Pemodelan pada data non stasioner yang selama ini digunakan biasanya dilakukan dengan pemodelan ARIMA. Pemodelan ini hanya dapat digunakan untuk menjamin stasioner data dengan transforamasi (1 – L)d dimana d benilai bulat. Tetapi jika diperlukan trasnformasi (1 – L)d dimana d benilai riil, maka pemodelan ARIMA tidak dapat menangani kondisi tersebut. Pemodelan yang dapat menangani kondisi tersebut adalah dengan pemodelan ARFIMA yang merupakan pengembangan dari model ARIMA.
Dalam model – model ekonometrik sering digunakan model analisis deret waktu ARFIMA dimana varian dari residual diasumsikan konstan pada setiap waktu, tetapi banyak kasus, asumsi varian konstan tidak terpenuhi. Hal ini menunjukkan ada indikasi heteroskedastis sehingga diperlukan pemodelan varian antara lain GARCH, FIGARCH dan lain – lain.
Pada data IHK yang mempunyai kondisi non stasioner atau trend yang cenderung tidak linear, maka pemodelan ARFIMA dapat digunakan. Dari penelitian ini diperoleh model ARFIMA(1, 0.443, [3]) untuk IHK Makanan, model ARFIMA([2], 0.462,1) untuk IHK Perumahan, model ARFIMA([1, 2, 5], 0.360, 0) untuk IHK Sandang dan model ARFIMA([2], 0.319, [1, 2]) untuk Inflasi Umum. Sedangkan data Indeks Harga Konsumen (IHK) yang mempunyai kondisi adanya indikasi heteroskedastis diperoleh model ARFIMA([3], 0.489, [2, 3]) dan GARCH(0, 1) untuk IHK Umum, model ARFIMA ([3], 0.476, [1]) dan FIGARCH (1, 0.667, 0) untuk IHK Makanan Jadi dan model ARFIMA([4], 0.488, [1, 2]) dan GARCH(0, 1) untuk IHK Kesehatan.
Dengan menggunakan model ARFIMA untuk peramalan diperoleh Mean Absolute Percentage Error (MAPE) untuk IHK Makanan sebesar 1.999%, IHK Perumahan sebesar 0.536%, IHK Sandang sebesar 0.467%. Prosentase kesalahan peramalan dengan model ARFIMA – GARCH untuk IHK Umum sebesar 0.391% dan untuk IHK Kesehatan sebesar 0.332%, sedangkan prosentase kesalahan peramalan dengan menggunakan model ARFIMA – FIGARCH untuk IHK Makanan Jadi sebesar 0.734%.
Kata – kata kunci: IHK, ARIMA , AFRIMA, GARCH, dan FIGARCH
