scholarly journals MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (1,1) PADA DATA CURAH HUJAN

2020 ◽  
Vol 9 (2) ◽  
Author(s):  
Ihzal Muhaini, Dadan Kusnandar, Nurfitri Imro’ah
Keyword(s):  
Moving Average ◽  
Space Time ◽  
Least Square ◽  
Autoregressive Integrated Moving Average ◽  
Ordinary Least Square

Generalized Space Time Autoregressive (GSTAR) adalah salah satu model yang digunakan untuk menganalisis data yang mempunyai ketergantungan lokasi dan waktu. Model GSTAR menghasilkan model ruang waktu yang mengadopsi tahapan-tahapan model Autoregressive Integrated Moving Average (ARIMA). Studi kasus yang digunakan pada penelitian ini adalah data curah hujan di Kota Pontianak, Kabupaten Mempawah dan Kabupaten Kubu Raya dengan periode waktu dari bulan Januari 2008 hingga bulan Desember 2012. Penelitian ini menggunakan prinsip parsimony model, sehingga model yang digunakan adalah GSTAR(1,1). Pendugaan parameter pada model GSTAR(1,1) dilakukan menggunakan metode Ordinary Least Square (OLS) dengan bobot normalisasi korelasi silang. Hasil perhitungan nilai MAPE AR(1) dan GSTAR(1,1) terlalu besar, sehingga model tidak cocok digunakan untuk peramalan pada tiga lokasi. Kata kunci: deret waktu, GSTAR, bobot normalisasi korelasi silang

scholarly journals Pemodelan Harga Beras di Pulau Sumatera dengan Menggunakan Model Generalized Space Time ARIMA

2018 ◽  
Vol 2 (2) ◽  
pp. 49-57
Author(s):  
Dwi Yulianti ◽  
I Made Sumertajaya ◽  
Itasia Dina Sulvianti
Keyword(s):  
Time Series ◽  
Time Series Data ◽  
Moving Average ◽  
Space Time ◽  
Series Data ◽  
Model Parameters ◽  
Autoregressive Integrated Moving Average ◽  
Sumatra Island ◽  
Rice Price ◽  
Multiple Variables

Generalized space time autoregressive integrated  moving average (GSTARIMA) model is a time series model of multiple variables with spatial and time linkages (space time). GSTARIMA model is an extension of the space time autoregressive integrated moving average (STARIMA) model with the assumption that each location has unique model parameters, thus GSTARIMA model is more flexible than STARIMA model. The purposes of this research are to determine the best model and predict the time series data of rice price on all provincial capitals of Sumatra island using GSTARIMA model. This research used weekly data of rice price on all provincial capitals of Sumatra island from January 2010 to December 2017. The spatial weights used in this research are the inverse distance and queen contiguity. The modeling result shows that the best model is GSTARIMA (1,1,0) with queen contiguity weighted matrix and has the smallest MAPE value of 1.17817 %.

scholarly journals PERAMALAN PENERIMAAN BEA CUKAI INDONESIA

2018 ◽  
Vol 2 (1) ◽  
pp. 137
Author(s):  
Yolanda Sari ◽  
Nurlia Fusfita
Keyword(s):  
Regression Model ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Least Square ◽  
Coefficient Of Determination ◽  
Rational Approach ◽  
Ordinary Least Square ◽  
Export Duty ◽  
Double Exponential ◽  
Double Exponential Smoothing

The revenue of customs and excise is very important in APBN. By making accurate estimation, target of revenue can be better determined. In addition, the revenue of customs and excise is also influenced by many external factors that are difficult to predict therefore a rational approach is needed to estimate revenue. This research uses Double Exponential Smoothing, Ordinary Least Square (OLS) model and Moving Average in predicting customs and excise revenue. Data used in this research is secondary data in time coherent pattern. The data includes import duty, export duty and excise obtained from the Directorate General of Customs and excise (DJBC) in the form of annual and quarterly data. This data starts from 2002 to 2016 with out of sample from 2017 to 2019. Some of these models are compared to each other to obtain the best model, and from the best model is also obtained estimating results in 3 years ahead. This study shows that the Double Exponential Smoothing model is better for predicting import duties compared to OLS and Moving Average models, which are models that have the smallest Sum Square Error (SSE) value. While the export and excise duty is best estimated by using OLS model which is shown with coefficient of determination value (R2)  regression model of export duty is 0.8, while the excise regression model has coefficient of determination of 0.9.Keywords:  Customs Estimation, Double Exponential Smoothing, Ordinary Least Square, Moving Average

Space-time evaluation of reservoir regulation policies

1984 ◽  
Vol 16 (1) ◽  
pp. 21-21 ◽  
Author(s):  
Stuart J. Deutsch ◽  
José A. Ramos
Keyword(s):  
Time Series ◽  
Stochastic Modeling ◽  
Moving Average ◽  
Space Time ◽  
Autoregressive Integrated Moving Average ◽  
Hydrologic Time Series ◽  
Temporal Correlations ◽  
Reservoir Regulation ◽  
Moving Average Models ◽  
Time Evaluation

Stochastic modeling of vector hydrologic time series exhibiting spatial as well as temporal correlations is examined with the general class of STARIMA, space-time autoregressive integrated moving-average models.

scholarly journals PENERAPAN GSTAR-SUR PADA JUMLAH PENUMPANG PESAWAT DOMESTIK DI BANDARA INDONESIA

2020 ◽  
Vol 9 (2) ◽  
Author(s):  
Gilang Habibie, Yundari, Hendra Perdana
Keyword(s):  
Space Time ◽  
Least Square ◽  
Seemingly Unrelated Regression ◽  
Ordinary Least Square ◽  
Unrelated Regression

Generalized space time autoregressive (GSTAR) adalah model ruang waktu yang banyak digunakan di Indonesia. Sebagian besar penelitian model GSTAR menggunakan ordinary least square (OLS) untuk mengestimasi parameter. Namun, estimasi dengan metode OLS pada model GSTAR dengan residual saling berkorelasi akan menghasilkan estimator yang tidak efisien terutama pada data musiman. Metode estimasi yang sesuai untuk residual yang saling berkorelasi adalah generalized least square (GLS), yang biasa digunakan dalam model seemingly unrelated regression (SUR). Penelitian ini bertujuan untuk menganalisis model GSTAR-SUR dan membandingkannya dengan GSTAR-OLS dengan bobot seragam dan jarak. Data yang digunakan adalah data jumlah penumpang pesawat domestik setiap bulan di Bandara Polonia/Kualanamu, Soekarno-Hatta, Juanda dan Ngurah Rai dari Januari 2006 hingga September 2019. Hasil estimasi parameter GSTAR-SUR dengan bobot seragam adalah Polonia/Kualanamu (∅10=-0,494; ∅11=0,046), Soekarno-Hatta (∅10=-0,300; ∅11=-0,828), Juanda (∅10=-0,451; ∅11=0,033) dan Ngurah Rai (∅10=-0,198; ∅11=-0,019). Sedangkan GSTAR-SUR dengan bobot jarak menghasilkan estimasi Polonia/Kualanamu (∅10=-0,492; ∅11=0,026), Soekarno-Hatta (∅10=-0,292; ∅11=-1,186), Juanda (∅10=-0,455; ∅11=0,058) dan Ngurah Rai (∅10=-0,211; ∅11=0,017). Berdasarkan nilai MAPE GSTAR-SUR lebih baik dari GSTAR-OLS dengan nilai MAPE untuk model GSTAR-OLS adalah 12,90% pada bobot seragam dan 13,43% pada bobot jarak. Model GSTAR-SUR menghasilkan nilai MAPE 6,65% untuk bobot seragam dan 7,06% untuk bobot jarak. Model terbaik adalah GSTAR-SUR bobot seragam dengan nilai MAPE 6,65%. Kata Kunci : OLS, GLS, spacetime, korelasi eror

scholarly journals PEMODELAN DATA RUNTUN WAKTU DENGAN ARIMAX

2020 ◽  
Vol 9 (1) ◽  
Author(s):  
Nurfitri, Yundari, Shantika Martha
Keyword(s):  
Moving Average ◽  
Information Criterion ◽  
Least Square ◽  
P Value ◽  
Akaike's Information Criterion ◽  
Autoregressive Integrated Moving Average ◽  
Akaike’S Information Criterion ◽  
Schwarz Criterion

Model Autoregressive Integrated Moving Average Exogenous (ARIMAX) merupakan salah satu perluasan dari model ARIMA dengan penambahan variabel exogenous. Dalam penelitian ini, model ARIMAX digunakan untuk pemodelan data harga saham PT. Astra Agro Lestari Tbk (AALI) terhadap data kurs USD bulanan dari tahun 2010 sampai dengan 2018 dengan kurs USD sebagai variabel exogenous dengan tujuan untuk mengestimasi parameter model ARIMAX . Langkah awal dilakukan  uji kestasioneran data. Dari hasil uji kestasioneran data diperoleh hasil bahwa data tidak stasioner sehingga dilakukan proses diferensiasi satu kali pada masing-masing data. Selanjutnya  identifikasi model ARIMA, estimasi parameter model ARIMA menggunakan metode kuadrat terkecil, uji diagnostik pada model ARIMA dan pemilihan model ARIMA terbaik berdasarkan pada nilai probabilitas atau p-value yang signifikan, adjusted r-squared yang lebih besar serta nilai akaike’s information criterion (AIC) dan schwarz criterion (SC) yang terkecil.  Tahapan selanjutnya ialah penambahan variabel exogenous ke dalam model ARIMA sehingga diperoleh model ARIMAX. Estimasi parameter  model ARIMAX dengan menggunakan metode kuadrat terkecil (least square). Setelah mengestimasi parameter maka dilakukan uji diagnostik pada model ARIMAX dengan menggunakan uji Q-Ljung-Box sehingga diperoleh  bahwa harga saham AALI dipengaruhi oleh harga saham itu sendiri sedangkan kurs USD tidak signifikan pada model ARIMAX sehingga menunjukkan bahwa kurs USD tidak berpengaruh signifikan terhadap harga saham AALI. Kata Kunci : Saham, Kurs USD, Akaikes’s Information Criterion (AIC).

Sign in / Sign up

Export Citation Format

Share Document