Peramalan Jumlah Kedatangan Wisatawan Mancanegara di Sulawesi Selatan Menggunakan Model ARFIMA

نویسندگان

چکیده

Pariwisata dianggap sebagai suatu aset yang strategis untuk mendorong pembangunan pada wilayah-wilayah tertentu mempunyai potensi objek wisata. Faktor-faktor mempengaruhi wisatawan mancanegara berkunjung ke wilayah negara, diantaranya nilai tukar mata uang, inflasi disuatu kunjungan wisatawan, dan letak geografis negara. Peningkatan tidak terduga jumlah ini dapat berdampak kesulitan bagi para pelaku dalam hal memberikan pelayanan terbaik sebaliknya jika terjadi penurunan dikhawatirkan akan pengangguran.Oleh karena itu, diperlukan peramalan informasi atau gambaran proses mancanegara. Dalam analisis runtun waktu terdapat data memiliki ciri jangka pendek panjang. Model menangani kedua jenis adalah model autoregressive fractionally integrated moving average (ARFIMA). ARFIMA merupakan pengembangan dari ARIMA, dengan differencing bernilai pecahan. Penelitian bertujuan menentukan Sulawesi Selatan di masa datang. Pada penelitian ini, AIC antara ARFIMA([1,8],d,0) d ̂_gph=0,02 ARFIMA(0,d,1) ̂_(R/S)=0,12 relatif sama, hasil komparasi ARIMA bahwa diperoleh sesuai sehingga penulis menggunakan kedatangan dilihat perbandingan out sample.Keywords: Parawisata, peramalan, ARFIMA.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

Network traffic prediction based on ARFIMA model

ARFIMA is a time series forecasting model, which is an improve d ARMA model, the ARFIMA model proposed in this article is d emonstrated and deduced in detail. combined with network traffi c of CERNET backbone and the ARFIMA model,the result sho ws that,compare to the ARMA model, the prediction efficiency a nd accuracy has increased significantly, and not susceptible to sa mpling.

متن کامل

Bayesian model selection in ARFIMA models

Keywords: Bayesian model selection Reversible jump Markov chain Monte Carlo Autoregressive fractional integrated moving average models Long memory processes a b s t r a c t Various model selection criteria such as Akaike information criterion (AIC; Akaike, 1973), Bayesian information criterion (BIC; Akaike, 1979) and Hannan–Quinn criterion (HQC; Hannan, 1980) are used for model specification in...

متن کامل

Polymorphisms in the pfcrt and pfmdr1 genes in Plasmodium falciparum isolates from South Sumatera, Indonesia

Metode: Studi molekuler dilakukan untuk mengidentifikasi alel mutan dua gen yang berhubungan dengan resistensi klorokuin pada isolat P. falciparum di Sumatera Selatan. Sebanyak 25 pasien diambil darahnya, kemudian dilakukan isolasi DNA. Susunan dari kedua gen (Plasmodium falciparum chloroquine resistance transporter/pfcrt dan Plasmodium falciparum multidrug resistance/pfmdr1) dianalisis dengan ...

متن کامل

Determinants of systolic blood pressure in Indonesian elderly men:

Tujuan penelitian ini adalah untuk mengetahui determinan tekanan darah sistolik pada kelompok lanjut usia pria. Suatu studi dengan rancangan ‘cross sectional’ dilakukan di 4 kota besar di Indonesia dengan menggunakan metoda ‘multistage random sampling’. Jumlah responden 320 orang lanjut usia pria, yang merupakan sub-sampel dari 981 responden pada penelitian yang lebih besar. Pengumpulan data di...

متن کامل

An ARFIMA Model for Volatility Does Not Imply Long Memory

Jiang and and Tian (2010) have estimated an ARFIMA model for stock return volatility. We argue that this result does not imply actual 'long memory' in such time series -as any kind of instability in the population mean yields apparent fractional integration as a statistical artifact. Alternative high-pass filters for studying stock market volatility data are suggested.

متن کامل

ذخیره در منابع من


  با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ژورنال

عنوان ژورنال: JMathCoS (Journal of Mathematics, Computation, and Statistics)

سال: 2022

ISSN: ['2721-0863', '2476-9487']

DOI: https://doi.org/10.35580/jmathcos.v5i2.38793