Model Hybrid Multivariate GSTARX-RNN Untuk Peramalan Data Space-Time (Studi Kasus : Data Inflow dan Outflow Bank Sentral di Jawa)

Laily, Vania Orva Nur (2020) Model Hybrid Multivariate GSTARX-RNN Untuk Peramalan Data Space-Time (Studi Kasus : Data Inflow dan Outflow Bank Sentral di Jawa). Masters thesis, Institut teknologi Sepuluh Nopember.

[img] Text
Master Thesis-06211850010005(Vania Orva Nur Laily) - Departemen Statistika.pdf - Accepted Version
Restricted to Repository staff only

Download (8MB) | Request a copy

Abstract

Data memiliki dimensi waktu dan dimensi ruang yang disebut data space-time. Generalized Spaced-time Autoregressive (GSTAR) adalah salah satu model yang dapat digunakan untuk menganalisa data space-time. Model GSTAR dengan variabel eksogen dikenal dengan GSTARX. Salah satu pengembangan untuk model ini adalah Multivariate Generalized Spaced-time Autoregressive (MGSTARX) yaitu model dengan lebih dari satu variabel pada setiap lokasi. Model MGSTARX dikembangkan untuk menangkap pola linier pada data, sehingga dapat dikombinasikan dengan model lain untuk menangkap pola nonlinier pada data. Penelitian ini bertujuan mengembangkan model hybrid MGSTARX-RNN, dengan model MGSTARX sebagai komponen linier dan Recurrent Neural Network sebagai komponen nonlinier. Data yang digunakan dalam penelitian ini adalah data inflow dan outflow Uang Pecahan Besar (UPB) yaitu nominal Rp100.000, Rp50.000, Rp20.000 di KPw Bank Sentral Surabaya, Semarang, Yogya, Bandung, dan Jakarta. Hasil perbandingan akurasi ramalan menunjukkan bahwa model terbaik untuk masing-masing pecahan adalah MGSTARX untuk data outflow Rp50.000, ARIMAX untuk data outflow Rp20.000 dan Rp100.000, GSTARX untuk data inflow Rp50.000 dan Rp100.000, dan GSTARX-ERNN untuk data inflow Rp20.000. ========================================================= ========================================================= Data which has time and space dimensions is called space-time data. GSTAR is one of the models that can be used to analyze space-time data. The Model GSTAR with an exogenous variable is known as GSTARX. The development for this model is Multivariate Generalized Space-time Autoregressive (MGSTARX) which is a model with more than one variables at each location. The MGSTARX model is developed to capture linear data patterns, so it can be combined with other models to capture nonlinear data patterns. The goal of the study was to develop a hybrid MGSTARX-RNN model, with the MGSTARX model as a linear component and the RNN as a nonlinear component. The data used in this research is inflow and outflow of UPB i.e. nominal IDR 100.000, IDR 50.000, and IDR 20.000. Comparison of the forecast accuracy shows that the best model for each nominal is MGSTARX for outflow IDR 50.000, ARIMAX for outflow IDR 20.000 and IDR 100.000, GSTARX for inflow IDR 50.000 and IDR 100.000, and GSTARX-ERNN for inflow IDR 20.000.

Item Type: Thesis (Masters)
Uncontrolled Keywords: GSTARX, Hybrid, MGSTARX-RNN, Inflow, Outflow, Space-Time
Subjects: H Social Sciences > HA Statistics > HA30.3 Time-series analysis
H Social Sciences > HA Statistics > HA30.6 Spatial analysis
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions: Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User: Vania Orva Nur Laily
Date Deposited: 27 Aug 2020 08:49
Last Modified: 27 Aug 2020 08:49
URI: http://repository.its.ac.id/id/eprint/81470

Actions (login required)

View Item View Item