Peramalan tingkat bunga bi 7-day repo rate menggunakan arima serta dampaknya bagi investor

Nabilla Fadia Paramitha, Niken Hapsari Agustiningrum, Ni Made Ganesh Parardhya Candalalita, Hasna Afifah Rusyda

Abstract


BI 7-Day Repo Rate merupakan suku bunga acuan baru yang ditetapkan mulai tahun 2016. Suku bunga acuan ini memiliki tenor yang lebih singkat dibandingkan dengan BI Rate yaitu hanya 7 hari. Singkatnya tenor BI 7-Day Repo Rate ini diharapkan akan meningkatkan efektifitas kebijakan moneter jika suatu saat terjadi perubahan, baik kenaikan ataupun penurunan, sehingga dampak terhadap perekonomian dapat dengan cepat teratasi. Penelitian ini bertujuan untuk meramalkan tingkat BI 7-Day Repo Rate selama lima periode ke depan (Desember 2020 s.d April 2021) hingga nantinya dapat menjadi acuan bagi para investor untuk mengalokasikan dananya dalam investasi ataupun didepositkan di lembaga perbankan. Data yang digunakan merupakan data primer mengenai nilai BI 7-Day Repo Rate selama periode Maret 2019 s.d November 2020 yang tercantum pada laman resmi BI. Peramalan BI 7-Day Repo Rate ini menggunakan model ARIMA(0,1,1) dengan konstanta (drift). Hasil peramalan pada penelitian ini menemukan bahwa BI-7 Day Repo Rate di periode Desember 2020 s.d. April 2021 akan selalu menurun dan berada pada kisaran 3-3.5%.


Keywords


Arima; ekonomi; bi 7-day repo rate

References


Aljannah, R. A. (2018). Analisis Pengaruh 7 Day Rate Repo, Inflasi, Nilai Tukar, dan PDB terhadap Indeks Harga Saham Sektor Properti (Studi Empiris di Bursa Efek Indonesia). Jurnal Akuntansi, 5(2), 96–106.

As’ad, M., Wibowo, S. S., & Sophia, E. (2017). Peramalan Jumlah Mahasiswa Baru dengan Model Autoregressive Integrated Moving Average (ARIMA). JIMP-Jurnal Informatika Merdeka Pasuruan, 2(3).

Aziz, S., Sayuti, A., & Mustakim, M. (2017). Penerapan Metode ARIMA untuk Peramalan Pengunjung Perpustakaan UIN Suska Riau. Seminar Nasional Teknologi Informasi Komunikasi Dan Industri, 186–193.

BI 7-day (Reverse) Repo Rate. (n.d.). Retrieved November 28, 2020, from https://www.bi.go.id/id/moneter/bi-7day-RR/data/Contents/Default.aspx

Braiman, Y., Family, F., & Hentschel, H. G. E. (2016). Introduction to Time Series and Forecasting. In Springer Texts in Statistics (Vol. 68, Issue 22). https://doi.org/10.1063/1.115817

Hyndman, R. J. (2012). Constants and ARIMA models in R. Retrieved November 30, 2020, from https://robjhyndman.com/hyndsight/arimaconstants/

Hyndman, R. J. (2014). Testing for trend in ARIMA models. Retrieved November 30, 2020, from https://robjhyndman.com/hyndsight/arima-trends/

Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting : Principles and Practice. II.

Suyitno. (2011). Pengestimasian Parameter Model Autoregresif pada Analisis Deret Waktu Univariat. EKSPONENSIAL, 2.

Warjiyo, P. (2014). Bank Indonesia Bank Sentral Republik Indonesia Sebuah Pengantar. Bank Indonesia, 1(1), 61–129. https://www.bi.go.id/id/statistik/sistem-pembayaran/uang-elektronik/contents/transaksi.aspx%0Ahttps://www.bi.go.id/id/ruang-media/siaran-pers/pages/sp_165814.aspx%0Ahttps://www.bi.go.id/id/ruang-media/siaran-pers/Pages/sp_165814.aspx

Yuliani, W. D., Prasetyo, D. D., & (n.d.)., I. (2013). Penaksiran Parameter Model ARIMA dengan Menggunakan Algoritma Genteika. 53(9), 1689–1699.




DOI: https://doi.org/10.30872/jkin.v18i2.8580

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Nabilla Fadia Paramitha, Niken Hapsari Agustiningrum, Ni Made Ganesh Parardhya Candalalita, Hasna Afifah Rusyda

Crossref logo 

Editorial Address

Kinerja: Jurnal Ekonomi dan Manajemen
Faculty of Economics and Business, Mulawarman University
Jl. Tanah Grogot No.1 Samarinda Kalimantan Timur 75119
Email: jkin.feb.unmul@gmail.com

StatCounter: Kinerja