2018 : MODEL HYBRID GSTARX DAN MACHINE LEARNING UNTUK PERAMALAN DATA SPATIO-TEMPORAL YANG MENGANDUNG TREND, SEASONAL DAN CALENDAR VARIATION

Dr Suhartono S.Si., M.Sc
Dedy Dwi Prastyo S.Si., M.Si.
Novri Suhermi S.Si., M.Si

External link

Type

RESEARCH

Keywords

-


Abstract

Generalized Space Time Autoregressive (GSTAR) adalah salah satu model ruang-waktu yang sering digunakan untuk meramalkan data spatio-temporal. Sampai saat ini, sebagian besar penelitian tentang GSTAR berfokus pada data spatio-temporal stasioner non-musiman dan belum ditemukan penelitian tentang GSTAR yang melibatkan prediktor. Sebenarnya, model peramalan dalam banyak kasus melibatkan prediktor baik dalam kasus univariat maupun multivariat seperti Autoregressive Integrated Moving Average dengan variabel Eksogen (dikenal dengan model ARIMAX) dan Vector Autoregressive Integrated Moving Average dengan variabel Eksogen (dikenal dengan model VARIMAX). Selain itu, sebagian besar penelitian tentang model GSTAR menggunakan metode Ordinary Least Squares (OLS) untuk memperkirakan model parameter. Dalam banyak kasus, residual model GSTAR memiliki korelasi antara lokasi dan menyiratkan metode OLS menghasilkan estimator yang tidak efisien. Jika tidak, metode Generalized Least Squares (GLS) yang biasanya digunakan dalam model Regresi Tak Terganggu (SUR) adalah metode yang tepat untuk memperkirakan parameter model multivariat bila residu antara persamaan dikorelasikan. Selain itu, di sebagian besar negara Islam, banyak data ekonomi dan data waktu sewa bulanan dikenai dua jenis efek kalender, yaitu hari perdagangan dan efek liburan. Beberapa festival atau liburan tradisional, seperti Ramadhan, Paskah, Tahun Baru Imlek, dan Paskah Yahudi, ditetapkan sesuai kalender bulan dan tanggal liburan semacam itu dapat bervariasi antara dua bulan yang berdekatan dalam kalender Gregorian dari tahun ke tahun. Karena aktivitas bisnis dan pola perilaku konsumen mungkin sangat terpengaruh oleh liburan semacam itu, rangkaian waktu yang teramati dapat bervariasi tergantung pada apakah bulan tertentu mengandung liburan semacam itu atau tidak. Efek tersebut disebut efek liburan. Berdasarkan permasalahan tersebut, tujuan dari penelitian ini adalah untuk mengusulkan dan mengembangkan model hibrida GSTAR musiman dengan model variabel eksogen, kemudian dikenal dengan model GSTARX, dengan model Machine Learning. Penelitian ini akan berfokus pada prediktor non metrik yang dikenal sebagai variasi variabel kalender. Studi teoritis dilakukan untuk mengembangkan prosedur pembuatan model baru untuk model GSTARX-Machine Learning dan hasilnya divalidasi oleh studi simulasi. Akhirnya, model yang diusulkan akan diterapkan untuk peramalan arus masuk dan arus kas keluar di beberapa wilayah Bank Indonesia.