untuk mewujudkan strategi yang lebih
baik dalam pembelanjaan dan perancangan kewangan.
Selain itu, Wadi, Almasarweh dan Alsaraireh (2018) telah melakukan kajian
untuk mengunjur harga penutupan dan mendapati bahawa model ARIMA mempunyai
keputusan yang signifikan bagi pengunjuran jangka pendek. Hasil kajian menunjukkan
bahawa ARIMA(2,1,1) dengan Punca Min Kuasa Dua Ralat (PMKDR) yang paling
rendah telah dipilih sebagai model terbaik untuk mengunjur harga penutupan yang
memanfaatkan para pelabur mengambil keputusan yang menguntungkan.
dijalankan dalam kajian ini melibatkan pembentukan model ARIMA bagi kadar inflasi
di Malaysia dari tahun 1968 hinggan tahun 2017. Kaedah Kebolehjadian Maksimum
(MLE) akan digunakan untuk mendapatkan anggaran parameter autoregresi dan
parameter purata bergerak bagi model yang mempunyai Kriteria Maklumat Akaike
(AIC) dan Kriteria Maklumat Bayesian (BIC) yang paling rendah.
Hasil dan ulasan kajian lepas yang telah dibincangkan dalam bahagian 2.2 telah
memberi idea dan gambaran yang jelas terhadap kajian ini. Pengunjuran kadar inflasi
di Malaysia dari tahun 2018 hingga tahun 2022 akan dilaksanakan dengan
menggunakan model ARIMA. Nilai AIC dan BIC amat penting bagi tujuan memilih
model yang sesuai untuk malaksanakan pengunjuran. Manakala nilai Punca Min Kuasa
Dua Ralat dan nilai Min Peratusan Mutlak Ralat juga memainkan peranan penting bagi
tujuan perbandingan ketepatan model pengunjuran dengan data yang digunakan dalam
bahagian penilaian. Kaedah kajian yang teliti akan dibincang dalam bab seterusnya.
BAB III
3.1 PENGENALAN
Bab ini akan dibincangkan tentang pengumpulan data dan kaedah kajian yang
digunakan untuk mencapai objektif penyelidikan. Langkah-langkah untuk membina
model siri masa bagi kadar inflasi di Malaysia akan diperincikan. Model siri masa
terbaik yang dipilih kemudiannya akan digunakan untuk mengunjur kadar inflasi di
Malaysia.
Kajian ini menggunakan data sekunder yang diperoleh daripada Bank Dunia. Data yang
digunakan adalah peratus inflasi atau harga pengguna di Malaysia dari tahun 1968
hingga tahun 2022. Data yang diperoleh akan digunakan untuk mengunjur kadar inflasi
di Malaysia dari tahun 2018 hingga tahun 2022. Bagi melakukan analisis, data telah
dibahagikan kepada bahagian pengunjuran dan bahagian penilaian. Sebanyak 50 data
kadar inflasi akan digunakan dalam bahagian pengunjuran manakala lima data
digunakan dalam bahagian penilaian.
Data kadar inflasi diandaikan bersifat pegun untuk model ARIMA. Kadar inflasi yang
tidak bersifat pegun boleh diubah melalui proses pembezaan (Bowerman, O'Connell &
Koehler 2005). Selain itu, kadar inflasi diandaikan berkelakuan secara konsisten, maka
tiada kewujudan data terpencil. Akhir sekali, ralat dalam model ARIMA diandaikan
diedarkan secara rawak, menunjukkan taburan normal, mempunyai autokorelasi dan
9
autokorelasi separa tidak ketara serta mempunyai min sifar dan kehomogenan varians
dari semasa ke semasa.
a. Penyemakan kepegunan
Terlebih dahulu, siri masa yang ingin diunjur perlu disemak sifat kepegunannya. Jika
siri masa tersebut adalah tidak pegun, maka siri masa itu perlu diubah kepada suatu siri
masa yang pegun melalui proses pembezaan. Menurut Bowerman, O'Connell dan
Koehler (2005), siri masa bersifat pegun jika ciri-ciri statistiknya seperti min dan
varians adalah malar sepanjang masa.
Kaedah kedua adalah menggunakan ujian punca unit seperti Ujian Augmented
Dickey Fuller (ADF) (Dickey dan Fuller 1979). Ujian ADF boleh digunakan untuk
menyemak kewujudan punca unit dengan persamaan tersebut:
dengan
Nilai statistik-t dan nilai-p bagi data akan dikaji dalam ujian ADF ini. Nilai-nilai
tersebut akan digunakan untuk menentukan sama ada hipotesis nol ditolak ataupun
diterima. Hipotesis bagi ujian ini adalah seperti berikut:
Kewujudan punca unit dalam siri masa menunjukkan data adalah tidak pegun,
manakala ketiadaan punca unit dalam siri masa menunjukkan data adalah pegun. Data
yang tidak pegun perlu diubah melalui proses pembezaa sehingga mencapai kepegunan.
Data yang telah pegun boleh melalui proses yang seterusnya iaitu identifikasi model.
Statistik ujian bagi ujian ADF dikira menggunakan persamaan:
11
)
(
𝑡' = *+,() - …(3.2)
dengan
Nilai statistik ujian ini akan dibandingkan dengan nilai genting iaitu 𝑡!,%"/
"
dengan nilai aras keertian α ialah 0.05 dan n ialah bilangan data siri masa. Sekiranya
nilai statistik |𝑡' | > 𝑡#,%"/ , atau nilai-p lebih besar daripada aras keertian, maka 𝐻'
"
diterima kerana tiada bukti yang cukup untuk menolak 𝐻' . Ini bermaksud nilai statistik
ujian tidak berada dalam rantau penolakan dan siri masa adalah tidak pegun. Namun
sekiranya |𝑡' | < 𝑡#,%"/ atau nilai-p lebih kecil daripada aras keertian, maka 𝐻' ditolak
"
kerana terdapat bukti yang cukup untuk menolak 𝐻' . Ini bermaksud statistik ujian
berada dalam rantau penolakan dan membuktikan bahawa siri masa adalah pegun.
b. Proses pembezaan
Kadang kala, siri masa yang tidak pegun boleh diubah kepada siri masa yang pegun
dengan melalui proses pembezaan terhadap siri masa yang tidak pegun. Kepegunan siri
masa yang telah dibezakan akan disemak dan proses ini akan diulang sehingga siri masa
menjadi pegun. Proses pembezaan diwakili oleh persamaan berikut:
dengan
𝑑 " = 𝑑 − 1, 𝑑 ≥ 1
Nilai d dalam proses pembezaan ini adalah sebutan d bagi model ARIMA
(p,d,q) yang merupakan darjah pembezaan ataupun bilangan pembezaan yang dilalui
oleh siri masa asal untuk mencapai kepegunan (Hyndman dan Athanasopoulos 2021).
12
Bagi 𝑑 = 0, pemboleh ubah 𝑦! tidak perlu melalui proses pembezaan kerana siri masa
asal adalah pegun. Ini bermakna 𝑦!' = y1
c. Identifikasi model
Proses identifikasi model boleh dilakukan sekiranya siri masa mencapai kepegunan.
Terdapat empat jenis model ARIMA iaitu model Autoregressive (AR(p)), model
Moving Average (MA(q)), model Autoregressive Moving Average (ARMA(p,q)) dan
model Autoregressive Integrated Moving Average (ARIMA(p,d,q)). Model AR(p)
adalah bersamaan dengan model ARIMA(p,0,0) manakala model MA(q) adalah
bersamaan dengan model ARIMA(0,0,q). Nilai p ialah nilai kebelakang yang
diperlukan daripada data untuk mengunjur nilai terkini bagi model AR(p). Model AR(p)
dapat diwakili oleh persamaan berikut:
dengan
Nilai q pula adalah bilangan ralat unjuran terlat bagi model MA(q). Model
MA(q) dapat diwakili oleh persamaan berikut:
dengan
Model ARMA(p,q) adalah kombinasi model AR(p) dan model MA(q). Model
ARMA(p,q) dapat diwakili oleh persamaan berikut:
…(3.6)
dengan
𝑦!0 = 𝑐 + 𝜙# 𝑦!"#
0 0
+ 𝜙/ 𝑦!"/ 0
+ ⋯ + 𝜙2 𝑦!"2 + 𝜃# 𝜀!"# + 𝜃/ 𝜀!"/ + ⋯ + 𝜃3 𝜀!"3 + 𝜀!
…(3.7)
14
𝑑 = darjah pembezaan
a) Model yang sesuai adalah model AR(p) jika ACF menunjukkan penurunan
secara eksponen atau sinusoid manakala PACF mempunyai pancang yang
signifikan pada lat p dan berbentuk terputus selepas lat p.
b) Model yang sesuai adalah model MA(q) jika PACF menunjukkan penurunan
secara eksponen atau sinusoid manakala ACF mempunyai pancang yang
signifikan pada lat q dan berbentuk terputus selepas lat q.
c) Model yang sesuai adalah ARMA(p,q) jika ACF dan PACF mempunyai
pancang dan kemudiannya merosot ke nilai sifar. Nilai p dan nilai q ialah
bilangan pancang dalam plot PACF dan ACF masing-masing.
15
Selain itu, Bowerman, O'Connell & Koehler (2005) menyatakan bahawa ACF
pada lat k juga boleh dikira untuk menentukan nilai 𝑝 dan 𝑞 bagi siri masa 𝑦# , 𝑦/ , … , 𝑦!
dengan menggunakan persamaan berikut:
∑'(&
$)* (7$ "7)(7$%& "7)
𝑟4 = ∑' "
…(3.8)
$)*(7$ "7)
dengan
∑'
$)* 7$
𝑦= %
…(3.9)
𝐻' : ρ4 = 0
𝐻# : ρ4 ≠ 0
dengan
Statistik ujian adalah daripada taburan t di mana 𝑡9& boleh dikira menggunakan
persamaan berikut:
9
𝑡9& = ; & …(3.11)
-&
16
Jika O𝑡9& O > 2 , maka nilai 𝑟4 dianggap besar secara statistik dan wujudnya
pancang pada lat k. Andaian bagi 𝐻' pula ditolak kerana terdapat bukti yang cukup
untuk menolak 𝐻' . ACF akan putus selepas lat k jika tiada lonjakan pada lat lebih besar
daripada k. Jila O𝑡9& O < 2, tiada lagi pancang yang signifikan pada lat k dan andaian
bagi 𝐻' diterima kerana tiada bukti yang cukup untuk menolak 𝐻' . Plot ACF menurun
ke sifar secara eksponen, sinusoid atau gabungan kedua-duanya sekali. Ia boleh berlaku
secara cepat atau perlahan.
𝑟# jika 𝑘 = 1
𝑟44 = Q 9& "∑&(*
,)* 9&(*,, ×9&(, …(3.12)
jika 𝑘 = 2,3, …
#"∑&(*
,)* 9&(*,, ×9,
dengan
#
𝑠9&& = L% …(3.13)
𝐻' : 𝜌44 = 0
𝐻# : 𝜌44 ≠ 0
dengan
Statistik ujian adalah daripada taburan t di mana 𝑡9&& boleh dikira menggunakan
persamaan berikut:
9
𝑡9&& = ; && …(3.14)
-&&
Jika O𝑡9&& O > 2, maka nilai 𝑟44 dianggap besar secara statistik dan wujudnya
pancang pada lat k. Andaian bagi 𝐻' pula ditolak kerana terdapat bukti yang cukup
untuk menolak 𝐻' . PACF akan putus selepas lat k jika tiada lonjakan pada lat lebih
besar daripada k. Jila O𝑡9&& O < 2, tiada lagi pancang yang signifikan pada lat k dan
andaian bagi 𝐻' diterima kerana tiada bukti yang cukup untuk menolak 𝐻' . Plot PACF
menurun ke sifar secara eksponen, sinusoid atau gabungan kedua-duanya sekali.
Cadangan model akan disenaraikan berdasarkan nilai p dan q yang ditentukan
berdasarkan plot.
𝛿𝐿5𝛽6 O𝑌7
=0
𝛿𝛽6
dengan
𝑌 = (𝑦# , 𝑦/ , … , 𝑦! )
@
𝛽6 = 5𝑐̂ , 𝜙_# , … , 𝜙_2 , 𝜃_# , … , 𝜃_3 7
18
dengan
Ujian keertian akan dilakukan terhadap parameter model yang telah diperoleh
daripada MLE dengan menggunakan ujian t. Andaian hipotesis bagi setiap parameter
adalah seperti berikut:
)
A
𝑡=; …(3.16)
0
/
dengan
@
𝛽6 = 5𝑐̂ , 𝜙_# , … , 𝜙_2 , 𝜃_# , … , 𝜃_3 7
%"%1
Nilai ujian statistik ini akan dibandingkan dengan nilai genting iaitu 𝑡!
"
dengan nilai aras keertian α ialah 0.05 dan n ialah bilangan cerapan bagi data siri masa.
%"%1
Sekiranya nilai statistik |𝑡' | > 𝑡# atau nilai-p lebih besar daripada aras keertian,
"
maka 𝐻' diterima kerana tiada bukti yang cukup untuk menolak 𝐻' . Ini bermaksud nilai
statistik ujian tidak berada dalam rantau penolakan dan ini bermaksud parameter yang
%"%1
diuji tiada signifikan. Namun sekiranya |𝑡' | < 𝑡# atau nilai-p lebih kecil daripada
"
aras keertian, maka 𝐻' ditolak kerana terdapat bukti yang cukup untuk menolak 𝐻' . Ini
bermaksud statistik ujian berada dalam rantau penolakan dan membuktikan bahawa
parameter yang diuji adalah signifikan.
Seterusnya, model terbaik akan dipilih berdasarkan nilai AIC yang terendah
antara calon model. Nilai AIC boleh dikira menggunakan persamaan berikut:
AIC = 2 𝑙𝑛 𝐿 − 2𝑘 …(3.17)
dengan
Model yang memberikan nilai AIC yang terendah akan dipilih sebagai model
terbaik bagi pengunjuran kadar inflasi di Malaysia. Pemeriksaan diagnostik terhadap
model terbaik akan dijalankan terlebih dahulu sebelum pengunjuran dilakukan.
Pemeriksaan dianogsis akan dijalankan untuk memastikan model yang dipilih adalah
memadai bagi melakukan pengunjuran. Menurut Clement (2014), statistik L-jung Box
digunakan untuk pemeriksaan diagnosis model pilihan ARIMA dalam mengesahkan
bahawa model adalah memadai. Ini boleh dilakukan dengan menganalisis reja bagi
model pilihan dengan menggunakan persamaan berikut:
20
𝑒! = 𝑦! − 𝑦f! …(3.18)
dengan
Statisik L-jung Box menguji kewujudan autokorelasi dalam ralat bagi model
ARIMA. Andaian hipotesis bagi statistik L-jung Box adalah seperti berikut
(Bowerman, O'Connell & Koeheler 2005):
Nilai statistik bagi statistik L-jung Box dikira menggunakan persamaan berikut:
9 " (C
D)
𝑄∗ = 𝑇 ∗ (𝑇 ∗ + 2) ∑E4&# (?&∗ "4) …(3.19)
dengan
𝑇∗ = 𝑇 − 𝑑
𝑑 = darjah pembezaan
f
α = ralat bagi model
𝑟4/ (α
f) = ACF bagi ralat model pada lat k
21
Nilai 𝑄∗ yang kecil akan menghasilkan ralat yang tidak berkolerasi dan
seterusnya menyimpulkan bahawa model adalah memadai. Nilai 𝑄∗ yang besar pula
menunjukkan bahawa ralat adalah berkolerasi dan menunjukkan bahawa model adalah
tidak memadai. Jika 𝑄∗ > 𝜒F/ (ℎ − 𝑘) atau nilai-p lebih kecil daripada aras keertian,
maka 𝐻' ditolak pada 𝛼% aras keertian. Reja model menunjukkan autokorelasi antara
bilangan lat yang tetap, h di mana model tersebut adalah tidak memadai. Jika 𝑄∗ <
𝜒F/ (ℎ − 𝑘) atau nilai-p lebih besar daripada aras keertian, 𝐻' diterima pada 𝛼% aras
keertian. Reja model tidak menunjukkan autokorelasi antara bilangan lat yang tetap, h
dan model adalah memadai untuk melakukan pengunjuran. Sekiranya model pilihan
didapati tidak memadai, make model baharu akan dikenalpasti dan dipilih semula.
Seterusnya, model tersebut perlu dilalui pemeriksaan diagnostik. Proses ini akan
diulangkan sehingga mendapati model yang memadai untuk digunakan dalam
pengunjuran kadar inflasi di Malaysia.
3.5.4 Pengunjuran
Pengunjuran kadar inflasi di Malaysia boleh dilakukan sebaik sahaja model siri masa
terbaik yang dipilih adalah memadai. Nilai bagi titik pengunjuran pada masa 𝑡 boleh
dikira dengan memasukkan nilai-nilai berkaitan dalam persamaan model ARIMA yang
telah dipilih.
Terdapat dua jenis pengunjuran akan dijalankan dalam kajian ini iaitu
pengunjuran luar sampel dan pengunjuran dalam sampel. Pengunjuran luar sampel
dilakukan untuk mengira nilai bagi tahun yang akan datang manakala pengunjuran
dalam sampel dilakukan untuk mengukur ketepatan model. Ketepatan model akan
dibandingkan dengan calon-calon model yang telah dikenalpasti. Nilai-nilai RMSE,
MAE dan MAPE akan dikira untuk membandingkan ketepatan model. Semakin rendah
nilai-nilai RMSE, MAE dan MAPE, semakin tinggi tahap ketepatan pengunjuran kadar
inflasi tahunan yang dihasilkan oleh model kajian. Persamaan bagi RMSE, MAE dan
MAPE adalah seperti berikut:
∑'
$)*(7$ "7
G) "
RMSE = L %
$
…(3.20)
22
∑'
$)*|7$ "7
G|
$
MAE = %
…(3.21)
# G)
#''(7$ "7
MAPE = % ∑%!&# p 7$
$
p …(3.22)
dengan
%"%1
r𝑦s%:I (𝑛) ± 𝑡! 𝑆𝐸%:I (𝑛)u …(3.23)
"
dengan
√**+
𝑆𝐸%:J (𝑛) = %"% …(3.24)
1
α = aras keertian
23
Bab ini telah dibincangkan proses pengumpulan data dan kaedah kajian yang digunakan
untuk mencapai objektif kajian. Model ARIMA terbaik yang dipilih akan
diperuntukkan untuk mendapatkan unjuran kadar inflasi di Malaysia secara tahunan.
Ketepatan model juga dikira bagi memastikan model adalah memadai bagi
pengunjuran. Bab seterusnya akan dibincang tentang hasil kajian yang diperoleh setelah
mengaplikasikan semua langkah pembinaan model siri masa dan pengunjuran yang
selaras dengan objektif kajian.
BAB IV
DAPATAN KAJIAN
4.1 PENGENALAN
Bab ini akan dibincangkan hasil kajian yang diperoleh dengan menggunakan kaedah
yang dinyatakan dalam Bab III. Analisis kajian dijalankan mengikut objektif yang telah
dijelaskan dalam Bab I. Hasil analisis, jadual dan graf akan ditunjukkan sebagai bahan
sokongan perbincangan.
Analisis deskriptif dijalankan terhadap data siri masa kadar inflasi di Malaysia yang
diperoleh. Graf tahunan bagi kadar inflasi di Malaysia dari tahun 1968 hingga tahun
2017 ditunjukkan dalam Rajah 4.1 berikut:
20.00
18.00
16.00
14.00
12.00
10.00
8.00
6.00
4.00
2.00
0.00
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
-2.00
Secara keseluruhannya, Rajah 4.1 tidak menunjukkan trend yang jelas bagi
kadar inflasi. Kadar inflasi turun naik secara mendatar kecuali pada tahun 1974 dan
tahun 1981 meningkat pada tahap yang lebih tinggi. Pada tahun 1974, Malaysia
mengalami krisis ekonomi pertama akibat daripada peperangan antara Mesir dan Israel
yang menyebabkan kenaikan harga minyak yang kejutan. Impak krisis minyak di
negara-negara industri yang sangat besar telah menyebabkan pengurangan penghasilan
barang sehingga meningkatkan kadar inflasi Malaysia dengan paras laju sehingga
mencapai 17.33%.
Malaysia juga menghadapi kenaikan kadar inflasi kedua pada tahun 1981 akibat
daripada kenaikan harga minyak dan makanan yang tinggi. Selepas itu, Malaysia
menghadapi kemelesetan ekonomi yang disebabkan oleh peningkatan kadar
pengangguran, pengurangan dalam pelaburan, halangan dalam perkembangan
pertumbuhan dalam perdagangan antarabangsa. Situasi ini mencerminkan kegagalan
negara maju untuk memperbaiki asas makroekonomi, terutamanya dalam
meningkatkan kecekapan dan produktiviti tenaga buruh. Pematuhan kepada dasar
monetari yang mengehadkan Malaysia mengurangkan kadar inflasi secara mendadak
daripada paras dua digit yang berlaku dalam tempoh tahun 1979 hingga tahun 1981
kepada paras yang rendah sejak tahun 1982.
Pada tahun 2008, krisis kewangan global berlaku dan menyebabkan kadar
inflasi di Malaysia meningkat ke 5.44%, iaitu kadar inflasi yang paling tinggi sejak
tahun 1983. Semasa krisis kewangan global, kemerosotan dalam pasaran perumahan
Amerika Syarikat menjadi pemangkin kepada krisis kewangan yang merebak dari
negaranya ke seluruh dunia melalui hubungan dalam sistem kewangan global. Banyak
bank di seluruh dunia mengalami kerugian besar dan bergantung kepada kerajaan
sokongan untuk mengelakkan diri dari bankrap. Hal ini juga menyebabkan berjuta-juta
orang kehilangan pekerjaan. Secara visualnya, data siri masa ini dapat disimpulkan
sebagai pegun.
26
Ujian punca unit ADF dilakukan untuk memeriksa kepegunan kadar inflasi. Andaian
hipotesis bagi ujian ini adalah seperti berikut:
Jadual 4.1 di atas menunjukkan hasil ujian ADF bagi model berdasarkan siri
masa asal kadar inflasi di Malaysia dari tahun 1968 hingga tahun 2018. Nilai-p yang
diperoleh bagi model ini adalah 0.01 iaitu lebih kecil daripada aras keertian 0.05. Oleh
itu, terdapat bukti yang cukup untuk menolak hipotesis nol dan model disimpulkan
sebagai pegun. Justeru, model siri asal tidak perlu melalui proses pembezaan untuk
mencapai kepegunan dan nilai d bagi model ARIMA(p,d,q) adalan sifar.
Seterusnya, nilai p dan q bagi model yang pegun dikenalpastikan. Nilai p dicari
menggunakan plot PACF manakala nilai q ditentukan menggunakan plot ACF secara
visual. Nilai-nilai dapat dilihat berdasarkan pancang pada plot masing-masing.
27
Rajah 4.2 menunjukkan plot ACF bagi siri masa asal. Berdasarkan Rajah 4.2,
terdapat pancang yang bererti pada lat sifar dan satu. Oleh itu, nilai yang dicadangkan
bagi q adalah sifar dan satu.
Rajah 4.3 menunjukkan plot PACF bagi siri masa asal. Berdasarkan Rajah 4.3,
terdapat pancang yang bererti pada lat satu. Oleh itu, nilai yang dicadangkan bagi p
adalah satu. Justeru, model yang dicadangkan adalah ARIMA(1,0,0) dan
ARIMA(1,0,1).
Nilai anggaran dan nilai ralat piawai bagi parameter dikira untuk setiap model cadangan
diberikan dalam jadual-jadual berikut:
28
Jadual 4.2 Nilai anggaran dan nilai ralat piawai parameter bagi model ARIMA(0,0,1)
Jadual 4.3 Nilai anggaran dan nilai ralat piawai parameter bagi model ARIMA(1,0,0)
Jadual 4.4 Nilai anggaran dan nilai ralat piawai parameter bagi model ARIMA(1,0,1)
Jadual 4.5 Nilai anggaran dan nilai ralat piawai parameter bagi model ARIMA(2,0,0)
Jadual 4.6 Nilai anggaran dan nilai ralat piawai parameter bagi model ARIMA(2,0,1)
Seterusnya, ujian keertian bagi setiap parameter yang telah diperoleh untuk
setiap model cadangan dijalankan. Nilai ujian statistik, |𝑡' | bagi setiap paramter
diberikan dalam jadual-jadual berikut:
Parameter |𝒕𝟎 |
𝑐 6.2756
θ4 5.6109
Nilai ujian statistik yang ditunjukkan dalam Jadual 4.7 dibandingkan dengan
%"%1
nilai genting iaitu 𝑡# yang bersamaan dengan 2.010. Nilai ini diperoleh berdasarkan
"
maklumat nilai 𝑛, 𝑛2 dan 𝛼. 𝑛 adalah bilangan data siri masa iaitu 50 manakala 𝑛2
29
adalah bilangan parameter kecuali sebutan pemboleh ubah malar bagi model iaitu satu.
Nilai keertian 𝛼 adalah 0.05. Nilai ujian statistik bagi parameter θ# didapati adalah
lebih besar daripada nilai genting. Maka 𝐻' bagi paramater ini ditolak kerana terdapat
bukti yang cukup untuk menolak 𝐻' . Nilai ujian statistik parameter berada dalam rantau
penolakan dan ini membuktikan bahawa 𝜃# yang diuji adalah beerti.
Parameter |𝒕𝟎 |
𝑐 4.7641
𝜙4 4.1206
Nilai ujian statistik yang ditunjukkan dalam Jadual 4.8 dibandingkan dengan
%"%1
nilai genting iaitu 𝑡# yang bersamaan dengan 2.010. Nilai ini diperoleh berdasarkan
"
maklumat nilai 𝑛 iaitu 50, 𝑛2 bersamaan satu dan 𝛼 adalah 0.05. Nilai ujian statistik
bagi parameter 𝜙# didapati adalah lebih besar daripada nilai genting. Maka 𝐻' bagi
paramater ini ditolak kerana terdapat bukti yang cukup untuk menolak 𝐻' . Nilai ujian
statistik parameter berada dalam rantau penolakan dan ini membuktikan bahawa 𝜙#
yang diuji adalah beerti.
Parameter |𝒕𝟎 |
𝑐 5.5921
𝜙4 0.7905
𝜃4 2.3093
Seterusnya, nilai ujian statistik yang ditunjukkan dalam Jadual 4.9 dibandingkan
%"%1
dengan nilai genting iaitu 𝑡# yang bersamaan dengan 2.011. Nilai ini diperoleh
"
berdasarkan maklumat nilai 𝑛 iaitu 50, 𝑛2 bersamaan dua dan 𝛼 adalah 0.05. Nilai
ujian statistik bagi parameter 𝜙# didapati adalah lebih kecil daripada nilai genting.
Maka 𝐻' bagi paramater ini diterima dan ini membuktikan bahawa 𝜙# yang diuji tidak
beerti. Kemudian, nilai ujian statistik bagi parameter 𝜃# didapati adalah lebih besar
daripada nilai genting. Maka 𝐻' bagi paramater ini ditolak kerana terdapat bukti yang
cukup untuk menolak 𝐻' . Nilai ujian statistik parameter berada dalam rantau penolakan
dan ini membuktikan bahawa 𝜃# yang diuji adalah beerti.
30
Parameter |𝒕𝟎 |
𝑐 5.8278
𝜙4 4.3237
𝜙5 1.3864
dengan 2.011. Nilai ini diperoleh berdasarkan maklumat nilai 𝑛 iaitu 50, 𝑛2 bersamaan
dua dan 𝛼 adalah 0.05. Nilai ujian statistik bagi parameter 𝜙# didapati adalah lebih
besar daripada nilai genting. Maka 𝐻' bagi paramater ini ditolak kerana terdapat bukti
yang cukup untuk menolak 𝐻' . Nilai ujian statistik parameter berada dalam rantau
penolakan dan ini membuktikan bahawa 𝜙# yang diuji adalah beerti. Kemudian, nilai
ujian statistik bagi parameter 𝜃# didapati adalah lebih kecil daripada nilai genting. Maka
𝐻' bagi paramater ini diterima dan ini membuktikan bahawa 𝜃# yang diuji tidak beerti.
Parameter |𝒕𝟎 |
𝑐 5.5640
𝜙4 0.4714
𝜙5 0.0304
𝜃4 1.4075
dengan 2.012. Nilai ini diperoleh berdasarkan maklumat nilai 𝑛 iaitu 50, 𝑛2 bersamaan
tiga dan 𝛼 adalah 0.05. Nilai ujian statistik bagi ketiga-tiga parameter didapati adalah
lebih kecil daripada nilai genting. Maka, 𝐻' bagi kesemua paramater diterima dan ini
membuktikan bahawa 𝜙# , 𝜙/ dan 𝜃# yang diuji tidak beerti.
Model-model cadangan yang telah dianggarkan parameter dan diuji keertian bagi semua
parameternya akan dibandingkan berdasarkan nilai AIC untuk mengenalpasti model
31
terbaik bagi melakukan pengunjuran. Model terbaik dipilih berdasarkan nilai AIC yang
paling rendah. Nilai bagi setiap model cadangan ditunjukkan dalam Jadual 4.12 berikut:
𝑦! = 3.3769 + 0.5667ε!"# + ε!
Nilai ujian statistik, 𝑄∗ yang diperoleh adalah 8.433 dan nilai-p adalah 0.4912
manakala nilai genting 𝜒F/ (ℎ − 𝑘) yang diperoleh adalah 15.507. Nilai genting ini
diperoleh berdasarkan maklumat nilai darjah kebebasan ℎ iaitu 9, 𝑘 adalah bilangan
parameter kecuali sebutan pemboleh ubah malar bagi model iaitu satu dan nilai keertian
𝛼 adalah 0.05. Nilai 𝑄∗ didapati lebih kecil daripada nilai genting dan nilai-p didapati
lebih besar daripada nilai keertian. Maka 𝐻' diterima dan membuktikan bahawa reja
32
model tidak menunjukkan autokolerasi. Rajah 4.4 menunjukkan bahawa reja bagi
model mengikut taburan normal dan reja tidak mempunyai kolerasi yang tinggi antara
satu sama lain. Maka model terbaik yang dipilih iaitu ARIMA(0,0,1) adalah memadai
untuk mengunjur kadar inflasi di Malaysia.
20.00
18.00
16.00
14.00
12.00
10.00
8.00
6.00
4.00
2.00
0.00
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
2020
2022
-2.00
Rajah 4.5 Rajah kadar inflasi asal dan kadar inflasi unjuran di Malaysia
Rajah 4.5 menunjukkan kadar inflasi di Malaysia dari tahun 2018 hingga tahun
2022 tidak mempunyai trend dan nilai adalah bertumpu kepada satu nilai yang
berkenaan iaitu 3.38%. Berdasarkan Rajah 4.6, kawasan yang berwarna unggu gelap
adalah selang peramalan 80% yang mana kadar inflasi unjuran hanya diyakini 80%
terletak di dalam selang yang berkenaan. Manakala kawasan yang berwarna unggu
cerah pula merupakan selang peramalan 95% yang mana kadar inflasi unjuran diyakini
95% terletak di dalam selang yang dinyatakan. Selang peramalan 80% dan 95% juga
boleh dirujuk dalam Jadual 4.14 berikut:
34
Berdasarkan analisis siri masa kadar inflasi yang telah dilaksanakan, model
ARIMA(0,0,1) dikenal pasti sebagai model terbaik untuk mengunjur kadar inflasi di
Malaysia bagi jangka masa pendek iaitu lima tahun bagi kajian ini. Hasil pengunjuran
model tersebut mendapati kadar inflasi tersebut menurun dan bertumpu ke 3.38%. Bab
seterusnya pula akan dirumuskan serta dicadangkan langkah penambahbaikan kajian
pada masa hadapan. Kekangan yang dihadapi semasa kajian ini dijalankan juga akan
dibincangkan.
BAB V
KESIMPULAN
5.1 PENGENALAN
Bab terakhir ini bertujuan unutk menyimpulkan hasil kajian yang telah dibincangkan
dalam Bab IV. Tahap pencapaian objektif juga akan turut dinilai dalam bab ini. Selain
itu, kekangan dan cadangan penambahbaikan bagi kajian ini juga akan dihuraikan.
Kajian ini telah mencapai kedua-dua objektif penyelidikan. Model ARIMA terbaik
dibina serta dimanfaatkan untuk mengunjur kadar inflasi di Malaysia. Parameter dan
bilangan parameter model bergantung kepada proses pengenalpastian tentatif untuk
memeriksa darjah pembezaan serta mengenal pasti model ARIMA yang paling tepat.
Keertian parameter juga diuji untuk memastikan parameter- parameter adalah bererti
untuk digunakan dalam model. Pengunjuran kadar inflasi hanya dijalankan
menggunakan model yang telah lulus ujian diagnostik bagi memastikan model yang
terpilih telah memadai. Pengunjuran luar sampel dan pengunjuran dalam sampel telah
dilakukan bagi kadar inflasi tahunan untuk jangka masa lima tahun dari tahun 2018
sehingga tahun 2022. Ketepatan model pengunjuran telah dibanding dengan
menggunakan ukuran ketepatan seperti nilai-nilai RMSE, MAE dan MAPE. Secara
kesimpulannya, model ARIMA(0,0,1) dipilih sebagai model terbaik dan tepat kerana
menghasilkan nilai AIC yang terendah dan nilai RMSE, MAE dan MAPE yang lebih
rendah daripada tiga cadangan model lain. Hasil pengunjuran luar sampel juga
menunjukkan bahawa kadar inflasi di Malaysia menurun dari tahun 2018 dan bertumpu
ke 3.38% pada tahun 2022.
37
Terdapat beberapa kekangan yang dikenalpasti dalam kajin ini. Antaranya ialah data
terpencil terwujud dalam skop kajian seperti pada tahun 1974 dan tahun 1981. Data
terpencil boleh mempengaruhi keputusan pengunjuran kerana ia menyebabkan data
mempunyai sisihan yang besar. Selain itu, kajian ini hanya menggunakan satu model
siri masa sahaja iaitu model ARIMA untuk menjalankan analisis.
Terdapat beberapa penambahbaikan yang boleh dilakukan jika kajian ini dilaksanakan
pada masa hadapan. Antaranya adalah memperoleh lebih banyak data kadar inflasi
seperti kadar inflasi suku tahunan dan juga bulanan. Cadangan ini adalah untuk
menjamin keputusan kajian yang lebih tepat dan trend kadar inflasi di Malaysia dapat
diperhatikan dengan lebih baik. Selain itu, model siri masa lain juga boleh digunakan
dan dibandingkan untuk memilih model yang paling tepat bagi mengunjur kadar inflasi
di Malaysia.
38
RUJUKAN
Atina, N. & Sufian, A. 2022. Household Purchasing Power With Food Price Inflation
in Malaysia: A Causality Approach. Conference Proceedings of the 8th Annual
ECOFI Symposium 2022: 220-227.
Bowerman, B.L., O'Connell, R.T. & Koehler, A.B. 2005. Forecasting, Time Series, and
Regression: An Applied Approach. Edisi ke-4. Brooks/Cole.
Box, G.E.P. & Jenkins, G.M. 1976. Time Series Analysis: Forecasting and Control. San
Francisco: Holden Day.
Cheng, M.Y. & Tan, H.B. 2022. Inflation in Malaysia. International Journal of Social
Economics 29(5): 411-425. https://doi.org/10.1108/03068290210423532.
Delima, A.J.P & Lumintac, M.T. 2019. Application of Time Series Analysis for
Philippines’ Inflation Prediction. International Journal of Recent Technology
and Engineering 8(1): 1761-1765.
Dickey, D.A. & Fuller, W.A. 1979. Distribution of the Estimators for Autoregressive
Time Series with a Unit Root. Journal of the American Statistical Association
74(366): 427-431.
Hurtado, C., Luis, J., Fregoso, C. & Hector, J. 2013. Forecasting Mexican Inflation
Using Neural Networks. 23rd International Conference on Electronics,
Communications and Computing: 32-35.
doi: 10.1109/CONIELECOMP.2013.6525753.
Hyndman, R.J. & Athanasopoulos, G. 2021. Forecasting: Principles and Practice. Edisi
ke-3. OTexts.
39
Islam, R., Ghani, A.B.A., Abidin, I.Z. & Rayaiappan, J.M. 2017. Impact on poverty and
income inequality in Malaysia’s economic growth. Problems and Perspectives
in Management 15(1): 55-62. http://dx.doi.org/10.21511/ppm.15(1).2017.05.
Jabatan Statistik Malaysia. 2023. Analysis of Annual Consumer Price Index, Malaysia.
https://www.dosm.gov.my/portal-main/release-content/d5e9f77d-8b80-11ed-
96a6-1866daa77ef9.
Klugman, S.A., Panjer, H.H. & Willmot, G.E. 2019. Loss Model: From Data to
Decisions, 5th Ed. New Jersey: John Wiley & Sons.
Ljung, G.M. & Box, G.E.P. 1978. On a Measure of Lack of Fit in Time Series Models.
Biometrika 65(2): 297-303. https://doi.org/10.2307/2335207.
Maojun, P.A. & Ghani, N.A.A. 2020. COVID-19: Impact on Inflation. Bank Negara
Malaysia.
Mcnelis, P. & Mcadam, P. 2004. Forecasting Inflation with Thick Models and Neural
Networks. Working Paper Series. (NO.352). European Central Bank.
Montgomery, D.C., Jennings, C.L. & Kulahci, M. 2015. Introduction to Time Series
Analysis and Forecasting, 2nd. New Jersey: John Wiley & Sons.
Namin, J., Ghomi, S.M.T.F., Shojaie, M. & Shavvalpour, S. 2020. Annual forecasting
of inflation rate in Iran: Autoregressive integrated moving average modeling
approach. Engineering Reports 3(4): e12344.
https://doi.org/10.1002/eng2.12344.
Nyoni, T. 2019. Predicting Inflation in the Kingdom of Bahrain using ARIMA Models.
Munich Personal RePEc Archive. (NO. 92452).
Shcherbakov, M., Brebels, A. & Tyukov, A. 2013. A Survey of Forecast Error Measures.
World Applied Sciences Journal 24(24):171-176. DOI:
10.5829/idosi.wasj.2013.24.itmies.80032.
Wadi, S.A., Almasarweh, M. & Alsaraireh, A.A. 2018. Predicting Closed Price Time
Series Data Using Arima Model. Canadian Center of Science and Education
12(11): 1913-1852.
Villa, M.M. & Ceballos, R.F. 2020. Analysis and Forecasting of Fire Incidence in
Davao City. Recoletos Multidisciplinary Research Journal 8(2): 35-50.
.
41
LAMPIRAN A
2016 2.090566595
2017 3.871201158
2018 0.884709161
2019 0.662891866
2020 -1.138702154
2021 2.477102415
2022 3.378698625
LAMPIRAN B
library(forecast)
library(tseries)
inflation
adf.test(inflation1)
acf(inflation1)
pacf(inflation1)
Calon_Model_1=arima(inflation1, order=c(0,0,1))
arima(inflation1, order=c(0,0,1))
Calon_Model_2=arima(inflation1, order=c(1,0,0))
arima(inflation1, order=c(1,0,0))
Calon_Model_3=arima(inflation1, order=c(1,0,1))
arima(inflation1, order=c(1,0,1))
44
Calon_Model_4=arima(inflation1, order=c(2,0,0))
arima(inflation1, order=c(2,0,0))
Calon_Model_5=arima(inflation1, order=c(2,0,1))
arima(inflation1, order=c(2,0,1))
checkresiduals(Calon_Model_1)
Pengunjuran1=forecast(Calon_Model_1, h=5)
Pengunjuran1
autoplot(Pengunjuran1)