Pemodelan Self Exciting Threshold Autoregressive Berbasis Permutation Entropy Menggunakan Metode Monte Carlo pada Peramalan Inflasi Nasional

Latar Belakang. Peramalan bertujuan untuk memprediksi kejadian mendatang berdasarkan informasi historis. Peramalan dapat dilakukan menggunakan analisis deret waktu, salah satunya melalui pendekatan autoregresif (AR). Namun, model AR kurang mampu menangkap nonlinieritas pada data. Model Self Exciting Threshold Autoregressive (SETAR) merupakan pengembangan dari model AR untuk menangani nonlinieritas. Model SETAR membagi data menjadi beberapa regime berdasarkan nilai threshold, sehingga mampu memodelkan dinamika data yang bersifat nonlinier. Proses peramalan lebih dari satu langkah pada model SETAR masih menjadi tantangan akibat adanya nonlinearitas, sehingga digunakan simulasi Monte Carlo untuk memperoleh nilai peramalan. Tujuan. Penelitian ini bertujuan untuk melakukan pemodelan SETAR berbasis Permutation Entropy (PE) dan menghasilkan peramalan inflasi menggunakan simulasi Monte Carlo. Metode. Data yang digunakan merupakan data bulanan inflasi nasional tahun 1998-2025. Pemodelan diawali dengan menentukan orde maksimal AR menggunakan PE. Selanjutnya, menentukan banyaknya regime, orde AR masing-masing regime, nilai threshold, dan delay untuk memperoleh model SETAR terbaik berdasarkan nilai Akaike Information Criterion. Parameter model kemudian diestimasi menggunakan metode Ordinary Least Square dan digunakan untuk menghasilkan peramalan melalui simulasi Monte Carlo. Hasil. Model SETAR terbaik yang diperoleh adalah 2-regime SETAR(4,2,4) dengan nilai threshold sebesar 0,0389. Evaluasi peramalan simulasi Monte Carlo (SETAR-MC) menghasilkan nilai MAE dan RMSE yang lebih kecil, yaitu 0,4290 dan 0,6391 dibandingkan MAE dan RMSE peramalan tanpa Monte Carlo (SETAR), yaitu 0,4860 dan 0,6665. Kesimpulan. Hasil peramalan menunjukkan bahwa penerapan simulasi Monte Carlo pada model SETAR memberikan peningkatan akurasi peramalan dibandingkan peramalan SETAR tanpa Monte Carlo, yang tercermin dari penurunan nilai MAE dan RMSE.