PREDIKSI INDIKATOR MAKRO EKONOMI INDONESIA PASCA PANDEMI COVID-19 MENGGUNAKAN ANALISIS INTERVENSI
Bibliographic record
Abstract
Adanya pola tren, musiman dan intervensi dari pandemi Covid-19 membuat pola data berubah ke tingkat rata-rata baru, yang menyebabkan hasil peramalan menjadi kurang akurat. Tujuan penelitian ini adalah untuk mendapatkan model dan hasil prediksi pertumbuhan ekonomi, inflasi, Nilai Tukar Rupiah dan Tingkat Pengangguran Terbuka (TPT) pasca pandemi Covid-19 di Indonesia dengan mengaplikasikan metode Intervention Time Series Analysis. Analisis intervensi adalah metode time series yang bisa digunakan untuk memodelkan dan memprediksi data yang mengandung intervensi. Dengan analisis intervensi, informasi mengenai kapan dampak dirasakan setelah peristiwa intervensi, berapa lama dampak berlangsung dan besarnya dampak tersebut dapat diketahui. Pengembangan model Intervensi-ARCH/GARCH juga dilakukan ketika model intervensi yang dibentuk memiliki masalah heteroskedastisitas. Model intervensi yang digunakan adalah model fungsi pulse dengan pola respon abrupt temporary, dimana dampak dari intervensi pandemi Covid-19 terjadi secara langsung dan bersifat sementara. Evaluasi hasil prediksi menggunakan metode Analisis intervensi menunjukan bahwa model yang terbentuk sudah cukup baik untuk memprediksi indikator makro ekonomi. Hasil prediksi indikator makro ekonomi ini dapat bermanfaat untuk dijadikan dasar dalam pengambilan keputusan atau kebijakan bagi pemerintah dan pemangku kepentingan lainnya.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".