Hikmawati, Fauzah (2020) Model Hybrid GSTARX-Jordan RNN untuk Peramalan Data Space-Time dengan Efek Variasi Kalender. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211850010009-Master_Thesis.pdf Download (9MB) | Preview |
Abstract
Salah satu metode untuk memodelkan data space-time adalah Generalized Space-Time Autoregressive (GSTAR). Model GSTARX merupakan model GSTAR dengan variabel eksogen. Model ini mampu menangkap komponen tren, musiman, dan variasi kalender pada suatu data time series multivariat. Model GSTARX memiliki keterbatasan dalam menangkap pola data yang nonlinier. Penelitian ini bertujuan untuk membentuk model hybrid GSTARX-Jordan RNN dengan GSTARX sebagai komponen linier dan Jordan RNN sebagai komponen nonlinier untuk meramalkan data time series yang memiliki komponen tren, musiman, dan variasi kalender dengan residual yang mengikuti model nonlinier. Penelitian ini terdiri dari kajian simulasi dan kajian terapan. Kajian simulasi dilakukan untuk mengetahui kebaikan model hybrid GSTARX-Jordan RNN dengan membangkitkan data dalam dua skenario, yaitu skenario dengan residual mengikuti model linier dan residual mengikuti model nonlinier. Hasil kajian simulasi menunjukkan bahwa model hybrid GSTARX-FFNN, GSTARX-DLNN, dan GSTARX-Jordan RNN memberikan hasil yang lebih baik dalam meramalkan data simulasi dengan residual mengikuti model linier dan nonlinier. Kajian terapan dilakukan dengan memodelkan data inflow dan outflow per pecahan dan total di Kantor Perwakilan Bank Indonesia (KP BI) Provinsi Jawa Timur. Hasil dari kajian terapan menunjukkan bahwa model hybrid GSTARX-Jordan RNN memberikan hasil yang tidak lebih baik daripada model hybrid lainnya. Secara umum, model terbaik untuk memodelkan data inflow dan outflow total dan uang pecahan besar adalah model hybrid dan ini sesuai dengan hasil M4-Competition, yaitu model hybrid mampu meningkatkan akurasi peramalan dibandingkan dengan model individu.
===============================================================================================================================
One method for modeling space-time data is Generalized Space-Time Autoregressive (GSTAR). The GSTARX is a GSTAR model with an exogenous variable. This model can capture the trend, seasonal, and calendar variation components in a time series data. However, the GSTARX model has the limitation of not being able to capture nonlinear patterns at the data structures. This research aims to modeling the hybrid GSTARX-Jordan RNN model, whereas GSTARX as a linear component and Jordan RNN as a nonlinear component. The results of simulation study show that the hybrid model namely GSTARX-FFNN, GSTARX-DLNN, and GSTARX-Jordan RNN give good results in forecasting simulation data containing the residual following linear and nonlinear patterns. The applied study is conducted by modeling the inflow and outflow data per fraction and total in the Bank Indonesia Regional Office of East Java Province. The results of the applied study show that the hybrid GSTARX-Jordan RNN model gives no better results than other hybrid models. In general, the best model for modeling total inflow and outflow data and large fractional money are hybrid models and this corresponds to the results of the M4-Competition which is the hybrid model tend to produces better forecasting results than individual models.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.535 Hik m-1 2020 |
| Uncontrolled Keywords: | GSTAR, Hybrid GSTARX-Jordan RNN, Inflow, Outflow, Space-Time, Variasi Kalender |
| Subjects: | Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA280 Box-Jenkins forecasting Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA76.9 Computer algorithms. Virtual Reality. Computer simulation. |
| Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Fauzah Hikmawati |
| Date Deposited: | 09 May 2023 06:59 |
| Last Modified: | 09 May 2023 06:59 |
| URI: | http://repository.its.ac.id/id/eprint/74441 |
Actions (login required)
 |
View Item |