Nowcasting Dan Eksplorasi Leading Indicatorpertumbuhan Ekonomi Indonesia Dengan Metode Dfm, Svr, Dan Random Forest

Wiradinatha, W. Hendra (2022) Nowcasting Dan Eksplorasi Leading Indicatorpertumbuhan Ekonomi Indonesia Dengan Metode Dfm, Svr, Dan Random Forest. Masters thesis, Institut Teknologi Sepuluh Nopember Surabaya.

Text 6003201032-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 November 2024. Download (6MB)

Abstract

Gambaran agregat dari perekonomian atau pertumbukan ekonomi suatu negara biasanya digambarkan dengan variabel yaitu Produk Domestik Bruto (PDB). PDB digunakan sebagai cara untuk mengukur nilai dari aktivitas ekonomi karena sering dianggap sebagai ukuran terbaik untuk mengukur kinerja perekonomian dengan mengukur pendapatan semua orang atau entitas yang terdapat dalam suatu sistem ekonomi, sama dengan total pengeluarannya pada output ekonomi barang dan jasa. Di dalam perekonomian dibutuhkan pula indicator ekonomi unggulan (leading economic indicator) yang memuat seperangkat indikator ekonomi yang pergerakannya mendahului aktivitas ekonomi secara keseluruhan. Dimana para ekonom menggunakannya untuk memprediksi keadaan ekonomi masa depan, biasanya dalam jangka waktu pendek. Berdasarkan Advance Rilis Calendar (ARC), data PDB yang dirilis oleh Badan Pusat Statistik (BPS) terdapat delay waktu yang cukup lama yaitu selama lima minggu. Padahal, data makroekonomi yang lengkap dan up to date tentang keadaan ekonomi saat ini sangat penting bagi pembuat kebijakan, pelaku bisnis dan lembaga publik. Keterbatasan rilis PDB yang dilakukan dapat diatasi dengan salah satu metode yaitu nowcasting. Nowcasting dilakukan berdasarkan fakta atau data yang tersedia, dan berfokus pada apa yang diketahui dan bisa diketahui, inilah dasar yang membedakannya dengan forecasting, dimana forecasting memanfaatkan model konvensional yang hanya memanfaatkan data historis PDB dan tidak mengakomodir perbedaan frekuensi dari beberapa data makro ekonomi lainnya yang dihasilkan dalam rentang periode lebih singkat seperti data bulanan. Machine learning diidentifikasi secara empiris untuk nowcasting pertumbuhan PDB bulanan menggunakan 16 variabel makroekonomi. Model nowcasting DFM dibentuk oleh 6 loading factor dari 16 variabel bulanan penelitian dan 1 variabel pertumbuhan PDB dengan lag 1. Model SVR di peroleh dari model SVR-RBF, dan model Random Forest hasil terbaik diperoleh dengan nilai OOBRMSE terkecil. Akurasi terbaik dari ketiga model tersebut ditunjukan oleh model SVR-RBF dengan nilai RMSE dan sMAPE sebesar 0,909 dan 0,917. Pada penelitian ini tidak terdapat variabel dengan proporsi dominan dalam pembentukan pertumbuhan PDB Indonesia sehingga leading indicator tidak dapat ditentukan
======================================================================================================================================
The aggregate picture of a country's economy or economic growth is usually described by a variable, namely the Gross Domestic Product (GDP). GDP is used as a way to measure the value of economic activity because it is often considered the best measure of economic performance by measuring the income of all people or entities in an economic system, equal to their total expenditure on the economic output of goods and services. The economy also requires leading economic indicators which include a set of economic indicators whose movement precedes economic activity as a whole. Where economists use it to predict future economic conditions, usually in the short term. Based on the Advance Release Calendar (ARC), the GDP data released by the Central Bureau of Statistics (BPS) has a long delay of five weeks. In fact, complete and up to date macroeconomic data on the current state of the economy is very important for policy makers, business players and public institutions. The limitations of PDB release that can be done can be overcome by one method, namely nowcasting. Nowcasting is carried out based on facts or available data, and focuses on what is known and can be known, this is the basis that distinguishes it from forecasting, where forecasting utilizes conventional models that only utilize historical GDP data and does not accommodate differences in frequency from some other macroeconomic data produced over a shorter period of time such as monthly data. Machine learning is empirically identified for nowcasting monthly GDP growth using 16 macroeconomic variables. The DFM nowcasting model is formed by 6 loading factors from 16 monthly research variables and 1 GDP growth variable with lag 1. The SVR model is obtained from the SVR-RBF model, and the Random Forest model has the best results obtained with the smallest OOBRMSE value. The best accuracy of the three models is shown by the SVR-RBF model with RMSE and sMAPE values of 0.909 and 0.917. In this study there is no variable with a dominant proportion in the formation of Indonesia's GDP growth so that the leading indicator cannot be determined

Item Type:	Thesis (Masters)
Additional Information:	RTSt 519.535 Wir n-1 2022
Uncontrolled Keywords:	Nowcasting, DFM, SVR, Random Forest, PDB, Leading Indicator; Nowcasting, DFM, SVR, Random Forest, GDP, Leading Indicator
Subjects:	Q Science > QA Mathematics > QA280 Box-Jenkins forecasting
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	EKO BUDI RAHARJO
Date Deposited:	11 Apr 2023 02:17
Last Modified:	11 Apr 2023 02:17
URI:	http://repository.its.ac.id/id/eprint/97852

Actions (login required)

View Item