PEMODELAN GSTAR, GSTARX, HYBRID GSTAR-SVR, DAN HYBRID GSTARX-SVR UNTUK PERAMALAN DATA INFLASI EMPAT PROVINSI DI PULAU JAWA

• Main Author: Savira Kusuma Suryani, - (Author)
• Format: Book
• Published: 2021-04-28.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/60669/1/S_MAT_1700524_Title.pdf; http://repository.upi.edu/60669/2/S_MAT_1700524_Chapter1.pdf; http://repository.upi.edu/60669/3/S_MAT_1700524_Chapter2.pdf; http://repository.upi.edu/60669/4/S_MAT_1700524_Chapter3.pdf; http://repository.upi.edu/60669/5/S_MAT_1700524_Chapter4.pdf; http://repository.upi.edu/60669/6/S_MAT_1700524_Chapter5.pdf; http://repository.upi.edu/60669/7/S_MAT_1700524_Appendix.pdf
• Keywords: L Education (General); QA Mathematics

Pendekatan pada peramalan data time series dapat dilakukan dengan pendekatan linear, nonlinear, atau gabungan dari keduanya (hybrid). Salah satu pemodelan dengan pendekatan linear yang melibatkan aspek waktu dan lokasi pada analisis time series multivariat yaitu model Generalized Space Time Autoregressive (GSTAR), yang kemudian dikembangkan menjadi GSTARX dengan penambahan variabel eksogen guna meningkatkan akurasi peramalan. Sedangkan salah satu pemodelan dengan pendekatan nonlinear pada peramalan time series, yaitu model Support Vector Regression yang memiliki keunggulan mampu mengatasi overfitting. Tujuan dari penelitian ini adalah memperoleh model dengan akurasi peramalan terbaik dari model GSTAR, model GSTARX, model hybrid GSTAR-SVR dan model hybrid GSTARX-SVR pada data inflasi empat provinsi di Pulau Jawa (Provinsi D.I Yogyakarta, Provinsi Jawa Tengah, Provinsi Jawa Timur, dan Provinsi Jawa Barat) sebagai penyumbang terbesar pertumbuhan ekonomi di Indonesia. Dilihat dari nilai RMSE terkecil pada data out-sample yang dihasilkan, model terbaik untuk meramalkan data inflasi empat provinsi di Pulau Jawa, yaitu model GSTARX dengan menggunakan bobot normalisasi korelasi silang. Kata kunci: GSTAR, GSTARX, GSTAR-SVR, GSTARX-SVR, Inflasi Approaches to forecasting time series data can be carried out with linear, nonlinear, or a combination of the two (hybrid). One of the modeling with a linear approach that involves time and location aspects in multivariate time series is the Generalized Space Time Autoregressive (GSTAR) model which was later developed into GSTARX with the addition of exogenous variables to improve forecasting accuracy. Meanwhile, one of the models with a nonlinear approach for time series forcasting is the Support Vector Regression model which has the advantage of being able to overcome overfitting. The purpose of this study is to obtain a model with the best forecasting accuracy from the GSTAR model, GSTARX model, the hybrid GSTAR-SVR model, and the hybrid GSTARX-SVR model on the inflation data of four provinces in Java (D.I Yogyakarta, Central Java, East Java and West Java) as the largest contributor to economic growth in Indonesia. Based on the smallest result of RMSE value of the out-sample data, the best model for predicting inflation data in four provinces in Java is the GSTARX model using cross-correlation normalization weights. Keywords: GSTAR, GSTARX, GSTAR-SVR, GSTARX-SVR, Inflation