Penerapan Model ARIMAX-GARCH dalam Pemodelan dan Peramalan Volume Transaksi Uang Elektronik di Indonesia

Christopher Andreas (1), Sediono Sediono (2), Elly Ana (3), Suliyanto Suliyanto (4), M. Fariz Fadillah Mardianto (5)
(1) Universitas Airlangga, Indonesia,
(2) Program Studi Statistika, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya, Indonesia, Indonesia,
(3) Program Studi Statistika, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya, Indonesia, Indonesia,
(4) Program Studi Statistika, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya, Indonesia, Indonesia,
(5) Program Studi Statistika, Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga, Surabaya, Indonesia, Indonesia

Abstract

Di era ekonomi digital, berbagai aktivitas ekonomi telah banyak memanfaatkan penggunaan uang elektronik. Penggunaan uang elektronik memberi berbagai dampak positif terhadap perekonomian dan pertumbuhan ekonomi. Untuk itu, perkembangan ekonomi digital terus didorong dalam upaya untuk meningkatkan pertumbuhan ekonomi seperti salah satu pilar tujuan dari Sustainable Development Goals (SDGs). Hal ini menunjukkan bahwa pemodelan dan peramalan volume transaksi uang elektronik sangat penting untuk dilakukan karena volume transaksi uang elektronik tersebut merupakan salah satu indikator perkembangan ekonomi digital di Indonesia. Penelitian ini bertujuan untuk menciptakan model statistika yang memiliki akurasi tinggi guna meramalkan volume transaksi uang elektronik di Indonesia. Dalam hal ini, pemodelan dilakukan dengan mempertimbangkan dua variabel eksogen yaitu infrastruktur uang elektronik dan kondisi pandemi Covid-19. Penelitian ini dilakukan dengan melakukan analisis data berdasarkan data yang bersumber dari Bank Indonesia. Dengan menerapkan model ARIMAX-GARCH, diperoleh model statistika yang memiliki akurasi tinggi dalam meramalkan volume transaksi uang elektronik di Indonesia. Hal ini ditandai melalui nilai Mean Absolute Percentage Error (MAPE) sebesar 11,33%. Selain itu, kedua variabel eksogen yaitu infrastruktur uang elektronik dan kondisi pandemi Covid-19 berpengaruh signifikan terhadap volume transaksi uang elektronik di Indonesia. Penelitian ini bermanfaat sebagai landasan dalam melakukan evaluasi kebijakan terkait perkembangan ekonomi digital khususnya penggunaan uang elektronik di Indonesia.

Full text article

Generated from XML file

References

Andreas, C., Harianto, F. Y., Safitri, E. J., dan Chamidah, N. (2021a). Analyzing The Effect of BI 7-Days Repo Rate on The Jakarta Composite Index Using Nonparametric Regression Approaches Based on Least Square Spline Estimator. Jurnal Matematika, Statistika & Komputasi, 17(3), 447-461.

Andreas, C., Rahmayanti, I. A., Ulyah, S. M. (2021b). “The Impact of US-China Trade War in Forecasting The Gold Price Using ARIMAX Modelâ€. In AIP Conference Proceedings (Vol. 2329, p. 060011). AIP Publishing.

Aryani, S., Kuswanto, H., Suhartono. (2015). “Modeling Inflation Volatility Using ARIMAX-GARCHâ€. In International Conference on Science, Technology, and Humanity (p. 188-197).

Bank Indonesia. (2020). Electronification. Diakses pada 02 Oktober 2021, dari https://www.bi.go.id/en/fungsi-utama/sistem-pembayaran/ritel/elektronifi kasi/default.aspx.

Bank Indonesia (2021a). E-Money Transaction. Diakses pada 02 Oktober 2021, dari https://www.bi.go.id/en/statistik/ekonomi-keuangan/ssp/uang-elektro nik-transaksi.aspx.

Bank Indonesia. (2021b). Infrastructure of E-Money. Diakses pada 02 Oktober 2021, dari https://www.bi.go.id/en/statistik/ekonomi-keuangan/ssp/uang-elektronik-infrastruktur.aspx.

Cryer, J. D. dan Chan, K. S. (2008). Time Series Analysis with Application in R, 2nd Edition. New York: Springer.

Indrawati, M., Nabila, K., Manewalu, M. O., Firmansyah, R. (2021). Penggunaan Aplikasi Dompet Digital di Masa Pandemi Covid-19. Prosiding National Seminar on Accounting, Finance, and Economics (NSAFE), 1(8), 235-247.

Kanmar, N. P. (2014). The Use of Electronic Money and Its Impact on Monetary Policy. Journal of Contemporary Economic and Business Issues, 1(2), 79-82.

Moreno, J. J., Pol, A. P., Abad, A. S., dan Blasco, B. C. (2013). Using R-MAPE Index as a Resistant Measure of Forecast Accuracy. Psicothema, 25(4), 500-506.

Organisation for Economic Co-operation and Development. (2020). Digital Transformation in the Age of Covid-19: Building Resillience and Bridging Divides. Diakses pada 23 September 2021, dari https://www.oecd.org/digital/digital-economy-outlook-covid.pdf.

Rahmayanti, I. A., Andreas, C., Ulyah, S. M. (2021). Does US-China Trade War Affect The Brent Crude Oil Price? An ARIMAX Forecasting Approach. In AIP Conference Proceedings (Vol. 2329, p. 060010). AIP Publishing.

Sediono, Ana, E., dan Ardhiansyah, F. M. (2021). Modelling Electronic Money Transaction Volumes Based on The Intervention Analysis. In AIP Conference Proceedings (Vol. 2329, p. 060026). AIP Publishing.

Tsay, R. S. (2010). Analysis of Financial Time Series, 3th Edition. New Jearsey: Wiley.

Ulfi, I. (2020). Tantangan dan Peluang Kebijakan Non-Tunai: Sebuah Studi Literatur. Jurnal Ilmiah Ekonomi Bisnis, 25(1), 55-65.

Ulyah, S. M., Andreas, C., Rahmayanti, I. A. (2021). Forecasting Gold and Oil Prices Considering US-China Trade War Using Vector Autoregressive with Exogenous Input. In AIP Conference Proceedings (Vol. 2329, p. 060020). AIP Publishing.

Wolters, M dan Wieland, V. (2012). Forecasting and Policy Making. Institute for Monetary and Financial Stability, 62.

Authors

Christopher Andreas
Sediono Sediono
sediono101@gmail.com (Primary Contact)
Elly Ana
Suliyanto Suliyanto
M. Fariz Fadillah Mardianto
Andreas, C., Sediono, S., Ana, E., Suliyanto, S., & Mardianto, M. F. F. (2021). Penerapan Model ARIMAX-GARCH dalam Pemodelan dan Peramalan Volume Transaksi Uang Elektronik di Indonesia. MUST: Journal of Mathematics Education, Science and Technology, 6(2), 241–256. https://doi.org/10.30651/must.v6i2.11214

Article Details

Most read articles by the same author(s)