Perbandingan Pemodelan Dan Peramalan Harga Gula Berdasarkan Model Space Time Arima Dan Generalized Space Time Arima.
View/ Open
Date
2015Author
Siregar, Dania
Aidi, Muhammad Nur
Sumertajaya, I Made
Metadata
Show full item recordAbstract
Model STARIMA dan GSTARIMA adalah model yang digunakan untuk memodelkan data deret waktu dan lokasi yang mengandung ketergantungan spasial antar lokasinya. Perbedaan pokok antara model STARIMA dan GSTARIMA adalah pada parameter model yang dihasilkan. GSTARIMA menghasilkan parameter yang berbeda untuk setiap lokasi dan lag waktunya, sedangkan STARIMA menghasilkan parameter yang sama untuk setiap lokasi. Model yang lebih kompleks tidak menjamin hasil peramalan akan lebih akurat. Oleh karena itu, tujuan dari penelitian ini adalah memodelkan serta mengkaji ketepatan peramalan dari model STARIMA dan GSTARIMA. Kedua model ini diaplikasikan terhadap data deret waktu harga gula pada delapan ibukota provinsi di Pulau Sumatera pada tahun 2008 sampai 2014 menggunakan dua jenis pembobot lokasi yaitu pembobot kebalikan jarak, dan pembobot normalisasi korelasi silang. Pengaruh interaksi spasial yang berkaitan dengan fenomena harga gula antar provinsi dapat dilihat dari efek biaya tataniaga gula. Besaran biaya tataniaga ini sangat bergantung pada jenis komoditas, panjang rantai tataniaga serta lokasi/daerah produsen. Rantai tataniaga inilah yang diduga memberikan pengaruh ternjadinya interaksi spasial antar provinsi. Berdasarkan penelitian ini, harga gula antar ibukota provinsi memiliki korelasi spasial. Dengan demikian, harga gula bervariasi bergantung pada waktu dan lokasi. Model yang layak digunakan adalah model STIMA dan GSTIMA dengan ordo deret waktu MA (2) dan ordo spasial satu. Pemodelan menggunakan pembobot kebalikan jarak dan normalisasi korelasi silang menghasilkan nilai ramalan harga gula yang cenderung sama baik untuk model STIMA dan GSTIMA. Selain itu, model STIMA juga lebih akurat untuk meramalkan harga gula pada delapan ibukota provinsi di Pulau Sumatera dibandingkan model GSTIMA, baik untuk peramalan jangka panjang maupun jangka pendek. Namun demikian, model yang dihasilkan lebih baik digunakan untuk peramalan jangka pendek.