Text

Penerapan Seasonal Generalized Space Time Autoregressive Seemingly Unrelated Regression (S-GSTAR SUR) pada Peramala Hasil Produksi Padi

---

ABSTRAK
Ordinary Least Square (OLS) merupakan metode estimasi parameter yang
umum digunakan pada Generalized Space Time Autoregressive (GSTAR).
Estimasi parameter dengan menggunakan OLS untuk model GSTAR dengan
residual yang berkorelasi antar persamaan akan menghasilkan estimator yang
tidak efisien. Metode yang tepat untuk mengestimasi parameter dengan residual
berkorelasi antar persamaan adalah Generalized Least Square (GLS), yang biasa
digunakan dalam model Seemingly Unrelated Regression (SUR). Penelitian ini
bertujuan membangun model GSTAR-SUR musiman sebagai model peramalan
hasil produksi padi di tiga kabupaten di Jawa Tengah dengan menggunakan
pembobot terbaik. Bobot yang digunakan yaitu bobot biner, invers jarak dan
normalisasi korelasi silang. Data yang digunakan dalam penenlitian ini yaitu data
hasil produksi padi per caturwulanan di tiga kabupaten di Jawa Tengah yaitu
Kabupaten Banyumas, Cilacap dan Kebumen. Data yang digunakan mulai periode
Januari 1981 sampai dengan Desember 2014 sebagai data training dan data
periode Januari 2015 sampai dengan Desember 2018 sebagai data validasi. Model
yang dihasilkan merupakan model yang memiliki efek musiman dengan orde
autoregressive 4 dan orde spasial dibatasi 1 sehingga model yang terbentuk yaitu
SGSTAR (41)-I(1)(1)3. Model terbaik yang dihasilkan yaitu model SGSTAR SUR
(41)-I(1)(1)3 dengan pembobot invers jarak karena memenuhi kedua asumsi yaitu
residual white noise dan residual berdistribusi normal multivariate. Selain itu,
memiliki nilai MAPE terkecil dibandingkan dengan pembobot yang lain yaitu
20% yang menunjukkan bahwa tingkat akurasi peramalannya akurat.
Kata kunci : Hasil Produksi Padi, Musiman, GSTAR, SUR.

ABSTRACT
Ordinary Least Square (OLS) is general method to estimate Generalized
Space Time Autoregressive (GSTAR) parameters. Parameter estimation by using
OLS for GSTAR model with correlated residuals between equations will produce
inefficient estimators. The method that appropriate to estimate the parameter
model with correlated residuals between equations is Generalized Least Square
(GLS), which is usually used in Seemingly Unrelated Regression (SUR) . This
research aims to build the seasonal GSTAR SUR model as model of rice yield
forecasting in three locations by using the best weighting. Weights used are binary
weights, inverse distance and normalization of cross correlation. Data which used
in this research are the data of rice yield per quarter in three districts in Central
Java, namely Banyumas, Cilacap and Kebumen. The data from the period of
January 1981 to December 2014 as training data and the period of January 2015 to
December 2018 as validation data. The resulting is a model that has a seasonal
effect with the autoregressive order and the spasial order limited to 1 so the model
formed is SGSTAR (41)-I(1)(1)3. The best model produced is the SGSTAR SUR
(41)-I(1)(1)3 model with inverse distance weighting because it fulfills both
assumptions, residuals white noise and residuals normally multivariate
distribution. Additionally, it has the smallest MAPE value when compared the
other weighting, that is 20%. This MAPE value indicates that the accuracy rate of
forecast is accurate.
Keywords: Rice yield, Seasonal, GSTAR, SUR.

---

Ketersediaan

799E20IV

799 E 20-iv

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

STATISTIKA

No. Panggil

799 E 20-iv

Penerbit

: ., 2020

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Leni Pamularsih

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar