Penerapan Dynamic Factor Model Pada Nowcasting Pertumbuhan Ekonomi Sektoral Dengan Data Berfrekuensi Tinggi

Supriyatna, Putu Krishnanda (2023) Penerapan Dynamic Factor Model Pada Nowcasting Pertumbuhan Ekonomi Sektoral Dengan Data Berfrekuensi Tinggi. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003211032-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Pertumbuhan ekonomi merupakan salah satu indikator penting yang digunakan sebagai bahan evaluasi maupun perencanaan oleh berbagai pihak. Sayangnya, perilisan data pertumbuhan ekonomi memiliki jeda waktu cukup panjang hingga lebih dari sebulan. Ketersediaan indikator perekonomian yang tepat waktu mampu mengoptimalkan penggunaannya dalam mengontrol situasi perekonomian, sebaliknya keterlambatan ketersediaan indikator perekonomian akan berdampak pada ketidaksiapan dalam menghadapi suatu kondisi perekonomian. Metode nowcasting merupakan salah satu solusi untuk mendapatkan gambaran mengenai kondisi perekonomian dengan lebih cepat dan real time. Agar nowcasting memberikan informasi secara cepat maka dibutuhkan indikator lain sebagai estimator yang mampu diperoleh secara real time dan dengan frekuensi yang tinggi. Kekuatan prediksi dari data berfrekuensi tinggi lebih baik karena mengandung lebih banyak informasi. Oleh karena itu, diperlukan metode yang bisa memfasilitasi estimasi parameter dari data time series yang memiliki frekuensi tinggi. Salah satu metode yang bisa menjawab permasalahan tersebut adalah DFM (Dynamic Factor Model) yang mampu melakukan nowcasting menggunakan data berfrekuensi tinggi. Pada peneltian ini nowcasting akan dilakukan pada DFM dengan metode estimasi dua tahap (DFM-TS) dan dengan estimasi Quasi Maximum Likelihood (DFM-QML). Untuk melihat dampak penggunaan data berfrekuensi tinggi, pada penelitian ini akan dilakukan juga peramalan menggunakan metode ARMAX (Autoregressive Moving Average with Exogenous Variables). Kedua metode DFM memiliki tingkat kesalahan estimasi yang lebih kecil dibandingan metode ARMAX pada nowcasting pertumbuhan sektor industri, sedangkan pada nowcasting pertumbuhan sektor transportasi dan keuangan metode ARMAX memiliki tingkat kesalahan estimasi yang lebih kecil. Selain itu, DFM-QLM menghasilkan nilai Adj R-Squared yang lebih besar daripada DFM-TS pada ketiga sektor kecuali pada sektor transportasi.

=====================================================================================================================================

Economic growth is an important indicator used as material for evaluation and planning by various parties. Unfortunately, the release of economic growth data has a long delay of more than a month. The timely availability of economic indicators is capable of optimizing their use in controlling the economic situation, whereas delays in the availability of economic indicators will have an impact on unpreparedness in dealing with an economic condition. The nowcasting method is a solution to get an overview of economic conditions more quickly and in real time. In order for nowcasting to provide information quickly, another indicator is needed as an estimator that can be obtained in real time and with high frequency. The predictive power of high-frequency data is better because it contains more information. Therefore, a method is needed that can facilitate parameter estimation from time series data that has a high frequency. One method that can answer this problem is the DFM (Dynamic Factor Model) which is capable of performing nowcasting using high-frequency data. In this research, nowcasting will be carried out on DFM with a two-stage estimation method (DFM-TS) and with Quasi Maximum Likelihood (DFM-QML) estimation. To see the impact of using high-frequency data, this research will also carry out forecasting using the ARMAX (Autoregressive Moving Average with Exogenous Variables) method. The two DFM methods have a smaller estimation error rate than the ARMAX method for nowcasting growth in the industrial sector, while for nowcasting growth in the transportation and financial sectors the ARMAX method has a smaller estimation error rate. In addition, the DFM-QLM produces a larger Adj R-Squared value than the DFM-TS in all three sectors except the transportation sector.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	ARMAX, Data Berfrekuensi Tinggi, DFM, Nowcasting, PDB Sektoral, Pertumbuhan Ekonomi Sektoral, High Frequency Data, Sectoral GDP, Nowcasting Sectoral Economic Growth
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA278.5 Principal components analysis. Factor analysis. Correspondence analysis (Statistics) Q Science > QA Mathematics > QA402.3 Kalman filtering.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Putu Krishnanda Supriyatna
Date Deposited:	07 Aug 2023 07:44
Last Modified:	07 Aug 2023 07:44
URI:	http://repository.its.ac.id/id/eprint/104206

Actions (login required)

View Item