PERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK
|
|
- Sukarno Indradjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK Reza Mubarak ) dan Suhartono ) ) Program Pasca Sarjana Jurusan Statistika, Institut Teknologi Sepuluh Nopember Jl. Raya ITS, Surabaya, Indonesia reza.mubarak@msn.com ) Jurusan Statistika, Institut Teknologi Sepuluh Nopember ABSTRAK Penerapan dan pengembangan studi peramalan ( time series) telah meningkat seiring berjalannya waktu untuk menjawab semua kebutuhan manusia. Salah satu model time series yang melibatkan aspek spasial ( spatio-temporal) adalah Generalized Space Time Autoregressive (GSTAR). Model GSTAR dapat diterapkan pada karakteristik sampel lokasi yang heterogen. Sampai saat ini, model GSTAR masih terbatas pada data spatio-temporal yang stasioner dan jarang melibatkan prediktor yang bertipe non metrik apalagi metrik, yang disebut GSTARX. Estimasi parameter pemodelan spatio temporal masih terbatas dengan menggunakan Ordinary Least Square (OLS) yang kurang efisien dikarenakan residual saling berkorelasi. Generalized Least Square (GLS) adalah salah satu alternatif metode estimasi parameter untuk residual yang saling berkorelasi yang sering digunakan dalam model Seemingly Unrelated Regression (SUR). Pada penelitian ini ingin mendapatkan besaran statistik yang sesuai untuk mengidentifikasi order Autoregressive untuk dependensi waktu dan order efek dari variabel eksogen pada model GSTARX. Karena itu, dari hasil enam simulasi didapatkan kesimpulan bahwa metode estimasi GLS lebih efisien dibandingkan estimasi OLS dengan residual berkorelasi maupun tidak berkorelasi. Kata kunci: GSTARX, Dua Level, OLS, GLS. PENDAHULUAN Peramalan telah menjadi bagian penting dalam kehidupan manusia di berbagai aspek. Sebagai individu, kita mencoba untuk memprediksi keberhasilan dalam pekerjaan dan investasi kita. Di dalam dunia pemerintahan diperlukan peramalan ekonomi, dampak lingkungan dan dampak dari kebijakan-kebijakan sosial yang dibuat. Oleh karena itu, penerapan dan pengembangan studi peramalan telah meningkat seiring berjalannya waktu untuk menjawab semua kebutuhan manusia (Armstrong, 00). Model univariat dan multivariat yang paling populer digunakan masing-masing adalah Autoregressive Integrated Moving Average (ARIMA) dan Vector Autoregressive Integrated Moving Average (VARIMA). Model ARIMA adalah suatu model peramalan data metrik (interval atau rasio) untuk memodelkan dan menjelaskan dependensi waktu pada suatu data deret waktu univariat. Pemodelan ini merupakan salah satu pemodelan peramalan (time series) linier sehingga bagus dan baik digunakan pada data yang linier pula. Sedangkan Model VARIMA menjelaskan keterkaitan antar pengamatan pada variabel tertentu dengan variabel lain yang juga memiliki keterkaitan antar waktu (Reinsel, 9 9). VARIMA juga dapat digunakan untuk melibatkan A-49-
2 faktor ketergantungan lokasi (spasial) yang membuat model ini cukup fleksibel yang tidak hanya melibatkan ketergantungan waktu saja. Walaupun VARIMA sangat fleksibel, tapi model ini memiliki terlalu banyak parameter yang tidak diketahui untuk diestimasi dari series data yang terbatas. Suatu bentuk khusus dari model VARIMA adalah model yang menggabungkan interdependensi waktu dan lokasi yang dikenal dengan model Space-Time Autoregressive (STAR). Pfeifer dan Deutsch (980a, 980b) adalah peneliti yang pertama kali memperkenalkan model ini. Model STAR yang dikembangkan oleh Pfeifer dan Deutsch mengandung suatu parameter yang sama untuk menjelaskan keterkaitan pada lokasi dan waktu yang berbeda. Kelemahan dalam pemodelan dengan menggunakan STAR yaitu model ini hanya berlaku untuk lokasi homogen karena semua lokasi memiliki nilai parameter spasial dan time series yang sama, sehingga kurang efisien jika lokasi bersifat heterogen. Ruchjana (00) menawarkan suatu model untuk mengatasi hal tersebut,yaitu Generalized STAR (GSTAR). Model GSTAR adalah generalisasi umum dari model STAR, yang model GSTAR dapat diterapkan pada karakteristik sampel lokasi yang heterogen. Dalam suatu peramalan, seringkali variabel eksogen dilibatkan untuk mendapatkan tambahan informasi dan meningkatkan akurasi ramalan. Model ARIMAX adalah salah satu model peramalan yang melibatkan suatu eksogen. Dalam hal ini, X merupakan notasi dari variabel eksogen yang dapat berskala metrik (interval atau r asio) atau non-metrik (nominal atau ordinal). X berupa metrik dikenal dengan model Fungsi Transfer (Box et al., 008), sedangkan untuk X non-metrik dikenal dengan Model Intervensi (Bowerman dan O Connell, 99) dan Model Variasi Kalender (Liu, 006). Generalized Least Square (GLS) adalah salah satu alternatif metode estimasi parameter untuk residual yang saling berkorelasi (Zellner, 96). Zellner juga menawarkan sistem persamaan yang terdiri dari beberapa persamaan regresi yang memiliki residual yang saling berkorelasi, yang disebut model Seemingly Unrelated Regression (SUR). Dikarenakan model GSTAR berkorelasi yang diakibatkan keterkaitan antar lokasi maka penelitian ini dilakukan untuk mengembangkan model spatio temporal dengan suatu eksogen metrik dengan menggunakan model GSTARX, khususnya dengan metode estimasi parameter GLS yang selanjutnya ditulis dengan GSTARX-GLS. Generalized Least Square (GLS) adalah salah satu alternatif metode estimasi parameter untuk residual yang saling berkorelasi Tujuan yang hendak dicapai dari penelitian ini adalah untuk mendapatkan besaran statistik yang sesuai untuk mengidentifikasi order Autoregressive untuk dependensi waktu dan order efek dari variabel eksogen pada model GSTARX. METODE Kajian simulasi yang dilakukan menggunakan model GSTARX-OLS dan GSTARX- GLS dengan bobot berdasarkan normalisasi inferensia korelasi silang. Berikut ini adalah langkah-langkah dalam pembentukan model GSTARX-OLS dan GSTRAX-GLS pada data simulasi, yaitu: a. Membangkitkan residual data yang berdistribusi multivariat normal dengan rata-rata sama dengan nol dan matriks varians-kovarians untuk tiga lokasi dengan residual tidak saling berkorelasi antar semua persamaan atau lokasi dan n = 00. Matriks varians-kovarians yang digunakan adalah: () A-49-
3 b. Koefisien parameter yang digunakan harus sesuai dengan syarat stasioner parameter model GSTAR, yaitu nilai eigen parameter kurang dari satu, selanjutnya dapat ditulis,, dengan. Parameter yang digunakan tersebut dapat dilihat pada persamaan matriks sebagai berikut: () c. Data bangkitan residual dibentuk menjadi model VAR() yang selanjutnya data ini menjadi variabel eksogen,. d. Melakukan kembali tahap (a) dan (b) dengan parameter yang digunakan adalah : () dan matriks varians-kovarians untuk data residual yang dibangkitkan dijelaskan sebagai berikut; i. Residual tidak saling berkorelasi antar semua persamaan atau lokasi, dengan untuk semua i j. (4) ii. Residual tidak saling berkorelasi antar semua persamaan atau lokasi, dengan untuk semua i j. (5) iii. Residual saling berkorelasi antar semua persamaan atau lokasi, dengan dan untuk semua i j. (6) iv. Residual saling berkorelasi antar semua persamaan atau lokasi, dengan dan untuk semua i j. (7) v. Residual saling berkorelasi antar beberapa persamaan atau lokasi, dengan dan ada beberapa untuk semua i j. A-49-
4 (8) vi. Residual saling berkorelasi antar beberapa persamaan atau lokasi, dengan dan ada beberapa untuk semua i j. (9) e. Melakukan validasi terhadap residual yang dibangkitkan apakah sudah sesuai dengan simulasi yang ditentukan sebelumnya, f. Mendapatkan data series untuk tiga lokasi dengan model VAR (). g. Mendapatkan data series ketiga lokasi dengan memasukkan bobot respon impuls dari bertipe metrik dengan dua skenario. Efek semua lokasi sama pada dengan skenario bobot respon impuls berpola dan. dengan Nilai = 0 bertujuan agar efek dari intervensi lag-nya terbatas sehingga bisa diketahui lag yang berpengaruh. h. Level : Meregresikan dengan sesuai dengan skenario yang digunakan dengan metode OLS dan mendapatkan estimasi bobot respon impuls serta mendapatkan residual. i. Level : Mengestimasi dengan menggunakan parameter model GSTAR dengan metode OLS dan GLS. j. Membandingkan hasil estimasi model GSTARX-OLS dan GSTARX-GLS serta menghitung nilai efisiensi dari metode GLS. HASIL DAN PEMBAHASAN Residual dibangkitkan berdasarkan dari matriks varians kovarians yang sudah ditetapkan untuk tiap simulasi. Masing-masing residual untuk variabel dan dari keenam simulasi tersebut dibentuk menjadi model VAR (). Pada tiap simulasi, skenario yang dilakukan memiliki bobot respon impuls berpola, sehingga didapatkan persamaan sebagai berikut: (0) dengan dan Sedangkan model GSTAR() yang dibangkitkan secara umum ditulis dengan persamaan sebagai berikut: () dalam bentuk matriks dapat ditulis seperti berikut. () A-49-4
5 Proses untuk mendapatkan persamaan () dilakukan estimasi dengan dua level, yaitu: a. Level : Data dilakukan estimasi parameter untuk mendapatkan nilai estimasi dan standart error (SE) bobot respon impuls terhadap variabel dan dengan menggunakan OLS dan GLS. b. Level : Residual dari hasil estimasi parameter di Level menjadi yang nantinya diestimasi dengan OLS dan GLS untuk mendapatkan hasil estimasi dan SE parameter dari model GSTAR(). Setelah dilakukan estimasi parameter GSTARX dengan menggunakan OLS dan GLS, maka dapat diketahui efisiensi GLS yang didapat dari persamaan sebagai berikut. SEOLS( ˆ) SEGLS( ˆ) Efisiensi SE ( ˆ) 00% SEOLS( ˆ) (4) Berikut hasil estimasi parameter di level pada model GSTARX() beserta efisiensi metode GLS pada simulasi,,, 4, 5 dan 6. Tabel. Hasil Estimasi Parameter Bobot Respon Impuls di Level Simulasi Simulasi Lokasi Parameter 4 OLS GLS Efisiensi Nilai Nilai SE SE (%) Estimasi Estimasi () A-49-5
6 Tabel. Hasil Estimasi Parameter Bobot Respon Impuls di Level Simulasi (Lanjutan) Simulasi Lokasi Parameter OLS GLS Efisiensi Nilai Nilai SE SE (%) Estimasi Estimasi Pada Tabel dapat dilihat bahwa semua nilai estimasi dan sudah mendekati nilai parameter yang sudah ditentukan sebelumnya dengan masing-masing menggunakan OLS dan GLS di setiap lokasi. Dan hal ini juga diperkuat dengan nilai SE yang relatif kecil. Sedangkan tingkat efisiensi penggunaan GLS yang dibandingkan dengan OLS untuk simulasi dan cukup kecil, sehingga bisa dikatakan penggunaan estimasi OLS dan GLS pada kedua simulasi ini tidak begitu berbeda jauh hasilnya. Tetapi, pada simulasi, 4, 5, dan 6, tingkat efisiensi penggunaan GLS yang dibandingkan dengan OLS cukup besar, sehingga bisa dikatakan penggunaan OLS dan GLS memiliki perbedaan yang cukup signifikan pada keempat simulasi ini. Sedangkan pada tahapan Level dilakukan setelah didapatkan Persamaan (), yaitu melakukan estimasi parameter dengan OLS dan GLS pada persamaan ini untuk mendapatkan hasil estimasi beserta SE parameter GSTARX(). Hasil perhitungan dengan kedua metode ini dapat dilihat pada Tabel sebagai berikut Tabel. Perbandingan Estimasi Parameter OLS dan GLS pada Model GSTARX( ) Simulasi Parameter OLS GLS Efisiensi Estimasi SE Estimasi SE (%) A-49-6
7 Tabel. Perbandingan Estimasi Parameter OLS dan GLS pada Model GSTARX( ) (Lanjutan) Simulasi Parameter OLS GLS Efisiensi Estimasi SE Estimasi SE (%) Berdasarkan Tabel dapat diketahui bahwa perbandingan estimasi parameter data Simulasi dan dengan menggunakan metode estimasi GLS lebih baik daripada menggunakan estimasi OLS walaupun perbedaannya tidak begitu jauh. Ini bisa dilihat dari kolom efisiensi pada Tabel dimana tingkat efisiensinya sangat kecil. Namun, pada Simulasi, 4, 5 dan 6, metode estimasi GLS lebih baik daripada menggunakan estimasi OLS dengan adanya perbedaan kebaikan estimasi yang cukup besar. Ini bisa dilihat dari kolom efisiensi pada Tabel dimana tingkat efisiensinya cukup besar. KESIMPULAN DAN SARAN Kesimpulan dari hasil penelitian ini adalah sebagai berikut:. Berdasarkan hasil studi simulasi dengan adanya variabel eksogen metrik sebagai variabel eksogen pada model GSTARX dengan dua level dapat disimpulkan bahwa jika residual dari data simulasi tidak saling berkorelasi antar lokasi, maka model GSTARX dengan menggunakan estimasi parameter OLS dan GLS menghasilkan nilai standart error yang relatif sama.. Sedangkan jika residual dari data simulasi antar lokasi saling berkorelasi atau tidak semua saling berkorelasi, menghasilkan nilai standart error untuk model GSTARX-GLS A-49-7
8 lebih kecil dari pada model GSTARX-OLS. Hal ini berarti estimasi parameter dengan model GSTARX-GLS lebih efisien dibandingkan dengan model GSTARX-OLS. Saran untuk penelitian selanjutnya adalah:. Hasil dimungkinkan lebih baik jika metode estimasi GLS diterapkan di level untuk mengatasi residual yang berkorelasi antar lokasi. DAFTAR PUSTAKA Armstrong, J. S. (00). Principles of Forecasting: A Handbook for Researchers and Practitioners. Kluwer Academic Publishers, United States of America. Box, G.E.P., Jenkins, G.M., dan Reinsel, G.C. (008). Time Series Analysis: Forecasting and Control (Fourth Edition). John Wiley & Sons, Inc., Hoboken, New Jersey. Bowerman, B.L., dan O Connel. (99). Forecasting and Time Series: An Applied Approach (Third Edition). Belmont. California: Duxbury Press. Liu, L. M. (006). Time Series Analysis and Forecasting. Illinois: Scientific Computing Associates. Pfeifer, P.E., dan Deutsch, S.J. (980a). A Three Stage Iterative Procedure for Space-Time Modeling. Technometrics, Vol., No., Hal Pfeifer, P.E., dan Deutsch, S.J. (980b). Identification and Interpretation of First Order Space-Time ARMA Models. Technometrics, Vol., No., Hal Reinsel, G.C. (99). Elements of Multivariate Time Series Analysis (First Edition), Springer- Verlag New York, Inc., New York. Ruchjana, B.N. (00). Pemodela n Kurva Produksi Minyak Bumi Menggunakan Model Generalisasi S-TAR. Forum Statistika dan Komputasi, ISSN A-49-8
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciPemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR
JURNAL SAINS DAN SENI POMITS Vol., No., (0) 7-0 (0-X Prin D-7 Pemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR Laily Awliatul Faizah dan Setiawan Jurusan Statistika,
Lebih terperinciBAB I PENDAHULUAN. Data yang mempunyai keterkaitan dengan kejadian-kejadian sebelumnya
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data yang mempunyai keterkaitan dengan kejadian-kejadian sebelumnya seringkali dijumpai dalam kehidupan sehari-hari. Data semacam ini disebut data runtun waktu
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Kesimpulan yang diperoleh berdasarkan analisis dan pembahasan pada bab sebelumnya adalah sebagai berikut. 1. Bobot lokasi yang digunakan dalam membentuk model
Lebih terperinciKurniawati, Sri Sulistijowati Handajani, dan Purnami Widyaningsih Program Studi Matematika FMIPA UNS
PERBANDINGAN PENERAPAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE DENGAN PEMBOBOT INVERS JARAK DAN NORMALISASI KORELASI SILANG PADA LAJU INFLASI DI KOTA SURAKARTA, YOGYAKARTA, DAN SURABAYA Kurniawati,
Lebih terperinciPERAMALAN DEBIT AIR SUNGAI BRANTAS DENGAN MODEL GSTAR DAN ARIMA. Abstrak
PERAMALAN DEBIT AIR SUNGAI BRANTAS DENGAN MODEL GSTAR DAN ARIMA Oleh: Henny Dwi Khoirun Nisa 25 44 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciModel Space Time Autoregressive (STAR) Orde 1 Dan Penerapannya Pada Prediksi Harga Beras Di Kota Manado, Tomohon Dan Kabupaten Minahasa Utara
Model Space Time Autoregressive (STAR) Orde 1 Dan Penerapannya Pada Prediksi Harga Beras Di Kota Manado, Tomohon Dan Kabupaten Minahasa Utara 1 Rahmadania Paita, 2 Nelson Nainggolan, 3 Yohanes A.R. Langi
Lebih terperinciBAB I PENDAHULUAN. Dalam kehidupan sehari-hari, seringkali dijumpai data dari suatu kejadian
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, seringkali dijumpai data dari suatu kejadian yang mempunyai keterkaitan dengan kejadian pada waktu-waktu sebelumnya. Data semacam
Lebih terperinciBAB III GENERALIZED SPACE TIME AUTOREGRESSIVE. Model GSTAR adalah salah satu model yang banyak digunakan untuk
BAB III GENERALIZED SPACE TIME AUTOREGRESSIVE 3.1 Indeks Gini Model GSTAR adalah salah satu model yang banyak digunakan untuk memodelkan dan meramalkan data deret waktu dan lokasi. Model ini merupakan
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperincioleh DIAN BELLY YANI M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PEMODELAN BANYAKNYA KUNJUNGAN WISATAWAN PADA EMPAT LOKASI WISATA DKI JAKARTA DENGAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE SEEMINGLY UNRELATED REGRESSION (GSTAR-SUR) oleh DIAN BELLY YANI M0111020
Lebih terperinciModel Generalized Space Time Autoregressive
Model Generalized Space Time Autoregressive (GSTAR) Orde 1 dan Penerapannya pada Prediksi Harga Beras di Kota Bitung, Kabupaten Minahasa dan Kabupaten Minahasa Selatan 1 Youla M. A. Latupeirissa, 2 Nelson
Lebih terperinciAPLIKASI GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) PADA PEMODELAN VOLUME KENDARAAN MASUK TOL SEMARANG. Abstract
Aplikasi Generalized (Dian Anggraeni) APLIKASI GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) PADA PEMODELAN VOLUME KENDARAAN MASUK TOL SEMARANG Dian Anggraeni 1, Alan Prahutama 2, Shofi Andari 3 1 Staf
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Peramalan yang tepat dari suatu data penjualan produk di waktu-waktu yang akan dating merupakan salah satu dasar utama perencanaan produksi, inventori, dan distribusi
Lebih terperinciPERAMALAN DBIT AIR SUNGAI BRANTAS DENGAN METODE GSTAR DAN ARIMA
PERAMALAN DBIT AIR SUNGAI BRANTAS DENGAN METODE GSTAR DAN ARIMA HENNY DWI KHOIRUN NISA 1205 100 044 Dosen Pembimbing Dra Nuri Wahyuningsih, MKes Seminar Tugas Ahir Senin, 19 juli 2010 Latar belakang 1.
Lebih terperinciMETODE ESTIMASI SEEMINGLY UNRELATED REGRESSION PADA MODEL VECTOR AUTOREGRESSIVE - GENERALIZED SPACE TIME AUTOREGRESSIVE
METODE ESTIMASI SEEMINGLY UNRELATED REGRESSION PADA MODEL VECTOR AUTOREGRESSIVE - GENERALIZED SPACE TIME AUTOREGRESSIVE SEEMINGLY UNRELATED REGRESSION ESTIMASTION METHOD ON VECTOR AUTOREGRESSIVE - GENERALIZED
Lebih terperinciPERAMALAN DERET WAKTU MULTIVARIAT SEASONAL PADA DATA PARIWISATA DENGAN MODEL VAR-GSTAR
PERAMALAN DERET WAKTU MULTIVARIAT SEASONAL PADA DATA PARIWISATA DENGAN MODEL VAR-GSTAR S-36 SEASONAL MULTIVARIAT TIME SERIES FORECASTING ON TOURISM DATA BY USING VAR-GSTAR MODEL Dhoriva Urwatul Wutsqa
Lebih terperinciPERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT
PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT Novian Endi Gunawan 1, I Wayan Sumarjaya 2, I G.A.M. Srinadi 3 1 Program Studi Matematika,
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
Lebih terperinciABSTRAK. Kata kunci: laju inflasi, GSTAR, invers jarak, normalisasi korelasi silang. iii
ABSTRAK Kurniawati. 2016. PERBANDINGAN PENERAPAN MODEL GENERA- LIZED SPACE TIME AUTOREGRESSIVE DENGAN PEMBOBOT INVERS JARAK DAN NORMALISASI KORELASI SILANG PADA LAJU INFLASI KO- TA SURAKARTA, YOGYAKARTA,
Lebih terperinciPERAMALAN OUTFLOW UANG KARTAL DI BANK INDONESIA WILAYAH JAWA TENGAH DENGAN METODE GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 351-360 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN OUTFLOW UANG KARTAL DI BANK INDONESIA WILAYAH JAWA
Lebih terperinciSKRIPSI JURUSAN STATISTIKA PERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
PERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SKRIPSI Disusun Oleh : LINA IRAWATI NIM : 24010211140072 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciBAB II LANDASAN TEORI
perpustakaanunsacid digilibunsacid BAB II LANDASAN TEORI Pada bagian pertama bab kedua ini diberikan tinjuan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab
Lebih terperinciJurnal Dinamika, April 2015, halaman Vol. 06. No. 1 ISSN
Jurnal Dinamika, April 2015, halaman 61-66 Vol. 06. No. 1 ISSN 2087-7889 SIMULASI PERBANDINGAN METODE PERAMALAN MODEL GENERALIZED SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (GSARIMA) DENGAN SEASONAL
Lebih terperinciModel Vector Autoregressive-Generalized Space Time Autoregressive
Model Vector Autoregressive-Generalized Space Time Autoregressive Hilma Mutiara Winata 1), Entit Puspita 2), Fitriani Agustina 3) 1), 2), 3) Departemen Pendidikan Matematika FPMIPA UPI *Surel: hilmamutiarawinata@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciBAB I PENDAHULUAN. Dewasa ini banyak permasalahan yang muncul baik di bidang ekonomi,
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini banyak permasalahan yang muncul baik di bidang ekonomi, manajemen, pendidikan, maupun kesehatan. Pada bidang ekonomi, permasalahan itu kian kompleks seiring
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 593-602 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN SEASONAL GENERALIZED SPACE TIME AUTOREGRESSIVE (SGSTAR)
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciPREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32
PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 Nanang WIdodo Penelid Staslun Pengamat Dlrgantara Watukosek, LAPAN ABSTRACT The time series of the monthly number
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciBAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan
Lebih terperinciPEMODELAN INFLASI DI KOTA SEMARANG, YOGYAKARTA, DAN SURAKARTA DENGAN PENDEKATAN GSTAR. Oleh : Laily Awliatul Faizah ( )
Seminar Hasil Tugas Akhir PEMODELAN INFLASI DI KOTA SEMARANG, YOGYAKARTA, DAN SURAKARTA DENGAN PENDEKATAN GSTAR Oleh : Laily Awliatul Faizah (357) Dosen Pembimbing : Dr. Ir. Setiawan, MS. Jurusan Statistika
Lebih terperinciPERAMALAN PASANG SURUT AIR LAUT DI PULAU JAWA MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
PERAMALAN PASANG SURUT AIR LAUT DI PULAU JAWA MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) (Studi Kasus : Ketinggian Pasang Surut Air Laut di Stasiun Pasang Surut Jakarta, Cirebon, Semarang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciProgram Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta 1.
MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE INTEGRATED DENGAN PEMBOBOT NORMALISASI KORELASI SILANG PADA PERKEMBANGAN ASET BPR DI PROVINSI JAWA BARAT, JAWA TENGAH, DAN JAWA TIMUR Susi Susanti ), Sri Sulistijowati
Lebih terperinciPERAMALAN OUTFLOW UANG KARTAL DI BANK INDONESIA WILAYAH JAWA TENGAH DENGAN METODE GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
PERAMALAN OUTFLOW UANG KARTAL DI BANK INDONESIA WILAYAH JAWA TENGAH DENGAN METODE GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SKRIPSI Disusun Oleh : AUKHAL MAULA FINA NIM. 24010212120014 DEPARTEMEN STATISTIKA
Lebih terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciPERBANDINGAN MODEL STAR DAN GSTAR UNTUK PERAMALAN INFLASI DUMAI, PEKANBARU, DAN BATAM
PERBANDINGAN MODEL STAR DAN GSTAR UNTUK PERAMALAN INFLASI DUMAI, PEKANBARU, DAN BATAM Gama Putra Danu Sohibien Jurusan Statistika, Sekolah Tinggi Ilmu Statistik Jakarta Email : gamaputra@stis.ac.id ABSTRAK
Lebih terperinciPENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 25 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciAbstrak. Kata kunci : Redaman hujan, GSTAR, VARIMA.
Pemodelan Multivariate untuk Curah Hujan dan Redaman Hujan di Surabaya Indra Subrata 2207 100 628 Institut Teknologi Sepuluh Nopember, Fakultas Teknologi Industri, Jurusan Teknik Elektro Kampus ITS Sukolilo,
Lebih terperinciMetode Cochrane-Orcutt untuk Mengatasi Autokorelasi pada Regresi Ordinary Least Squares
Metode Cochrane-Orcutt untuk Mengatasi Autokorelasi pada Regresi Ordinary Least Squares The Cochrane-Orcutt Method for Solution of Autocorrelation in Ordinary Least Squares Regression M. Fathurahman Program
Lebih terperinciMODEL GSTAR DENGAN VARIABEL EKSOGEN METRIK DAN NON METRIK UNTUK PERAMALAN INFLASI DI KALIMANTAN
TESIS - SS14 2501 MODEL GSTAR DENGAN VARIABEL EKSOGEN METRIK DAN NON METRIK UNTUK PERAMALAN INFLASI DI KALIMANTAN AGUNG SETIAWAN PRASETYA NRP : 131 520 1708 DOSEN PEMBIMBING : Dr. Suhartono, M.Sc. Dr.
Lebih terperinciTugas Akhir. Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA. Oleh : C. Ade Kurniawan
Tugas Akhir Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA Oleh : C. Ade Kurniawan 1304100022 Latar Belakang Ketidakpastian dalam aliran hulu supply
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciLAPORAN KEMAJUAN PENELITIAN BANTUAN UNPAD LEMBAGA PENELITIAN UNIVERSITAS PADJADJARAN
LAPORAN KEMAJUAN PENELITIAN BANTUAN UNPAD LEMBAGA PENELITIAN UNIVERSITAS PADJADJARAN Tahun: 2006 Universitas Fakultas : Padjadjaran : MIPA 1. Judul Penelitian : STUDI PENGEMBANGAN MODEL SPATIO TEMPORAL
Lebih terperinciBAB I PENDAHULUAN. memberikan informasi tentang rata-rata bersyarat pada Y
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari- hari sering dijumpai data time series yang terdiri dari beberapa variabel yang saling terkait yang dinamakan dengan data time series
Lebih terperinciPEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL PADA DATA JUMLAH WISATAWAN MANCANEGARA EMPAT KABUPATEN/KOTA DI JAWA TENGAH
PEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL PADA DATA JUMLAH WISATAWAN MANCANEGARA EMPAT KABUPATEN/KOTA DI JAWA TENGAH SKRIPSI Disusun oleh: RONNY GUSNADI 24010211140083 JURUSAN STATISTIKA
Lebih terperinciPEMODELAN SEASONAL GENERALIZED SPACE TIME AUTOREGRESSIVE
PEMODELAN SEASONAL GENERALIZED SPACE TIME AUTOREGRESSIVE (SGSTAR) (Studi Kasus: Produksi Padi di Kabupaten Demak, Kabupaten Boyolali, dan Kabupaten Grobogan) SKRIPSI DisusunOleh: AISHA SHALIHA MANSOER
Lebih terperinciPEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION
PEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION Oleh NYOMAN PANDU WIRADARMA (1308 100 052) Dosen Pembimbing 1
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciModel Generalized Space Time Autoregressive (GSTAR) dengan Analisis Data Menggunakan Software R
Model Generalized Space Time Autoregressive (GSTAR) dengan Analisis Data Menggunakan Software R Yulianti Talungke 1, Nelson Nainggolan 2, Djoni Hatidja 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado,
Lebih terperinciPEMBUATAN INDIKATOR VECTOR AUTOREGESSIVE (VAR) PADA METATRADER
PEMBUATAN INDIKATOR VECTOR AUTOREGESSIVE (VAR) PADA METATRADER Samuel Ridwan Setiadi 1, Mahendrawathi ER 2, dan Nur Iriawan 3 1 MMT-ITS, Surabaya, Indonesia 2 Dosen Jurusan Sistem Informasi, FTIF-ITS mahendra_w@its-sby.edu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinciPemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 Pemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA 1 Harnum Annisa Prafitia dan 2 Irhamah
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciSidang Akhir Tugas Akhir PERAMALAN KETERSEDIAAN BATUBARA MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE MOVING AVERAGE (VARMA) PADA PT.
Sidang Akhir Tugas Akhir PERAMALAN KETERSEDIAAN BATUBARA MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE MOVING AVERAGE (VARMA) PADA PT.XYZ Immash Kusuma Pratiwi 5208100123 PENDAHULUAN Latar Belakang, Perumusan
Lebih terperinciIDENTIFIKASI MODEL FUNGSI TRANSFER MENGGUNAKAN PEMODELAN ARIMA OTOMATIS GOMEZ-MARAVALL (STUDI KASUS PADA DATA INFLASI INDONESIA)
IDENTIFIKASI MODEL FUNGSI TRANSFER MENGGUNAKAN PEMODELAN ARIMA OTOMATIS GOMEZ-MARAVALL (STUDI KASUS PADA DATA INFLASI INDONESIA) Oleh: R I O J A K A R I A NPM. 140720090023 T E S I S Untuk memenuhi salah
Lebih terperinciESTIMASI PARAMETER SISTEM MODEL PERSAMAAN SIMULTAN PADA DATA PANEL DINAMIS DENGAN GMM ARELLANO DAN BOND
ISBN : 9786023610020 ESTIMASI PARAMETER SISTEM MODEL PERSAMAAN SIMULTAN PADA DATA PANEL DINAMIS DENGAN GMM ARELLANO DAN BOND Arya Fendha Ibnu Shina 1, Setiawan 2 Mahasiswa Jurusan Statistika Institut Teknologi
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciBAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 553-562 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN
Lebih terperinciPemodelan Fungsi Transfer Multi Input
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 8 Pemodelan Fungsi Transfer Multi Input M. Fathurahman *) Program Studi Statistika, FMIPA Universitas Mulawarman Jl. Barong Tongkok no.5 Kampus Unmul Gn.
Lebih terperinciPENGEMBANGAN RAMALAN INTERVAL PADA MODEL GSTARX UNTUK PERAMALAN INDEKS HARGA KONSUMEN KELOMPOK BAHAN MAKANAN
TESIS - SS142501 PENGEMBANGAN RAMALAN INTERVAL PADA MODEL GSTARX UNTUK PERAMALAN INDEKS HARGA KONSUMEN KELOMPOK BAHAN MAKANAN RISMA HAPSARI NRP. 1315 201 704 DOSEN PEMBIMBING Dr. Suhartono, M.Sc. Dr.rer.pol.
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciPERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS
Lebih terperinciBAB IV PENUTUP. berkorelasi secara contemporaneous. Korelasi galat contemporaneous terjadi
76 BAB IV PENUTUP A. Kesimpulan Model Seemingly Unrelated Regression (SUR) merupakan perluasan dari analisis regresi linear yang berupa sistem persamaan yang terdiri dari beberapa persamaam regresi yang
Lebih terperinciPEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL PADA DATA JUMLAH WISATAWAN MANCANEGARA EMPAT KABUPATEN/KOTA DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 1017-1026 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL
Lebih terperinciGenerated by Foxit PDF Creator Foxit Software For evaluation only.
20 TINJAUAN PUSTAKA Titik Panas Menurut Brown dan Davis (1973), kebakaran hutan adalah pembakaran yang tidak terkendali dan terjadi dengan tidak sengaja pada areal tertentu yang kemudian menyebar secara
Lebih terperinciEstimasi Model Seemingly Unrelated Regression (SUR) dengan Metode Generalized Least Square (GLS)
Estimasi Model Seemingly Unrelated Regression (SUR) dengan Metode Generalized Least Square (GLS) Ade Widyaningsih Jurusan Matematika, FMIPA, Universitas Udayana e-mail: ade.strobery@gmail.com Made Susilawati
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciBAB IV KESIMPULAN DAN SARAN. maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan data
BAB IV KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan uraian dan pembahasan pada bab-bab sebelumnya, maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan
Lebih terperinciProsiding Seminar Nasional MIPA 2016
Peramalan Jumlah Penumpang Kereta Api Lodaya Jurusan Bandung-Solo Menggunakan Model Reg-ARIMA Dengan Variasi Kalender (Studi Kasus: PT. Kereta Api Indonesia) Dyah Puspita Sari*, Gumgum Darmawan, Soemartini
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciPEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA
Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 59 67 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA ANNISA UL UKHRA Program Studi Matematika,
Lebih terperinciAPLIKASI MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE PADA DATA PENCEMARAN UDARA DI KOTA SURABAYA
Vol. 7, No. 2, Desember 2 APLIKASI MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE PADA DATA PENCEMARAN UDARA DI KOTA SURABAYA Dhoriva Urwatul Wutsqa, 2 Suhartono, 2 Brodjol Sutijo, S.U. Program studi Matematika
Lebih terperinciMETODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciIke Fitriyaningsih.
Identifikasi Model dan Bobot Lokasi GSTAR (Generalized Spatio Temporal Autoregressive) Jumlah Wisatawan Tiga Tempat Wisata di Kawasan Danau Toba Identification and Location Weight GSTAR (Generalized Spatio
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinci(T.4) APLIKASI MODEL SPASIAL DAN SPASIAL TIME UNTUK PRAKIRAAN OBSERVASI DI LOKASI TIDAK TERSAMPEL
(T.4) APLIKASI MODEL SPASIAL DAN SPASIAL TIME UNTUK PRAKIRAAN OBSERVASI DI LOKASI TIDAK TERSAMPEL Budi Nurani R., Atje Setiawan A, dan Rudi Rosadi Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciKata Kunci: Analisis Regresi Linier, Penduga OLS, Penduga GLS, Autokorelasi, Regresor Bersifat Stokastik
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 168 176 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah : Metode Peramalan Kode/sks : MAS 4234 / 3 (2-1) Semester : VI Status (Wajib/Pilihan) : Pilihan (P) Prasyarat
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
Lebih terperinciJURNAL TEKNIK ITS Vol. 7, No. 1 (2018) ( X Print)
Penerapan Metode Campuran Autoregressive Integrated Moving Average dan Quantile Regression (ARIMA-QR) untuk Peramalan Harga Cabai Sebagai Komoditas Strategis Pertanian Indonesia Maria Cendanasari Kurniawan
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciSISTEM PREDIKSI HARGA CENGKEH DI JAWA BARAT MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE
SISTEM PREDIKSI HARGA CENGKEH DI JAWA BARAT MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE Hari Fajri Setiawan 1), Gunawan Abdillah 2), Agus Komarudin 3) Program Studi Informatika, Fakultas Matematika
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR DENGAN METODE SEEMINGLY UNRELATED REGRESSION (SUR) SPASIAL
PEMODELAN KEMISKINAN DI PROVINSI JAWA TIMUR DENGAN METODE SEEMINGLY UNRELATED REGRESSION (SUR) SPASIAL Dibyo Adi Wiboao 1), Setiawan 2), dan Vita Ratnasari 3) 1) Program Studi Magister Statistika, Institut
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu indikator tingkat kesejahteraan rakyat dapat dilihat dari perkembangan angka kematian balita, dikarenakan kematian balita berkaitan erat dengan keadaan ekonomi,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinci