PENGARUH PRODUK DOMESTIK REGIONAL BRUTO (PDRB) SEKTOR PERTANIAN DI ACEH TERHADAP PRODUK DOMESTIK REGIONAL BRUTO (PDRB) PROVINSI ACEH

VALUE ◽  
2021 ◽  
Vol 2 (1) ◽  
pp. 29-44
Author(s):  
Triara Juniarsih
Keyword(s):  
Time Series

PDRB merupakan salah satu alat ukur untuk mengetahui berhasil atau tidak nya pemerintah dalam memanfaatkan sumber daya yang ada, dan sebagai acuan dalam perencanaan dan pengambilan keputusan. Tujuan penelitian ini adalah untuk mengetahui pengaruh PDRB Sektor Pertanian di Aceh terhadap PDRB Provinsi Aceh dan untuk mengetahui sub sektor pertanian mana yang mempengaruhi PDRB Sektor Pertanian. Metode pengumpulan data dilakukan dengan mengumpulkan data sekunder dalam bentuk data Time Series atau data berkala dari tahun ketahun, yaitu dari tahun 1996-2010. Metode analisis yang digunakan adalah analisis regresi linear berganda. Berdasarkan hasil penelitian memperlihatkan bahwa setiap peningkatan PDRB sektor pertanian sebesar satu milyar rupiah maka PDRB Aceh akan mengalami peningkatan sebesar 1,919 milyar rupiah. Nilai koefisien determinasi (R2) sebesar 0,885 yang artinya keragaman variabel penjelas dapat menjelaskan variabel dependen sebesar 88,5%. Variasi perubahan PDRB dipengaruhi oleh sektor pertanian, industri, dan Jasa sedangkan sisanya 11,5% dipengaruhi oleh sektor-sektor lain diluar sektor pertanian, industri, dan jasa. Berdasarkan hasil analisis regresi pada persamaan PDRB Aceh dapat disimpulkan secara parsial bahwa PDRB sektor pertanian, PDRB sektor industri pengolahan dan PDRB sektor jasa berpengaruh nyata terhadap PDRB Aceh. Setelah menganalisis kelima sub sektor pertanian dapat dilihat bahwa sub sektor kehutanan merupakan sub sektor yang memberikan kontribusi terbesar dan mempengaruhi PDRB sektor pertanian dengan koefisien kehutanan sebesar 1,024 yang berarti bahwa setiap kenaikan kehutanan sebesar satu milyar rupiah maka akan meningkatkan PDRB sektor pertanian menjadi 1,024 milyar rupiah. Dimana nilai koefisien determinasi (R2) sebesar 1,00. Artinya keragaman variable independen dapat menjelaskan variabel dependen sebesar 100%, dipengaruhi oleh sub sektor Tabama, Perkebunan, Peternakan, Kehutanan, dan Perikanan. Peningkatan PDRB sektor pertanian mampu meningkatkan PDRB Provinsi Aceh. Dan dari seluruh sub sektor pertanian, sub sektor kehutanan memberi sumbangan terbesar untuk peningkatan PDRB sektor pertanian di Aceh.

The LDE-Type Flare Occurrence (1969-1993)

1994 ◽  
Vol 144 ◽  
pp. 279-282
Author(s):  
A. Antalová
Keyword(s):  
Time Series ◽  
Fourier Analysis ◽  
Sunspot Cycle ◽  
List Type ◽  
Type Number ◽  
Solar Cycles ◽  
Type Iv ◽  
Long Duration ◽  
Cycle Maximum ◽  
Flare Index

AbstractThe occurrence of LDE-type flares in the last three cycles has been investigated. The Fourier analysis spectrum was calculated for the time series of the LDE-type flare occurrence during the 20-th, the 21-st and the rising part of the 22-nd cycle. LDE-type flares (Long Duration Events in SXR) are associated with the interplanetary protons (SEP and STIP as well), energized coronal archs and radio type IV emission. Generally, in all the cycles considered, LDE-type flares mainly originated during a 6-year interval of the respective cycle (2 years before and 4 years after the sunspot cycle maximum). The following significant periodicities were found:• in the 20-th cycle: 1.4, 2.1, 2.9, 4.0, 10.7 and 54.2 of month,• in the 21-st cycle: 1.2, 1.6, 2.8, 4.9, 7.8 and 44.5 of month,• in the 22-nd cycle, till March 1992: 1.4, 1.8, 2.4, 7.2, 8.7, 11.8 and 29.1 of month,• in all interval (1969-1992):a)the longer periodicities: 232.1, 121.1 (the dominant at 10.1 of year), 80.7, 61.9 and 25.6 of month,b)the shorter periodicities: 4.7, 5.0, 6.8, 7.9, 9.1, 15.8 and 20.4 of month.Fourier analysis of the LDE-type flare index (FI) yields significant peaks at 2.3 - 2.9 months and 4.2 - 4.9 months. These short periodicities correspond remarkably in the all three last solar cycles. The larger periodicities are different in respective cycles.

Filter Design for the Seasonal Adjustment of a Time Series

1974 ◽  
Vol 3 (12) ◽  
pp. 1171-1186
Author(s):  
Edward Melnick ◽  
John Moussourakis
Keyword(s):  
Time Series ◽  
Filter Design ◽  
Seasonal Adjustment

Automatic Identification of Autoregressive Integrated Moving Average Time Series

1982 ◽  
Vol 14 (3) ◽  
pp. 156-166 ◽  
Author(s):  
Chin-Sheng Alan Kang ◽  
David D. Bedworth ◽  
Dwayne A. Rollier
Keyword(s):  
Time Series ◽  
Moving Average ◽  
Automatic Identification ◽  
Autoregressive Integrated Moving Average

Smoothing Facilitates the Detection of Coupled Responses in Psychophysiological Time Series

2000 ◽  
Vol 14 (1) ◽  
pp. 1-10 ◽  
Author(s):  
Joni Kettunen ◽  
Niklas Ravaja ◽  
Liisa Keltikangas-Järvinen
Keyword(s):  
Time Series ◽  
Type I Error ◽  
Electrodermal Activity ◽  
Moving Average ◽  
Type I ◽  
Facial Electromyography ◽  
Response Characteristics ◽  
Smoothing Methods ◽  
Response Systems ◽  
Different Response

Abstract We examined the use of smoothing to enhance the detection of response coupling from the activity of different response systems. Three different types of moving average smoothers were applied to both simulated interbeat interval (IBI) and electrodermal activity (EDA) time series and to empirical IBI, EDA, and facial electromyography time series. The results indicated that progressive smoothing increased the efficiency of the detection of response coupling but did not increase the probability of Type I error. The power of the smoothing methods depended on the response characteristics. The benefits and use of the smoothing methods to extract information from psychophysiological time series are discussed.

Review of Time Series Analysis: Regression Techniques (2nd ed.).

1991 ◽  
Vol 36 (4) ◽  
pp. 349-349
Author(s):  
No authorship indicated
Keyword(s):  
Time Series ◽  
Time Series Analysis ◽  
Series Analysis ◽  
Regression Techniques
Sign in / Sign up

Export Citation Format

Share Document