Model GSTAR-SUR Musiman Untuk Peramalan Jumlah Wisatawan Mancanegara Di Empat Lokasi Wisata Di Indonesia

Prastuti, Mike (2014) Model GSTAR-SUR Musiman Untuk Peramalan Jumlah Wisatawan Mancanegara Di Empat Lokasi Wisata Di Indonesia. Masters thesis, Insititut Teknologi Sepuluh Nopember.

Text 1312201908_Master_Thesis.pdf Download (4MB)

Abstract

Sampai saat ini, sebagian besar penelitian tentang GSTAR hanya terbatas pada data spatio-temporal yang stasioner dan non-musiman. Secara umum metode untuk mengestimasi parameter dalam model GSTAR adalah menggunakan Ordinary Least Square (OLS). Estimasi parameter menggunakan OLS untuk model GSTAR dengan residual yang saling berkorelasi antar persamaan akan menghasilkan estimator yang tidak efisien. Metode yang sesuai untuk mengestimasi parameter dengan residual yang saling berkorelasi antar persamaan adalah Generalized Least Square (GLS), yang biasanya digunakan dalam model SUR. Penelitian ini bertujuan untuk mengkaji secara teoritis metode GLS dalam mengestimasi parameter model GSTAR yang disebut sebagai GSTAR-SUR, dan membandingkan hasil kajian simulasi pada data yang berpola musiman saja, serta gabungan musiman dan nonmusiman menggunakan GSTAR-SUR dan GSTAR- OLS dengan bobot normalisasi inferensia parsial korelasi silang. Sebagai studi kasus, model VARIMA, GSTAR-OLS dan GSTAR-SUR diaplikasikan untuk peramal n jumlah wisatawan mancanegara di empat lokasi wisata di Indonesia, yaitu Jakarta, Bali, Surabaya, dan Surakarta. Hasil kajian simulasi menunjukkan bahwa model GSTAR-SUR menghasilkan estimasi parameter dengan standard error yang lebih kecil daripada GSTAR-OLS pada kasus residual yang saling berkorelasi antar persamaan, sehingga estimator GSTAR-SUR lebih efisien daripada GSTAR-OLS pada kasus tersebut. Sebagai tambahan, model GSTAR- SUR dengan bobot normalisasi inferensia parsial korelasi silang menghasilkan nilai RMSE terkecil untuk peramalan jumlah wisatawan mancanegara di empat lokasi wisata.
=============================================================================================================================
Up to now, the researches about GSTAR only focused on stationary non-seasonal spatio-temporal data. Generally, the method for estimating parameters in GSTAR model is Ordinary Least Squares (OLS). 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 usually used in SUR model. The purpose of this research is to propose GLS method for estimating parameters in seasonal GSTAR models, known as GSTAR-SUR, and compare the results with OLS method or GSTAR- OLS used space weight normalization statistical inference of partial cross- correlation. The case of study, VARIMA, GSTAR-OLS and GSTAR-SUR model applied for forecasting the number of foreign tourist in four locations tourism in Indonesia, including in Jakarta, Bali, Surabaya, and Surakarta. The results of simulation study show that GSTAR-SUR yields parameter estimates with standard error is smaller than GSTAR-OLS model in the case residuals are correlated between equations, so estimator of GSTAR-SUR more efficient than estimator of GSTAR-OLS in the case. In addition, GSTAR-SUR model with space weight normalization statistical inference of partial cross-correlation yields the smallest RMSE value for forecasting the number of foreign tourist in four tourism in Indonesia.

Item Type:	Thesis (Masters)
Additional Information:	RTSt 519.536 Pra m-1, 2014
Uncontrolled Keywords:	GSTAR, musiman, SUR, wisatawan mancanegara, Foreign Tourist, Seasonal
Subjects:	Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions:	Faculty of Mathematics, Computation, and Data Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	09 Jan 2024 03:14
Last Modified:	09 Jan 2024 03:14
URI:	http://repository.its.ac.id/id/eprint/105415

Actions (login required)

View Item