UYD terakhir (Jul 2026*)1,314.3 T Rp*angka sementara
UYD awal (Jan 2012)345.2 T Rp3.8× dalam 14,5 th
Efek Idulfitri (rata-rata)+3.0% / -5.3%bulan Fitri / bulan berikutnya
Model terbaik di testLassoCV 3,31%Naive 3,47% (MAPE)
Sampel supervised162train 120 · test 42
Ringkasan eksekutif
Arsitektur ANN 7 blok input • target UYD bulan t+1 • ISN = α × UYD
Kajian ini membangun model prediksi UYD nasional bulanan (Jan 2012–Jul 2026, 175 observasi) sebagai basis perhitungan ISN. Kebutuhan ISN diturunkan dari proyeksi UYD melalui relasi proporsional berikut.
ÎSNt+1 = αt+1 × ÛYDt+1
Input model terdiri dari 7 blok dengan total ±155 fitur dan lag 0–12: dinamika UYD dan kas, makroekonomi dan moneter, harga komoditas global, digitalisasi sistem pembayaran, bencana dan gangguan sosial, geopolitik dan ketidakpastian, serta kalender dan musiman.
Temuan utama tahap baseline.
- Musiman Idulfitri pada UYD sangat kuat, rata-rata +3.0% pada bulan Fitri dan -5.3% pada bulan berikutnya.
- Model linear jarang (LassoCV, MAPE test 3,31%) mengalahkan Naive (3,47%). Sebaliknya model nonlinear dan tree (MLP 10,75%, Random Forest 16,46%, SVR 27,76%) overfit berat pada sampel sekecil ini.
- Ridge inti 23 fitur (4,16%) tetap sehat. Seleksi cerdas yang membuang proksi tren makro (4,25%) setara, sedangkan eliminasi VIF buta runtuh (14,92%). Arah yang tepat adalah kompresi per blok sebelum ANN final.
CARA MEMBACA DASHBOARD
- Data dan Visualisasi: fakta dan pola historis UYD.
- Evaluasi Model: perbandingan antar model pada periode test.
- Simulator: uji sensitivitas “bagaimana-jika” satu bulan ke depan.
- Glosarium: definisi setiap simbol, singkatan, dan sumber data.
Formulasi model
Tiga persamaan berikut merumuskan alur model dari input hingga ISN
| Persamaan | Arti |
|---|---|
| Xt = [CASHt, MACROt, COMt, DIGt, DISt, GEOt, CALt] | Vektor input gabungan 7 blok, informasi s.d. bulan t. |
| ÛYDt+1 = ANNθ(Xt) | Prediksi UYD bulan berikutnya oleh jaringan saraf. |
| ÎSNt+1 = αt+1 × ÛYDt+1 | Kebutuhan ISN sebagai proporsi α dari UYD (skenario kebijakan). |
UYD nasional, Jan 2012 – Jul 2026 (Rp miliar)
Sumber: statistik SPIP Bank Indonesia • Mei–Jul 2026 angka sementara
INTERPRETASI
- Tren jangka panjang menanjak: dari 345.2 T Rp (2012) menjadi 1,314.3 T Rp (2026), ±3.8 kali lipat.
- Gerigi tahunan yang tajam = efek Idulfitri; pelemahan 2020 mencerminkan COVID-19.
- UYD bersifat sangat persisten dari bulan ke bulan. Inilah alasan model Naive sulit dikalahkan pada horizon 1 bulan.
Pola musiman: rata-rata perubahan bulanan (MoM) per bulan kalender
Rata-rata 2012–2026; garis nol sebagai acuan
INTERPRETASI
- Bulan-bulan dengan Idulfitri berpindah tahun ke tahun, sehingga efeknya tersebar pada rata-rata Mei–Agu. Dummy FITRI dan proporsi Ramadan (RAM) menangkap pola ini secara eksplisit.
- Penurunan tajam setelah lonjakan = arus balik (inflow) uang kembali ke BI; pasangan Outflow–Inflow penting sebagai fitur.
- Desember (Nataru) relatif moderat dibanding Idulfitri, konsisten dengan ekspektasi tanda pada dokumen model.
Tabel efek Idulfitri per tahun
MoM pada bulan Fitri vs bulan berikutnya sebagai dasar kalibrasi blok kalender
| Bulan Fitri | UYD (Rp M) | MoM bulan Fitri | MoM bulan berikut |
|---|---|---|---|
| Aug 2012 | 405,661 | +5.6% | -5.1% |
| Aug 2013 | 437,097 | +-7.7% | -0.6% |
| Jul 2014 | 564,524 | +21.4% | -15.5% |
| Jul 2015 | 539,166 | +6.4% | -4.7% |
| Jul 2016 | 567,894 | +-11.5% | -2.2% |
| Jun 2017 | 719,512 | +22.1% | -14.2% |
| Jun 2018 | 727,866 | +2.2% | -6.3% |
| Jun 2019 | 727,856 | +-14.4% | -1.3% |
| May 2020 | 798,557 | +7.4% | -6.7% |
| May 2021 | 851,259 | +0.9% | -2.2% |
| May 2022 | 929,811 | +-10.7% | -1.9% |
| Apr 2023 | 1,031,024 | +8.7% | -5.7% |
| Apr 2024 | 1,058,233 | +-1.4% | -1.9% |
| Mar 2025 | 1,240,116 | +11.5% | -8.5% |
| Mar 2026 | 1,346,664 | +4.6% | -3.4% |
Aktual vs prediksi pada periode test (target: UYD bulan t+1)
Train Jan 2013–Des 2022 (120) • test Jan 2023–Jun 2026 (42) • scaling fit-train-only
Naive (UYDt)3,47%
LassoCV inti3,31%
ElasticNetCV inti3,41%
Ridge inti 23 fitur4,16%
Ridge full 159 fitur9,83%
MLP(64,32) full14,54%
INTERPRETASI
- Naive menang: wajar untuk deret yang persisten pada horizon 1 bulan. Ini benchmark yang harus dikalahkan, bukan kegagalan kajian.
- Model full-fitur menghafal data latih (train MAPE ±2–3%) tetapi runtuh di test → overfit dimensi (159 fitur vs 120 latih).
- Ridge inti 23 fitur mengembalikan generalisasi hingga hampir setara Naive. Ini bukti bahwa seleksi fitur dan arsitektur per-blok adalah arah yang tepat sebelum melatih ANN final.
Tabel metrik lengkap
Papan peringkat: 10 model pada fitur inti (23 peubah)
Diurut menurut MAPE test • RidgeCV pada tabel di atas sama dengan “Ridge inti”
| Model | MAPE latih | MAPE test | RMSE test (Rp M) |
|---|---|---|---|
| → LassoCV | 3.43% | 3.31% | 50,672 |
| ElasticNetCV | 3.43% | 3.41% | 52,126 |
| Naive | 4.64% | 3.47% | 52,759 |
| RidgeCV | 3.40% | 4.16% | 59,320 |
| OLS | 3.39% | 4.30% | 61,446 |
| Seasonal | 8.72% | 8.68% | 109,752 |
| MLP(16) | 2.25% | 10.75% | 187,039 |
| RandomForest | 3.09% | 16.46% | 232,112 |
| GradBoosting | 2.41% | 17.16% | 237,685 |
| SVR(RBF) | 2.93% | 27.76% | 378,433 |
INTERPRETASI
- Linear jarang menang. LassoCV (3,31%) dan ElasticNetCV (3,41%) mengalahkan Naive karena penalti L1 menonaktifkan fitur redundan secara otomatis. Lasso menyimpan 13 dari 23 fitur, terkuat: UYDt, lag-12, GDP, NATARU, RAM, FITRI.
- Nonlinear dan tree runtuh. MLP, Random Forest, Gradient Boosting, dan SVR menghafal data latih (MAPE 2–3%) lalu gagal di test (11–28%). Sampel 120 terlalu kecil untuk fleksibilitas sebesar itu.
- Implikasi untuk ANN: arsitektur final perlu induksi sparsitas atau kompresi per blok agar meniru keunggulan Lasso, bukan menambah kapasitas mentah.
Ablasi blok (Ridge full, test RMSE_log)
Delta negatif = error turun saat blok dibuang → indikasi redundansi/overfit
INTERPRETASI
- MACRO & CASH paling bernilai (error naik saat dibuang).
- Membuang DIG / COM / GEO / CAL justru memperbaiki skor. Artinya bukan bloknya yang tak penting secara ekonomi, melainkan 48 fitur digital beserta lag yang berlebih menjadi noise bagi estimator linear berdimensi tinggi.
- Implikasi: kompres tiap blok (PCA/embedding) sebelum fusi ANN, bukan membuang blok.
Matriks korelasi antar fitur (r Pearson)
33 peubah kontemporer • sampel Jan 2020–Jun 2026 (n=79) agar semua kanal digital tersedia • garis tebal memisahkan blok • arahkan kursor untuk nilai pasti
Merah: korelasi positif • Biru: negatif • angka ditampilkan bila |r| ≥ 0,50
INTERPRETASI
- Volume dan nominal kanal yang sama praktis identik (r 0,97–0,999). Untuk model cukup dipakai salah satu, sebaiknya nominal.
- Antar kanal digital saling berkorelasi tinggi karena tren adopsi bersama, bukan hubungan sebab-akibat.
- Blok bencana, sosial, dan geopolitik hampir ortogonal terhadap blok lain. Inilah nilai tambahnya sebagai fitur.
Pasangan paling berkorelasi (|r| ≥ 0,85) dan VIF
VIF dihitung pada desain inti 23 fitur, sampel latih • ambang kewaspadaan umum: VIF > 10
| Pasangan | r |
|---|---|
| DBV_ln dan DBN_ln | +0.999 |
| CCV_ln dan CCN_ln | +0.998 |
| MBV_ln dan MBN_ln | +0.997 |
| UEV_ln dan UEN_ln | +0.992 |
| DBN_ln dan CCN_ln | +0.989 |
| QRISV_ln dan QRISN_ln | +0.988 |
| UEV_ln dan CCV_ln | +0.987 |
| DBV_ln dan CCN_ln | +0.986 |
| DBN_ln dan CCV_ln | +0.986 |
| UEV_ln dan CCN_ln | +0.984 |
| DBV_ln dan CCV_ln | +0.983 |
| UEN_ln dan MBN_ln | +0.980 |
| Fitur | VIF | Status |
|---|---|---|
| logUYD_t0 | 153.49 | Tinggi |
| GDP_t | 116.60 | Tinggi |
| logUYD_lag12 | 103.39 | Tinggi |
| logUYD_lag1 | 60.66 | Tinggi |
| IPR_t | 20.47 | Tinggi |
| FX_t | 19.29 | Tinggi |
| BIR_t | 7.63 | Waspada |
| RAM_t | 7.33 | Waspada |
| PRO_t | 5.58 | Waspada |
| INF_t | 5.40 | Waspada |
| IKK_t | 5.09 | Waspada |
| NATARU_t | 4.86 | Aman |
| RIOT_t | 3.82 | Aman |
| logOutflow_lag1 | 3.68 | Aman |
| FITRI_t | 2.78 | Aman |
| COS_t | 2.73 | Aman |
| logInflow_lag1 | 2.64 | Aman |
| DSI_t | 2.24 | Aman |
| SIN_t | 2.16 | Aman |
| WUI_t | 1.66 | Aman |
| COVID_t | 1.56 | Aman |
| GPR_t | 1.47 | Aman |
| FAT_t | 1.43 | Aman |
Bagus mana: prediksi dengan vs tanpa fitur multikolinear
Tiga varian Ridge, belahan latih/uji yang sama • eliminasi VIF-buta membuang 5 fitur bervif tertinggi • smart-drop hanya membuang GDP dan IPR
| Model | n fitur | MAPE latih | MAPE test |
|---|---|---|---|
| Ridge inti 23 fitur | 23 | 3.40% | 4.16% |
| Ridge VIF-blind (18 fitur) | 18 | 5.74% | 14.92% |
| Ridge smart-drop (21 fitur) | 21 | 3.38% | 4.25% |
| Naive (pembanding) | – | 4,64% | 3,47% |
INTERPRETASI
- Eliminasi buta berbahaya. VIF-buta membuang justru sinyal autoregresif inti (UYDt, lag-1, lag-12) sehingga MAPE test runtuh ke 14,92%.
- Multikolinearitas tidak merusak prediksi bila estimator diregularisasi. Ridge inti tetap terbaik (4,16%).
- Seleksi cerdas bersifat netral. Membuang proksi tren makro (GDP, IPR) menghasilkan 4,25%, setara. Rekomendasi tetap kompresi per blok, bukan pembuangan buta.
Simulator “bagaimana-jika”: Ridge inti, horizon 1 bulan
Default = posisi Jun 2026 • lag & SIN/COS terkunci dari data • output: UYDt+1 dan ISN = α×UYD
Prediksi UYD bulan depan-
Prediksi ISN (α×UYD)-
UYD bulan acuan-
Catatan baca: simulator memprediksi bulan depan (t+1). Mencetang “Bulan Idulfitri” berarti bulan ini Lebaran → model memproyeksikan penurunan bulan depan (±13%, pola historis pasca-Lebaran −10–−15%). Ini eksplorasi sensitivitas, bukan angka kebijakan definitif karena model inti masih kalah tipis dari Naive.
Glosarium singkatan
Istilah yang dipakai di dashboard, dataset, dan dokumen model
| Singkatan | Kepanjangan | Keterangan |
|---|---|---|
| UYD | Uang Rupiah yang Diedarkan | Posisi nasional, Rp miliar, bulanan. Variabel target. |
| ISN | Iron Stock Nasional | Kebutuhan persediaan; dimodelkan sebagai α×UYD. |
| ANN | Artificial Neural Network | Fungsi nonlinear pemeta Xt → UYDt+1. |
| SPIP | Statistik Sistem Pembayaran & Infrastruktur Pasar Keuangan | Sumber UYD, inflow/outflow, dan data kanal pembayaran (BI). |
| SEKI | Statistik Ekonomi & Keuangan Indonesia | Sumber PDB triwulanan (did disagregasi ke bulanan). |
| BI Rate / BI7DRR | Suku bunga kebijakan BI | BI7DRR jadi policy rate sejak Agu 2016; bernama BI-Rate sejak Des 2023. Dipakai posisi akhir bulan. |
| IPR / IKK | Indeks Penjualan Riil / Indeks Keyakinan Konsumen | Indikator konsumsi & optimisme; sumber survei BI. |
| CPO | Crude Palm Oil | Serta batubara Australia, minyak mentah rata-rata, nikel, emas (World Bank). |
| QRIS / UE | QRIS / Uang Elektronik | Volume & nominal; QRIS tercatat sejak Jan 2020. |
| DSI | Disaster Severity Index | PCA dari kejadian, korban, rumah terdampak, fasum (9 jenis bencana, BNPB). |
| PCA | Principal Component Analysis | Dipakai untuk DSI dan indeks COVID. |
| PRO / RIOT / FAT | Protes / Kerusuhan-konflik / Fatalitas | RIOT = Battles+Explosions+Kekerasan thd sipil+Riots (ACLED, sejak 2015). |
| GPR / WUI | Geopolitical Risk / World Uncertainty Index (Indonesia) | Indeks berbasis pemberitaan, bulanan. |
| RAM / FITRI / NATARU | Ramadan / Idulfitri / Natal-Tahun Baru | RAM = proporsi hari Ramadan; FITRI & NATARU dummy. |
| SIN / COS | Transformasi musiman | sin(2πm/12), cos(2πm/12); m = nomor bulan. |
| EOM / ADHK | End-of-month / Atas Dasar Harga Konstan | Konvensi pencatatan BI Rate & PDB riil 2010. |
| RMSE / MAE / MAPE | Metrik error | Target ANN dilatih dalam log; metrik level dalam Rp miliar. |
Kamus 7 blok input
Tujuh blok peubah input beserta simbol dan perlakuannya
Blok 1: CASH (dinamika UYD & kas)
| Simbol | Variabel | Transformasi |
|---|---|---|
| UYDt−k | UYD historis lag 1,2,3,12 | Log; lag-12 pola tahunan |
| IN / OUT | Inflow & outflow lag 1–3 (+ posisi t pada baseline) | Log |
Blok 2: MACRO (makroekonomi & moneter)
| Simbol | Variabel | Transformasi |
|---|---|---|
| INF, BIR, GDP, IPR, IKK, FX | Inflasi; BI Rate; PDB riil; IPR; IKK; kurs USD/IDR | Level kecuali GDP & FX (log); lag 0–3 |
Blok 3: COM (komoditas global)
| Simbol | Variabel | Transformasi |
|---|---|---|
| CPO, COAL, OIL, NICKEL, GOLD | CPO; batubara Australia; minyak mentah; nikel; emas | Log; lag 0–3 |
Blok 4: DIG (digitalisasi pembayaran)
| Simbol | Variabel | Transformasi |
|---|---|---|
| QRISV/N, UEV/N, DBV/N, CCV/N, MBV/N, IBV/N | Volume & nominal: QRIS; UE; ATM/debit belanja; kartu kredit; mobile banking; internet banking | log1p (0 = belum tercatat) + flag; lag 0–3 |
Blok 5: DIS (bencana & sosial)
| Simbol | Variabel | Transformasi |
|---|---|---|
| DSI, COVID, PRO, RIOT, FAT | Indeks bencana alam; keparahan COVID; protes; kerusuhan/konflik; fatalitas | Indeks & cacah bulanan; lag 0–3 |
Blok 6: GEO • Blok 7: CAL
| Simbol | Variabel | Transformasi |
|---|---|---|
| GPR, WUI | Risiko geopolitik & ketidakpastian Indonesia | Standardisasi; lag 0–3 |
| RAM, FITRI, NATARU, SIN, COS | Kalender & musiman | Proporsi/dummy/sin-cos; tanpa lag |
Metodologi & keterbatasan
Jejak pengolahan yang dapat direproduksi
| Tahap | Isi |
|---|---|
| 1. Konsolidasi | Sembilan sumber data bulanan dihimpun menjadi satu dataset induk (175 bulan). Koreksi: 3 sel inflasi “3 %”/“4 %” dibaca 0,03/0,04. |
| 2. Rekayasa fitur | DSI via PCA; PRO/RIOT/FAT dari ACLED; RAM/FITRI/NATARU/SIN/COS kalender; log & log1p sesuai dokumen. |
| 3. Supervisi | Fitur Xt (±155 peubah) dipasangkan dengan target Yt+1; 162 baris (Jan 2013–Jun 2026). |
| 4. Validasi | Split waktu train < 2023 / test ≥ 2023; scaling fit-train-only; benchmark Naive & musiman wajib. |
| 5. Keterbatasan | QRIS (2020+), mobile/internet banking (Agu 2018+), ACLED (2015+) pendek; COVID pasca-2022 NaN; UYD 2026 sementara; n < p pada model full. |
Sumber: statistik SPIP & SEKI Bank Indonesia • survei Bank Indonesia • statistik harga komoditas Bank Dunia • BNPB • Kementerian Kesehatan • ACLED • indeks GPR dan WUI.