PERAMALAN MENGGUNAKAN METODE FILTER KALMAN BERDASARKAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (Studi Kasus: Jumlah Titik Panas Kalimantan Timur Tahun 2014-2017)
Metode filter Kalman adalah prosedur rekursif yang digunakan untuk melakukan peramalan dari state vector. Pada filter Kalman estimasi dilakukan dengan dua tahap, yaitu tahap prediksi dengan memprediksi state vector, dan tahap koreksi terhadap data untuk memperbaiki hasil estimasi yang dilakukan secara rekursif. Metode filter Kalman dapat diterapkanpada berbagai teknik peramalan,salah satunya adalah model ARFIMA. ARFIMA merupakan model dalam teknik peramalan yang digunakan untuk data yang memiliki pola long memory. Pola long memory pada data dapat diidentifikasi dengan menggunakan statistik Hurst (H) yang diidentifikasi memiliki pola long memory jika nilai statistik Hurst (H) lebih besar dari 0,5. Pada penelitian ini, nilai statistik Hurst data titik panas Kalimantan Timur tahun 2014-2017 adalah sebesar 0,646 yang menunjukkan bahwa data tersebut memiliki pola long memory. Model ARFIMA terbaik untuk meramalkan data titik panas Kalimantan Timur dengan d = 0,470 adalah ARFIMA (1, , 0)d.
Hasil peramalan data titik panas dengan penerapan filter Kalman selama periode Agustus 2017 - Desember 2018 menunjukkan cenderung terjadi kenaikan titik panas pada September 2017 – Oktober 2017, sedangkan pada periode setelahnya jumlah titik panas berfluktuasi di sekitar nilai rata-rata dengan MAPE sebesar 59,793%.
Kata Kunci: ARFIMA, filter Kalman, titik panas.
Ketersediaan
Detail Information
Judul | PERAMALAN MENGGUNAKAN METODE FILTER KALMAN BERDASARKAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (Studi Kasus: Jumlah Titik Panas Kalimantan Timur Tahun 2014-2017) |
---|---|
Pengarang | SITI AMINAH - Personal Name |
No. Panggil | |
Subyek | |
Bahasa | Indonesia |
Tempat Terbit | Universitas Mulawarman |
Tahun Terbit | 2018 |
Penerbit | |
Jurusan | |
Lampiran Berkas | LOADING LIST... |
DIGITAL LIBRARY