Metode Least Squares Spline (LS-Spline) menawarkan pendekatan fleksibel untuk memodelkan data deret waktu yang berfluktuasi dengan memposisikan simpul secara adaptif pada titik-titik perubahan struktural. Studi ini mengembangkan metode estimasi LS-Spline untuk model Regresi Deret Waktu Semiparametrik (Semiparametric Time Series Regression–STSR), yang menggabungkan struktur autoregresif sebagai komponen parametrik dan beberapa fungsi nonparametrik untuk menangkap efek nonlinier. Model ini diterapkan untuk memprediksi Indonesia Composite Index (ICI), sebuah indikator kunci pertumbuhan ekonomi berkelanjutan. Temuan ini menekankan potensi model LS-Spline STSR sebagai alat peramalan ekonomi yang dapat mendukung kebijakan terkait dengan salah satu poin Tujuan Pembangunan Berkelanjutan (SDGs), yaitu pertumbuhan ekonomi berkelanjutan.
Dalam penelitian ini digunakan metode Least Squares Spline (LS-Spline) untuk data time series yang menghasilkan model Semiparametric Time Series Regression (STSR model) dan selanjutnya model ini diterapkan untuk memprediksi Indonesia Composite
Index (ICI). Dalam kerangka kerja ini, ICI pada lag-1 dimodelkan secara parametrik, sementara Suku Bunga BI dan Inflasi dimodelkan secara nonparametrik. Empat skema pemisahan data, yaitu data uji 6, 12, 18, dan 24 bulan digunakan untuk mengevaluasi kinerja peramalan dalam jangka pendek, menengah, dan panjang.
Hasil Estimasi Model STSR adalah sebagai berikut:
| dengan: |
Hasil Penerapan pada Data Indonesia Composite Index (ICI):
Hasil penelitian menunjukkan bahwa model LS-Spline STSR secara konsisten mencapai akurasi prediktif yang tinggi, dengan MAPE dan sMAPE di bawah 10% dan MASE di bawah 1. Diagnostik residual menggunakan ACF dan PACF mengonfirmasi bahwa model tersebut memenuhi asumsi white-noise.
Akhirnya diperoleh kesimpulan bahwa model STSR menggunakan LS-Spline mampu menjadi kerangka kerja yang fleksibel dan efektif dalam model Regresi Deret Waktu Semiparametrik (STSR model). Model ini mengintegrasikan variabel ICI pada periode sebelumnya sebagai komponen parametrik autoregresif, serta Suku Bunga BI dan Inflasi sebagai komponen nonparametrik, sehingga dapat menangkap struktur hubungan linear dan nonlinier dalam data deret waktu keuangan. Jika Dibandingkan dengan model klasik seperti ARIMA dan ARIMAX, yang tidak memenuhi kriteria diagnostik atau memiliki koefisien yang tidak signifikan, model STSR menggunakan LS-Spline terbukti
lebih fleksibel, robust, dan memiliki kemampuan prediktif yang unggul. Meskipun hasil studi ini mengonfirmasi potensi pendekatan LS-Spline dalam pemodelan dan peramalan
ICI, pengembangan metodologi lebih lanjut dan validasi yang lebih luas masih diperlukan untuk memastikan kredibilitas empiris dan generalisasi yang lebih kuat. Penelitian selanjutnya disarankan untuk menyertakan kumpulan data yang lebih besar, penambahan variabel makroekonomi lainnya, atau perbandingan lintas negara untuk memperkuat hasil. Perbaikan ini akan memposisikan studi ini sebagai kontribusi signifikan bagi literatur tentang peramalan ekonometrik dan keuangan berkelanjutan. Lebih lanjut, kemampuan model untuk menghasilkan prediksi yang akurat dan adaptif juga dapat mendukung pengambilan keputusan berbasis data yang sejalan dengan SDG, khususnya dalam mendorong Pekerjaan Layak dan Pertumbuhan Ekonomi.
Penulis: Prof. Dr. Nur Chamidah, S.Si., M.Si.
Informasi lengkap (detail) dari penelitian ini dapat dilihat pada tulisan kami di laman:
https://doi.org/10.19139/soic-2310-5070-2704.
Any Tsalasatul Fitriyah; Nur Chamidah; Toha Saifudin; Budi Lestari; Dursun Aydin (2025). Least Squares Spline Estimation Method in Semiparametric Time Series Regression for Predicting Indonesia Composite Index. Statistics Optimization and Information Computing, 14(6), 3776–3803. DOI: 10.19139/soic-2310-5070-2704.
