SKRIPSI
Oleh
Muhammad Aldi Relawanto
NIM. 1811017210011
SKRIPSI
Oleh:
Muhammad Aldi Relawanto
NIM. 1811017210011
i
SKRIPSI
Oleh:
Muhammad Aldi Relawanto
NIM. 1811017210011
Pembimbing II
ii
PERNYATAAN
Dengan ini saya menyatakan bahwa dalam skripsi ini tidak terdapat karya yang
pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi,
dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang
pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu
dalam naskah ini dan disebutkan dalam Daftar Pustaka.
i
ABSTRAK
PEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) PADA DATA
INDEKS HARGA KONSUMEN (IHK) 5 IBU KOTA PROVINSI DI PULAU KALIMANTAN
(Oleh: Muhammad Aldi Relawanto; Pembimbing: Yuana Sukmawaty, S.Si., M.Si dan Dewi
Sri Susanti, S.Si., M.Si, 2023; 69 Halaman)
Model GSTAR merupakan model pengembangkan dari model STAR (Space Time
Autoregressive) yang tergenalisasi. Pada model GSTAR terdapat orde autoregressive
untuk melihat pengaruh unsur waktu dan matriks pembobot lokasi untuk melihat
pengaruh unsur lokasi. Berbeda dengan model STAR, model ini mengasumsikan lokasi-
lokasi penelitian memiliki karakteristik yang berbeda. Tujuan penelitian ini yaitu
menerapkan model Generalized Space Time Autoregressive (GSTAR) pada data Indeks
Harga Konsumen (IHK) di Pulau Kalimantan khususnya di Ibukota Setiap Provinsi untuk
mengetahui model dugaan terbaik dengan bobot lokasi terbaik yang dapat dihasilkan.
Bobot lokasi yang digunakan yaitu bobot lokasi invers jarak dan bobot lokasi normalisasi
korelasi silang dengan pengestimasian parameter model GSTAR menggunakan metode
Ordinary Least Square (OLS). Pemilihan model dugaan terbaik dilihat dari nilai RMSE
terkecil. Dari hasil penelitian, didapatkan model dugaan GSTAR terbaik untuk data Indeks
Harga Konsumen (IHK) 5 kota di Pulau kalimantan adalah model GSTAR(1,1)-I(1)
menggunakan bobot lokasi normalisasi korelasi silang dengan nilai RMSE. Hal ini
dikarenakan model GSTAR(1,1)-I(1) menggunakan bobot lokasi normalisasi korelasi
silang memiliki nilai RMSE lebih kecil dari model GSTAR(1,1)-I(1) menggunakan bobot
lokasi invers jarak dengan nilai RMSE sebesar 141.2075.
ii
1 ABSTRACT
GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) MODELING ON CONSUMER
PRICE INDEX (CPI) DATA OF 5 PROVINCIAL CAPITAL CITIES IN KALIMANTAN
ISLAND
(By: Muhammad Aldi Relawanto; Supervisor: Yuana Sukmawaty, S.Si., M.Si and Dewi Sri
Susanti, S.Si., M.Si, 2023; 69 Pages)
The GSTAR is a development model from the generalized STAR (Space Time
Autoregressive) model. GSTAR model have autoregressive order to see the effect of the
time element and location weighting matrix to see the effect of the location element.
Unlike the STAR model, it can assume that each location research has different
characteristics. The purpose of this research is to apply the Generalized Space Time
Autoregressive (GSTAR) model to the Consumer Price Index (CPI) data in Kalimantan
Island, especially in the capital city of each province in Kalimantan Island to find out the
best estimation model with the best location weight. The location weights used the
distance inverse location weights and the normalized cross-correlation location weights
by estimating the parameters of the GSTAR model using the Ordinary Least Square (OLS)
method. The best estimated model can be seen from the smallest RMSE value. From the
research results, it was found that the best GSTAR prediction model for Consumer Price
Index (CPI) data for 5 cities in Kalimantan Island was the GSTAR(1,1)-I(1) model using
location weights normalized cross-correlation with RMSE values. It happened because
the model using the normalized cross-correlation location weights has a smaller RMSE
value than the GSTAR(1,1)-I(1) model using the inverse distance location weights with
an RMSE value of 141.2075.
iii
2 PRAKATA
Puji syukur penulis panjatkan kehadirat Allah SWT. yang telah memberikan
rahmat, karunia serta izin-NYA sehingga penulis dapat menyelesaikan skripsi
yang berjudul “Pemodelan Generalized Space Time Autoregressive (GSTAR)
Pada Data Indeks Harga Konsumen (IHK) 5 Ibukota Provinsi Di Pulau
Kalimantan”. Penyusunan skripsi ini bertujuan untuk memenuhi persyaratan
dalam rangka menyelesaikan program sarjana strata-1 Statistika di Program
Studi Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lambung Mangkurat. Penyusunan skripsi ini tidak terlepas dari bantuan dan
dukungan berbagai pihak. Oleh karena itu, penulis menyampaikan rasa terima
kasih yang sebesar-besarnya kepada:
1. Orang tua yang selalu memberikan dukungan moril maupun materil;
2. Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lambung Mangkurat;
3. Koordinator Program Studi dan seluruh dosen beserta segenap karyawan
Program Studi Strata-1 Statistika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Lambung Mangkurat;
4. Yuana Sukmawaty, M.Si dan Dewi Sri Susanti, M.Si selaku dosen pembimbing
yang telah bersedia meluangkan waktu, tenaga, dan pikiran dalam
pelaksanaan penelitian serta penyusunan skripsi ini;
5. Fuad Muhajirin, M.Si dan Diyang Gita Cendekia, M.E.K.K selaku dosen penguji
yang telah memberikan masukan dalam rangka perbaikan skripsi ini;
6. Nur Salam, M.Sc selaku dosen pembimbing akademik yang telah memberikan
bimbingan serta motivasi selama masa perkuliahan;
7. Sahabat setumat aja yaitu Icha, Adidah, dan Iki yang selalu memberikan doa
dan dukungan;
8. Sahabat Wagelaseh yaitu Dini, Alpi, Erien, Lalu, Nela, Kethy, Thasya, Geo,
Nawir, Tomi, Zainal dan Ardi yang selalu memberikan semangat;
9. Teman-teman S-1 Statistika khususnya angkatan tahun 2018 serta berbagai
pihak yang telah memberikan saran serta nasihat selama proses penulisan
skripsi ini.
Penulis sepenuhnya sadar dalam penulisan skripsi masih jauh dari kata
sempurna, untuk itu sangat diharapkan saran dan kritik yang bersifat
membangun untuk penyempurnaan skripsi ini. Namun demikian, penulis tetap
berharap semoga skripsi ini bermanfaat untuk semua pihak.
Banjarbaru, 13 April 2023
iv
DAFTAR ISI
Halaman
PERNYATAAN ............................................................................................................................. i
ABSTRAK .................................................................................................................................... ii
ABSTRACT ................................................................................................................................. iii
PRAKATA ................................................................................................................................... iv
DAFTAR ISI................................................................................................................................. v
DAFTAR TABEL .................................................................................................................... viii
DAFTAR GAMBAR ................................................................................................................... ix
DAFTAR LAMPIRAN ................................................................................................................ x
ARTI LAMBANG DAN SINGKATAN..................................................................................... xi
BAB I............................................................................................................................................. 1
PENDAHULUAN ........................................................................................................................ 1
1.1 Latar Belakang .................................................................................................... 1
1.2 Rumusan Masalah.............................................................................................. 4
1.3 Tujuan Penelitian .............................................................................................. 5
1.4 Manfaat Penelitian ............................................................................................ 5
BAB II ........................................................................................................................................... 6
TINJAUAN PUSTAKA ............................................................................................................... 6
2.1 Kajian Penelitian Terdahulu.......................................................................... 6
2.2 Kajian Teori ......................................................................................................... 9
2.2.1 Statistika Deskriptif .......................................................................................... 9
2.2.2 Data Deret Waktu ........................................................................................... 10
2.2.3 Stasioneritas Data ........................................................................................... 12
2.2.3.1 Stasioner Data dalam Rata-rata ................................................................. 12
2.2.3.2 Stasioner Data dalam Varian ...................................................................... 13
2.2.4 Data Berkala Multivariate ........................................................................... 14
2.2.4.1 Matrix Autocorrelation Function (MACF) ................................................ 15
v
2.2.4.2 Matrix Partial Autocorrelation Function (MPACF) ............................... 16
2.2.4.3 Uji Augmented Dickey-Fuller (ADF) .......................................................... 16
2.2.5 Model GSTAR .................................................................................................... 17
2.2.5.1 Pemilihan Bobot Lokasi ................................................................................ 18
2.2.5.2 Estimasi Parameter ........................................................................................ 20
2.2.5.3 Uji Signifikansi Parameter ........................................................................... 21
2.2.5.4 Uji White Noise ................................................................................................. 23
2.2.6 Pemilihan Model Terbaik ............................................................................ 24
2.2.6.1 Akaikae’s Information Criterion (AIC) ...................................................... 24
2.2.6.2 Root Mean Square Error (RMSE) ................................................................ 24
2.2.7 Indeks Harga Konsumen (IHK) .................................................................. 25
BAB III....................................................................................................................................... 27
METODOLOGI PENELITIAN ............................................................................................... 27
3.1 Sumber Data ..................................................................................................... 27
3.2 Variabel Penelitian......................................................................................... 27
3.3 Prosedur Penelitian ....................................................................................... 28
3.4 Alur Penelitian ................................................................................................. 30
BAB IV ....................................................................................................................................... 31
HASIL DAN PEMBAHASAN ................................................................................................. 31
4.1 Analisis Deskriptif .......................................................................................... 31
4.2 Estimasi Parameter Model GSTAR Pada IHK 5 Kota di Pulau
Kalimantan........................................................................................................ 33
4.2.1 Deteksi Stasioneritas Data .......................................................................... 33
4.2.2 Identifikasi Model........................................................................................... 36
4.2.3 Perhitungan Bobot Lokasi Pada Model GSTAR .................................... 38
4.2.4 Estimasi Parameter Model GSTAR Model .............................................. 41
4.3 Diagnostik Model Model Dugaan Terbaik.............................................. 43
4.3.1 Uji Signifikansi Parameter........................................................................... 43
vi
4.3.2 Uji White Noise ................................................................................................. 49
4.4 Model Dugaan GSTAR Terbaik Pada Data IHK 5 Kota Di Pulau
Kalimantan........................................................................................................ 50
4.4.1 Data Rata – Rata IHK 5 Kota Di Pulau Kalimantan Dengan Invers
Jarak Data .......................................................................................................... 50
4.4.2 Rata – Rata IHK 5 Kota Di Pulau Kalimantan Dengan Normalisasi
Korelasi Silang ................................................................................................. 51
BAB V ........................................................................................................................................ 53
PENUTUP ................................................................................................................................. 53
5.1 Kesimpulan ....................................................................................................... 53
5.2 Saran ................................................................................................................... 53
DAFTAR PUSTAKA ....................................................................................................... 55
LAMPIRAN ...................................................................................................................... 58
RIWAYAT HIDUP................................................................................................................... 70
vii
DAFTAR TABEL
Halaman
Tabel 2. 1 Kajian Penelitian Terdahulu .......................................................................................... 6
Tabel 2. 2 Tranformasi Box-Cox ..................................................................................................... 14
Tabel 3. 1 Struktur Tabel Pengamatan ........................................................................................ 27
Tabel 3. 2 Variabel Penelitian ......................................................................................................... 28
Tabel 4. 1 Analisis Deskriptif IHK 5 Kota di Pulau Kalimantan ......................................... 31
Tabel 4. 2 Proses Deteksi Stasioner dalam Varian melalui Uji Box-cox untuk IHK 5
kota di Pulau Kalimantan .......................................................................................................... 34
Tabel 4. 3 Hasil Pengujian Kestasioneran dengan Uji ADF .................................................. 35
Tabel 4. 4 Hasil Pengujian Kestasioneran dengan Uji ADF setelah differencing ........ 36
Tabel 4. 5 Nilai AIC Untuk Pemilihan Orde Model .................................................................. 37
Tabel 4. 6 Jarak Antar Kota di Pulau Kalimantan .................................................................... 38
Tabel 4. 7 Hasil Perhitungan Bobot Inver Jarak....................................................................... 39
Tabel 4. 8 Hasil Pendugaan Jarak Korelasi Silang ................................................................... 40
Tabel 4. 9 Hasil Perhitungan Bobot Lokasi Normalisasi Korelasi Silang ....................... 40
Tabel 4. 10 Hasil Estimasi Parameter GSTAR (1,1)-I(1) Menggunakan Bobot Lokasi
Invers Jarak ..................................................................................................................................... 42
Tabel 4. 11 Hasil Estimasi Parameter GSTAR (1,1)-I(1) Menggunakan Bobot
Normalisasi Korelasi Silang ...................................................................................................... 43
Tabel 4. 12 Uji Signifikansi Parameter Model GSTAR(1,1)-I(1) menggunakan Uji t . 44
Tabel 4. 13 Uji Signifikansi Parameter Model GSTAR(1,1)-I(1) menggunakan Uji t . 46
Tabel 4. 14 Uji White noise Model GSTAR(1,1)-I(1) menggunakan Uji ljung-box...... 49
viii
DAFTAR GAMBAR
Halaman
Gambar 1. 1 Grafik IHK kota - kota di Pulau Kalimantan ........................................................ 3
Gambar 2. 1 Pola Horizontal............................................................................................................ 10
Gambar 2. 2 Pola Musiman .............................................................................................................. 11
Gambar 2. 3. Pola Siklik ..................................................................................................................... 11
Gambar 2. 4. Pola Trend .................................................................................................................... 11
Gambar 3. 1 Bagan Prosedur penelitian ..................................................................................... 30
Gambar 4. 1 Perkembangan IHK 5 Kota di Pulau Kalimantan ........................................... 32
Gambar 4. 2 Box-Cox Deteksi Stasioner dalam Varian untuk Kota Banjarmasin ....... 34
Gambar 4. 3 Skema MPACF data IHK ........................................................................................... 37
ix
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Data Indeks Harga Konsumen 5 Kota di Pulau Kalimantan........................ 58
Lampiran 2 Grafik Uji Stasioner dalam Varian (Transformasi Box-Cox)........................ 60
Lampiran 3 Skrip dan Output untuk MACF, MPACF, dan AIC ........................................... 62
Lampiran 4 Input Dan Output Uji ADF Dan Estimasi Parameter ...................................... 63
Lampiran 5 Model GSTAR dari data IHK 5 Kota di Pulau Kalimantan ............................ 66
Lampiran 6 Data Prediksi Untuk Model GSTAR (1,1)-I(1) .................................................. 67
Lampiran 7 Nilai Taksiran Error Untuk Model GSTAR (1,1)-I(1) ..................................... 68
x
ARTI LAMBANG DAN SINGKATAN
Simbol Arti
𝑍(𝑡) : Vektor Pengamatan
𝑡 : Waktu
𝜆𝑘 : Lag spasial dari bentuk autoregressive orde k
𝑝 : Orde autoregressive
𝜙𝑘𝑙 : Parameter autoregressive pada orde autoregressive k dan lah spasial l
𝑊 (𝑙) : Matriks bobot pada lag spasial l
𝑍 ∗ (𝑡) : Vector pengamatan yang mengandung unsur differencing
𝑒 : error
𝐵 : Backshift operator
𝜌̂𝑖𝑗 (𝑘) : Korelasi silang sampel dari komponen deret ke-i dan ke-j
𝑆𝐸(𝜙̂) : Standar error dari parameter 𝜙̂
𝑑𝑓 : Derajat bebas
𝑟𝑖𝑗 : Jarak lokasi i ke j
KRR : Kuadrat Rata-Rata Regresi
KRS : Kuadrat Rata-Rata Sisaan
JKR : Jumlah Kuadrat Regresi
JKS Jumlah Kuadrat Sisaan
xi
BAB I
PENDAHULUAN
1
Pada model GSTAR, pengaruh unsur waktu diperlihatkan dengan orde
autoregressive dan pengaruh unsur lokasi diperlihatkan dengan matriks
pembobot lokasi. Penentuan bobot lokasi menjadi salah satu faktor utama dalam
melakukan pemodelan GSTAR (Anggraeni et al, 2013). Bobot lokasi yang baik
adalah bobot yang memiliki tingkat kesalahan (error) terkecil dalam membentuk
model. Terdapat beberapa cara untuk menentukan bobot lokasi pada GSTAR
seperti bobot lokasi seragam, biner, invers jarak, semivariogram, dan normalisasi
korelasi silang. Dalam pendugaan dan mendapatkan model GSTAR, metode yang
dapat digunakan untuk mengestimasi parameter tersebut dengan metode
Ordinary Least Square (OLS).
Salah satu data yang dapat menggunakan pemodelan GSTAR dimana
terdapat faktor waktu dan lokasi adalah data dalam bentuk angka indeks. Angka
indeks adalah nilai perbandingan perubahan relatif yang dinyatakan dalam
bentuk persentase terhadap yang lain (Desvina & Desmita, 2015). Pada bidang
ilmu ekonomi, salah satu angka indeks yang digunakan yaitu indeks harga. Indeks
harga menjadi tolak ukur kondisi ekonomi secara umum. Salah satu indeks harga
yang ada di Indonesia yaitu Indeks Harga Konsumen (IHK). Menurut Badan Pusat
Statistik Provinsi Jawa tengah (2013), Indeks Harga Konsumen (IHK) adalah
ukuran perubahan harga barang atau jasa pada periode waktu tertentu yang
digunakan sebagai salah satu indikator biaya hidup dan pertumbuhan ekonomi.
IHK memiliki keterhubungan yang erat satu sama lain dengan inflasi dan deflasi.
Perubahan IHK dari waktu ke waktu menjelaskan kondisi inflasi dan deflasi dari
barang dan jasa secara umum. Inflasi adalah kenaikan harga berlangsung secara
terus menerus untuk sekelompok barang dan sebaliknya jika harga turun secara
terus menerus untuk sekelompok barang maka disebut deflasi (Digdowiseiso,
2018). Dengan adanya kenaikan dan penurunan harga barang maupun jasa
menjadikan pengaruh terhadap kemampuan daya beli masyarakat.
2
Data IHK dirilis setiap bulannya oleh Badan Pusat Statistik (BPS) pada 90
kota di Indonesia. Pada Pulau Kalimantan, terdapat 12 kota IHK yang tersebar di
5 provinsi. Pada IHK terdapat Survei Biaya Hidup (SBH) yang menjadi salah satu
bahan dasar yang penting dalam perhitungan nilai IHK. SBH sendiri menurut
Badan Pusat Statistik (2020) merupakan survey pengeluaran konsumsi rumah
tangga di daerah perkotaan yang dimaksudkan untuk mendapatkan pola
konsumsi masyarakat sebagai bahan penyusunan diagram timbang dan paket
komoditas dalam perhitungan IHK. SBH telah dilaksanakan oleh Badan Pusat
Statistik (BPS) beberapa kali yang mana beberapa tahun terakhir terjadi yaitu
SBH pada tahun 2012 yang digunakan dalam penentuan IHK di tahun 2014
sampai dengan tahun 2019 dan SBH pada tahun 2018 yang digunakan dalam
penentuan IHK di tahun 2020 sampai dengan sekarang. Dengan adanya
perubahan SBH pada perhitungan IHK menyebabkan adanya perubahan nilai IHK
disetiap kota termasuk kota-kota IHK di Pulau Kalimantan. Adapun perubahan
nilai IHK yang terjadi disajikan pada grafik beberapa kota di Kalimantan sebagai
berikut:
3
(Sumber: Data IHK Badan Pusat Statistik)
Gambar 1. 1 Grafik IHK kota - kota di Pulau Kalimantan
Adanya perubahan tahun SBH menjadikan adanya penurunan nilai IHK yang
ekstrim dibandingkan IHK tahun sebelumnya. Selain itu terlihat bahwa nilai IHK
dengan SBH tahun 2012 memiliki nilai yang lebih besar dengan pola grafik yang
lebih tinggi dan pada beberapa daerah teradapat fluktuasi nilai yang lebar. Hal ini
menjadikan nilai IHK dengan SBH tahun 2012 menarik untuk dikaji. Sehubung
dengan hal tersebut, pada penulisan ini ingin mengetahui dan melakukan
pemodelan GSTAR nilai IHK di Pulau Kalimantan pada SBH tahun 2012 dan dari
beberapa kota di Pulau Kalimantan diambil ibukota setiap provinsi di Pulau
Kalimantan. Pengambilan ibukota setiap provinsi di Pulau Kalimantan sebagai
perwakilan dikarenakan ibukota adalah titik pusat perekonomian provinsi dan
diharapkan dapat mewakili daerahnya tersebut untuk mengetahui keterkaitan
perekonomian antar provinsi di Pulau Kalimantan. Penentuan bobot lokasi akan
menggunakan dua jenis pembobot yaitu bobot lokasi invers berjarak dan bobot
lokasi korelasi silang sebagai pembanding jenis bobot lokasi mana yang lebih
baik.
4
2. Bagaimana membentuk model dugaan GSTAR untuk pola data IHK 5 ibu kota
Provinsi di Pulau Kalimantan menggunakan bobot lokasi invers jarak dan
bobot lokasi normalisasi korelasi silang?
3. Bagaimana menentukan model dugaan GSTAR terbaik diantara dua tipe
pembobot lokasi untuk pola data IHK di 5 ibu kota provinsi di Pulau
Kalimantan?
5
BAB II
TINJAUAN PUSTAKA
6
Autoregressive waktu-waktu sebelumnya.
(GSTAR) Sedangkan IHK 3 kota
lainnya saling
mempengaruhi satu sama
lain
Model GSTAR terbaik untuk
Peramalan IHK empat kota di Provinsi
Menggunakan Sulawesi Selatan adalah
Indeks Harga
Model GSTAR model GSTARI (1;1;1)
Konsumen
M Alfikar untuk Indeks setelah di differencing 1
Sulawesi Sulawesi Selatan Badan Pusat
2. M, Nur’eni, Harga Foercasting 2018 dengan bobot lokasi
Selatan di Watampone, Statistik
dan Desy L Konsumen di seragam. Bobot lokasi
Makassar, Pare-
Empat Kota seragam ini terbaik karena
pare dan Palopo
Provinsi memenuhi asumsi white
Sulawesi Selatan noise dengan rata-rata nilai
RMSE sebesar 10.63
7
Pekanbaru, meramalkan IHK kota
Jambi, dan padang, pekanbaru, dan
Palembang Palembang adalah
GSTAR(1;1)-I(1) dengan
bobot seragam. Sedangkan
untuk meramalkan IHK kota
jambi adalah STAR(1;1)-I(1)
dengan bobot seragam
8
Berdasarkan tabel tersebut, dapat diketahui bahwa penelitian mengenai
pemodelan data deret waktu yang dipengaruhi waktu sebelumnya dan lokasi
pada data IHK masih sangat terbatas sehingga peneliti ingin melakukan penelitian
mengenai pemodelan Generalized Space Time Autoregressive (GSTAR) pada data
IHK beberapa kota di Pulau Kalimantan.
9
2. Angka Indeks
3. Time Series/Deret waktu atau berkala
4. Regresi dan Korelasi
10
Gambar 2. 2 Pola Musiman
11
2.2.3 Stasioneritas Data
Stasioner adalah kondisi dimana tidak terdapat penurunan ataupun kenaikan
secara drastis pada data. Umumnya data harus horizontal sepanjang sumbu
waktu. Deret waktu dapat dikatakan stasioner apabila tidak memiliki unsur tren
dalam data dan rata – rata serta variannya tetap. Selain pada plot data, stasioner
dapat kita ketahui dari plot Autocorrelation Function (ACF) data tersebut. Jika
terjadinya penurunan secara cepat mendekati nol (umumnya terjadi setelah lah
kedua atau ketiga) pada plot ACF, maka dapat dikatakan bahwa data telah
stasioner. Stasioner data terbagi menjadi 2 yaitu stasioner dalam rata – rata dan
stasioner dalam variansi.
2.2.3.1 Stasioner Data dalam Rata-rata
Data dapat dikatakan telah stasioner dalam rata – rata jika 𝐸(𝑌𝑡 ) = 𝜇 yang
artinya fluktuasinya berada di sekitar nilai rata – rata yang konstan. Stasioner
dalam rata – rata tidak bergantung pada waktu dan variansi dari fluktuasi
tersebut. Biasanya untuk mengetahui kestasioneran data dapat dilakukan dengan
cara melihat skema MACF. Jika skema MACF terlihat turun secara lambat maka
data belum dapat dikatakan stasioner terhadap rata – rata. Dalam hal ini, kita
perlu melakukan differencing (pembedaan). Differencing digunakan untuk
membentuk data baru yang mana diperoleh dari mengurangi nilai pengamatan
pada waktu t dengan nilai pengamatan pada waktu sebelumnya. Untuk
merumuskan differencing pertama adalah sebagai berikut:
𝑊𝑡 = 𝑍𝑡 − 𝑍𝑡−1 (2.1)
12
dimana
d : 1,2,… (biasanya 1 dan 2)
B : Backshift operator (operator mundur)
𝑊𝑡 : Data setelah differencing ke-t
𝑍𝑡 : Data pengamatan pada waktu ke-t
𝑍𝑡−1 : Data pengamatan pada waktu ke-t – 1
13
Nilai 𝜆 dengan aturan transformasi Box-Cox dituliskan sebagai berikut:
Tabel 2. 2 Tranformasi Box-Cox
Nilai 𝜆 Transformasi
1
-2
𝑍𝑡2
1
-1
𝑍𝑡
1
-0,5
√𝑍𝑡
0 ln 𝑍𝑡
0,5 √𝑍𝑡
𝑍𝑡 (tidak ada
1
transformasi)
2 𝑍𝑡2
14
2.2.4.1 Matrix Autocorrelation Function (MACF)
MACF menjadi salah satu uji dalam melihat apakah data stasioner atau tidak
pada Moving Average. Menurut (Anggreni et al, 2013), apabila diberikan data time
series sebanyak n kali dari pengamatan 𝑍1 , 𝑍2 , … , 𝑍𝑛 maka bentuk matriks korelasi
sampelnya sebagai berikut:
𝜌̂(𝑘) = [𝜌̂𝑖𝑗 (𝑘)], (2.4)
Dimana 𝜌̂𝑖𝑗 (𝑘) adalah korelasi silang sampel dari deret ke-i dan ke-j yang mana
dapat dinyatakan sebagai berikut:
Dengan:
𝜌̂𝑖𝑗 (𝑘) : Korelasi silang sampel dari deret waktu lokasi ke-i dan
ke-j pada lag ke-k
𝑍𝑖,𝑡 : Data pengamatan pada lokasi ke-i dan waktu ke-t
𝑍𝑗,𝑡 : Data pengamatan pada lokasi ke-j dan waktu ke-t
𝑍̅𝑖 : Rata-rata data pengamatan dari lokasi i
𝑍𝑗̅ : Rata-rata data pengamatan dari lokasi j
Dimana 𝑍𝑖̅ dan 𝑍𝑗̅ adalah rata – rata sampel yang berasal dari unsur deret yang
bersesuaian. Adapun simbol – simbol notasi yang biasa digunakan untuk
mempermudah dalam penggunaan metode ini seperti notasi (+), (-), dan (∙) pada
suatu matriks korelasi dengan sampel ke-(ij) (Wei, 2006). Notasi (+)
menunjukkan 𝜌̂𝑖𝑗 (𝑘) lebih besar dari 2 kali standar error yang berarti berkorelasi
positif, Notasi (-) menunjukkan 𝜌̂𝑖𝑗 (𝑘) lebih kecil dari -2 kali standar error yang
berarti berkorelasi negative, dan Notasi (∙) menunjukkan 𝜌̂𝑖𝑗 (𝑘) diantara ±2 kali
standar error yang berarti tidak berkolerasi. Adapun rumus standard error pada
𝜌̂𝑖𝑗 (𝑘) adalah sebagai berikut.
15
1 2 (1)
𝑆𝜌̂ 𝑖𝑗(𝑘) = √𝑇 (1 + 2𝜌̂𝑖𝑗 2 (2)
+ 1 + 2𝜌̂𝑖𝑗 2 (𝑘
+ ⋯ + 1 + 2𝜌̂𝑖𝑗 − 1)), (2.6)
Dimana 𝑍̂𝑡 dan 𝑍̂𝑡+𝑘 merupakan rata – rata kesalahan kuadrat minimum dalam
estimasi regresi linear dari 𝑍𝑡 dan 𝑍𝑡+𝑘 yang berdasarkan pada
𝑍𝑡+1 , 𝑍𝑡+2 , … , 𝑍𝑡+𝑘−1 . Menurut Box & Jenkins (1976) menyatakan jika data
digunakan untuk suatu proses vector autoregressive pada orde ke-s, maka dapat
dinyatakan sebagai koefisien matriks parsial pada lag ke-s (P(s)) terakhir.
Sehingga P(s)= 𝜙𝑠𝑠 pada regresi linier multivariat. MPACF memiliki sifat
terpotong setelah lag p pada model VAR(p) sama seperti PACF.
16
Hipotesis:
H0 : Terdapat unit root (data tidak stasioner)
H1 : Tidak terdapat unit root (data tidak stasioner)
Statistik Uji:
𝑦̂
|𝑡𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘 | = | |
𝑆𝐸(𝑦̂)
Dengan:
𝑦̂ : Koefisien
𝑆𝐸(𝑦̂) : Standar Error
Kriteria Pengujian:
Jika |𝑡𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑘 | > |𝑡𝑡𝑎𝑏𝑒𝑙 | maka H0 ditolak yang berarti data stasioner
17
Dimana:
𝜆𝑝 : Orde spasial dari parameter autoregressive
𝜙𝑘0 : Matriks diagonal parameter space time lag spasial 0 dan parameter
autoregressive lag ke-k
𝜙𝑘𝑠 : Matriks diagonal parameter space time lag spasial s dan parameter
autoregressive lag ke-k
𝑊 (𝑠) : Matriks bobot berukuran NxN pada lag spasial s dengan
𝑊 (0) yang merupakan matriks identitas berukuran NxN
𝑒(𝑡) : Vektor galat berukuran Nx1
𝑍(𝑡) : Vektor acak berukuran Nx1 pada waktu t
18
a. Bobot Lokasi Invers Jarak
Bobot ini menggunakan jarak perhitungan sebenarnya antar lokasi
dalam penentuan nilai perhitungannya. Semakin antar lokasi berdekatan
akan mendapatkan nilai bobot yang lebih besar. Perhitungan bobot dengan
metode invers jarak diperoleh dari hasil invers jarak sebenarnya yang
kemudian dinormalisasi (Irawati et al, 2015). Pembobot lokasi ini dinyatakan
dengan:
∗
𝑤𝑖𝑗
𝑤𝑖𝑗 = ∑𝑛 ∗ (2.10)
𝑗=1 𝑤𝑖𝑗
Yang mana,
1
;𝑖≠𝑗
∗ 𝑑𝑖𝑗
𝑤𝑖𝑗 {0;𝑖=𝑗 (𝑖, 𝑗 = 1,2, … . , 𝑛) (2.11)
Dengan,
𝑟𝑖𝑗 = √(𝑢𝑖 − 𝑢𝑗 )2 + (𝑣𝑖 − 𝑣𝑗 )2 , 𝑖 ≠ 𝑗 (2.12)
Keterangan:
𝑟𝑖𝑗 = jarak lokasi i ke j
(𝑢𝑖 , 𝑢𝑗 ) = koordinat dari garis lintang
(𝑣𝑖 , 𝑣𝑗 ) = koordinat dari garis bujur
𝛾𝑖𝑗 (𝑘)
𝜌𝑖𝑗 (𝑘) = , 𝑘 = 0, ±1, ±2, … .. (2.13)
𝜎𝑖 𝜎𝑗
19
Keterangan:
𝛾𝑖𝑗 = kovarian silang antar pengamatan pada lokasi ke-i dan ke-j pada lag
ke-k
𝜎𝑖 , 𝜎𝑗 = Standar deviasi pada lokasi ke-i dan lokasi ke-j
Untuk melakukan pendugaan korelasi silang pada data sampel dengan cara:
∑𝑛 ̅ ̅
𝑡=𝑘+1[𝑍𝑖 (𝑡)−𝑍𝐼 ][𝑍𝑗 (𝑡−𝑘)−𝑍𝐽 ]
𝑟𝑖𝑗 (𝑘) = (2.14)
√(∑𝑛 ̅ 2 𝑛 ̅ 2
𝑡=1[𝑍𝑖 (𝑡)−𝑍𝐼 ]) (∑𝑡=1[𝑍𝑗 (𝑡)−𝑍𝐽 ])
𝒀 = 𝑿𝜷 + 𝒆 (2.16)
20
𝑍𝑖 (1) 𝑍𝑖 (0) 𝑉𝑖 (0) 𝑒𝑖 (1)
1
𝑍 (2) 𝑍 (1) 𝑉𝑖 (1) 𝜙 𝑒 (2)
𝑌𝑖 = [ 𝑖 ] , 𝑋𝑖 = [ 𝑖 ] , 𝛽𝑖 = [ 𝑖0
1 ] , 𝑒𝑖 = [ 𝑖 ] (2.17)
⋮ ⋮ ⋮ 𝜙𝑖1 ⋮
𝑍𝑖 (𝑇) 𝑍𝑖 (𝑇 − 1) 𝑉𝑖 (𝑇 − 1) 𝑒𝑖 (𝑇)
Dengan 𝑍𝑖 (𝑡) adalah pengamatan ke-t untuk lokasi ke-I dan 𝑉𝑖 (𝑡) =
∑𝑗≠1 𝑊𝑖𝑗 𝑍𝑗 (𝑡). Untuk melakukan estimasi parameter 𝛽 menggunakan metode
least square dengan meminimumkan fungsi 𝒆′ 𝒆 = (𝒁 − 𝑿𝜷)′(𝒁 − 𝑿𝜷) seperti
berikut:
𝒆′ 𝒆 = (𝒁 − 𝑿𝜷)′ (𝒁 − 𝑿𝜷) (2.18)
𝒆′ 𝒆 = 𝒁′ 𝒁 − 𝜷′ 𝑿′ 𝒁 − 𝒁′ 𝑿𝜷 + 𝜷′ 𝑿′ 𝑿𝜷 (2.19)
𝒆′ 𝒆 = 𝒁′ 𝒁 − 𝟐𝜷′ 𝑿′ 𝒁 + 𝜷′ 𝑿′ 𝑿𝜷 (2.20)
21
a. Uji t
Uji t adalah pengujian secara parsial untuk mengetahui variabel yang
mempunyai pengaruh terhadap variabel dependen secara individual. Adapun
cara melakukan uji t sebagai berikut(srihardianti et al, 2010):
Hipotesis:
H0 : 𝜙 = 0 (parameter tidak signifikan)
H1 : 𝜙 ≠ 0 (parameter signifikan)
Statistik Uji:
̂
𝜙
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑆𝐸(𝜙) (2.24)
Kriteria Pengujian:
Dengan 𝛼 = 10%, jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡𝑡𝑎𝑏𝑒𝑙 maka H0 ditolak yang artinya
parameter siginikan begitu sebaliknya.
b. Uji F
Uji F adalah pengujian yang dilakukan untuk mengetahui apakah
variabel independent besama-sama mempengaruhi variabel dependen.
Adapun cara melakukan uji F ini sebagai berikut(srihardianti et al, 2010):
Hipotesis:
H0 : ∀𝜙𝑘𝑙 = 0 , dengan k=1,2,… l=0,1,… (parameter tidak signifikan)
H1 : ∃𝜙𝑘𝑙 ≠ 0, dengan k=1,2,… l=0,1,… (parameter signifikan)
Statistik Uji:
𝐾𝑅𝑅
𝐹∗ = (2.26)
𝐾𝑅𝑆
Dengan
𝐾𝑅𝑅 = 𝐽𝐾𝑅 (2.27)
𝐽𝐾𝑆
𝐾𝑅𝑆 = 𝑛−2 (2.28)
22
Dimana:
KRR : Kuadrat rata – rata regresi
KRS : Kuadrat rata – rata sisaan
JKR : Jumlah kuadrat regresi
JKS : Jumlah kuadrat sisaan
n : Banyaknya data
Kriteria Pengujian:
Dengan 𝛼 = 10%, jika 𝐹 ∗ > 𝐹(𝛼;1,𝑛−2) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼 maka H0 ditolak
yang artinya parameter siginikan begitu sebaliknya.
23
2.2.6 Pemilihan Model Terbaik
Untuk mendapatkan model terbaik, dapat dilihat dari kriteria in sample dan
out sample. Metode yang sering digunakan dalam penentuan kriteria in sample
yaitu metode Akaikae’s Information Criterion (AIC). Sedangkan Metode yang
sering digunakan dalam penentuan kriteria out sample yaitu dengan melihat nilai
Root Mean Square Error (RSME).
2.2.6.1 Akaikae’s Information Criterion (AIC)
AIC adalah salah satu kriteria untuk pemilihan model yang mana dalam
modelnya mempertimbangkan banyaknya parameter. Adapun AIC dapat
dirumuskan sebagai berikut:
Dimana:
n : Banyaknya observasi
m : Ukuran dari vector proses 𝑍𝑡
1 𝑇𝑜
𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸 = √𝑇 ∑𝑗=1(𝑍𝑗 − 𝑍̂𝑗 )2 (2.31)
𝑜
24
Dengan:
𝑇𝑜 : Banyaknya ramalan yang dilakukan
𝑌𝑗 : Data out sample ke-j
𝑌̂𝑗 : Data hasil ramalan ke-j
𝑃𝑛𝑖
∑𝑘 𝑃 .𝑄
𝑖=1 𝑃(𝑛−1)𝑖 (𝑛−1)𝑖 𝑜𝑖
𝐼𝑛 = ∑𝑘
(2.32)
𝑖=1 𝑃𝑜𝑖 .𝑄𝑜𝑖
Dengan:
𝐼𝑛 : IHK pada bulan ke-n
25
𝑃𝑛𝑖 : Relatif harga komoditas i pada bulan ke-n
𝑃(𝑛−1)𝑖
𝑃𝑛𝑖 : Harga komoditas i pada bulan ke-n
𝑃(𝑛−1)𝑖 : Harga komoditas i pada bulan ke-(n-1)
𝑃(𝑛−1)𝑖 . 𝑄: 𝑜𝑖 Nilai konsumsi komoditas i pada bulan ke-n(n-1)
𝑃𝑜𝑖 . 𝑄𝑜𝑖 : Nilai komoditas i pada tahun dasar
𝑘 : Jumlah barang atau jasa yang masuk dalam paket komoditas
26
BAB III
METODOLOGI PENELITIAN
Waktu
(j)
𝑥1;1 𝑥1;2 𝑥1;3 ⋯ 𝑥1;72
Lokasi
(i)
⋮ ⋮ ⋮ ⋱ ⋮
𝑥5;1 𝑥5;2 𝑥5;3 ⋯ 𝑥5;72
27
mengecek ketepatan model. Adapun variabel yang digunakan pada penelitian ini
adalah:
28
4. Mendapatkan model GSTAR dengan dilakukan indentifikasi menggunakan
skema MPACF (Matrix Partial Autocorrelation Function) serta memilih nilai
AIC terkecil untuk menentukan orde autoregressive.
5. Menentukan bobot nilai pada bobot spasial menggunakan dua bobot lokasi
yaitu bobot lokasi invers jarak dan bobot lokasi normalisasi korelasi silang.
6. Melakukan estimasi parameter model GSTAR yang telah diidentifikasi
sebelumnya menggunakan metode OLS.
7. Melakukan uji kelayakan pada model GSTAR yang telah didapat dengan
melakukan uji signifikansi parameter yang dilakukan secara serentak
menggunakan uji F (simultan), secara individu menggunakan uji t (parsial),
dan menguji error yang bersifat white noise menggunakan uji Ljung-Box.
8. Menghitung nilai RSME dan memilih bobot lokasi terbaik yang digunakan
berdasarkan nilai RSME terkecil.
9. Menginterpretasikan model GSTAR.
29
3.4 Alur Penelitian
30
BAB IV
HASIL DAN PEMBAHASAN
Standar
No Kota Minimum Maksimum Mean
Deviasi
1. Banjarmasin 108.22 140.15 125.62 9.24
2. Samarinda 113.78 140.25 128.70 8.38
3. Pontianak 111.78 149.42 134.38 10.77
4. Palangkaraya 109.63 135.43 123.47 7.31
5. Tarakan 113.64 150.66 135.46 10.12
31
terdapat di kota Banjarmasin dengan nilai sebesar 108.22 bulan Maret dan
Oktober tahun 2014. Sedangkan nilai tertinggi pada IHK 5 kota, terdapat di kota
Tarakan sebesar 150.66 pada Juni tahun 2019. Pesebaran data terhadap rata-rata
untuk data IHK 5 kota di Pulau Kalimantan memiliki nilai tertinggi pada kota
Pontianak dengan nilai sebesar 10.77 dan nilai terendah pada kota Palangkaraya
dengan nilai sebesar 7.31. Berikut ini, perkembangan IHK 5 kota di Pulau
Kalimantan dapat dilihat pada Gambar 4.1.
32
Pada Gambar 4.1 menujukkan bahwa secara umum pola IHK 5 kota di Pulau
Kalimantan periode dari Januari 2014 sampai dengan Desember 2019 relatif
sama. Pola yang terlihat yaitu pola trend, yang mana adanya fluktuasi data setiap
bulannya. Pada plot tersebut terlihat adanya fluktuasi data dengan rentang yang
lebar pada lokasi dan waktu tertentu yaitu pada Kota Banjarmasin di tahun 2014
dan Kota Tarakan di tahun 2019.
33
(a) (b)
Gambar 4. 2 Box-Cox Deteksi Stasioner dalam Varian untuk Kota Banjarmasin
Pada Gambar 4.2 bagian (a) terlihat nilai rounded value ≠ 1, sehingga perlu
dilakukan proses transformasi box-cox. Setelah dilakukan satu kali transformasi
box-cox didapatkan nilai rounded value = 1 pada bagian (b). Langkah yang sama
dilakukan pada IHK 5 kota di Pulau Kalimantan yang terjadi pada lampiran 2 dan
untuk hasil transformasi box-cox disajikan pada tabel 4.2 sebagai berikut.
Tabel 4. 2 Proses Deteksi Stasioner dalam Varian melalui Uji Box-cox untuk IHK
5 kota di Pulau Kalimantan
Transformasi Box-Cox
Kota Keterangan
1 2
Stasioner setelah ditransformasi
Banjarmasin 𝜆=4 𝜆=1
ke bentuk Z(t)’=Z(t)4
Stasioner setelah ditransformasi
Samarinda 𝜆=3 𝜆=1
ke bentuk Z(t)’=Z(t)3
Stasioner setelah ditransformasi
Pontianak 𝜆=4 𝜆=1
ke bentuk Z(t)’=Z(t)4
Stasioner setelah ditransformasi
Palangkaraya 𝜆=3 𝜆=1
ke bentuk Z(t)’=Z(t)3
34
Stasioner setelah ditransformasi
Tarakan 𝜆=4 𝜆=1
ke bentuk Z(t)’=Z(t)4
Tabel 4.3 menunjukkan hasil uji ADF untuk kestasioneritas dalam rata –
rata. Data dapat dikatakan stasioner dalam rata -rata (tidak terdapat unit root)
apabila nilai p-value < α=0.1. Pada Tabel 4.3 menunjukkan 4 dari 5 kota memiliki
nilai p-value > α=0.1 yang berarti data tidak stasioner. Maka diperlukan
differencing agar data stasioner. Perlakuan differencing diterapkan pada seluruh
lokasi agar jumlah data yang dihasilkan sama pada setiap lokasi. Berikut ini
pengujian hipotesis dan hasil stasionertitas data yang telah di differencing pada
Tabel 4.4.
35
Tabel 4. 4 Hasil Pengujian Kestasioneran dengan Uji ADF setelah differencing
Tabel 4.4 menunjukkan hasil uji ADF untuk kestasioneritas dalam rata – rata
pada data yang telah di differencing. Data dapat dikatakan stasioner dalam rata -
rata (tidak terdapat unit root) apabila nilai p-value < α=0.1. Pada Tabel 4.4
menunjukkan ke 5 kota memiliki nilai p-value < α=0.1 yang berarti data telah
stasioner dalam rata-rata. Sehingga data yang telah memenuhi asumsi stasioner
dalam varian dan stasioner dalam rata – rata adalah data yang telah di differencing
1 kali.
Name/Lag 1 2 3 4 5 6 7 8 9 10
Banjarmasin -..+. ..... -.... -.... ..... ..... ..... ..... ..... .....
Samarinda ...+. -.... -.... -.... ..... ..... ..... ..... ..... .....
Pontianak ...+. ..... ..... ..-.. .+... ..... ..... ..... ..... .....
36
Palangkaraya ...+. ..... ..... ..... .+... ...+. ..... ..... ..... .....
Tarakan ....- ....- ..... ..... ..... ..... ..... ..... ..... .....
Berdasarkan Gambar 4.3 terlihat bahwa terdapat beberapa lag MPACF yang
terpotong pada lag 1 sampai 6. Lag yang terpotong dilihat dari lag yang memiliki
+ dan – pada skema MPACF. Dari beberapa lag yang terpotong tersebut kemudian
dipilih salah satu yang terbaik dengan melihat nilai AIC terkecil. Berikut ini dalah
hasil nilai AIC dari beberapa lag yang tersajikan pada Tabel 4.5.
Model AIC
GSTAR (1) 8593.843
GSTAR (2) 8599.828
GSTAR (3) 8614.971
GSTAR (4) 8616.654
GSTAR (5) 8613.165
GSTAR (6) 8626.776
Berdasarkan Tabel 4.5 terlihat bahwa nilai AIC terkecil terdapat pada model
GSTAR orde 1 dengan nilai sebesar 8593.843. Data yang digunakan adalah data
yang telah di differencing 1 kali dan orde spasial yang digunakan adalah orde
spasial 1. Sehingga model GSTAR dugaan sementara yang terbaik untuk
digunakan pada data IHK 5 kota di Pulau Kalimantan adalah GSTAR (1,1)-I(1).
37
4.2.3 Perhitungan Bobot Lokasi Pada Model GSTAR
Pada penelitian ini, terdapat 2 perhitungan bobot lokasi yaitu bobot lokasi
invers jarak dan bobot lokasi normalisasi korelasi silang.
a. Perhitungan Bobot Lokasi Invers Jarak
Bobot invers jarak mengasumsikan bahwa nilai data suatu lokasi
dipengaruhi oleh jauh atau dekatnya jarak yang dimiliki dengan lokasi
lainnya. Jarak antar dua lokasi yang jauh memiliki bobot yang cenderung
lebih rendah dibandingkan dengan jarak antar dua lokasi yang berdekatan.
Hal ini dikarenakan lokasi dengan jarak yang jauh diduga memiliki
keterkaitan antar lokasi yang kecil begitu sebaliknya. Jarak sebenarnya antar
kota pada penelitian ini dapat dilihat pada Tabel 4.6 yang diperoleh dari
website id.toponavi.com.
Jarak (km)
Kota
Banjarmasin Samarinda Pontianak Palangkaraya Tarakan
Banjarmasin 0 423 689 144 810
Samarinda 423 0 869 406 428
Pontianak 689 869 0 564 989
Palangkaraya 144 406 564 0 738
Tarakan 810 428 989 738 0
38
Tabel 4. 7 Hasil Perhitungan Bobot Invers Jarak
39
Tabel 4. 8 Hasil Pendugaan Jarak Korelasi Silang
40
4.2.4 Estimasi Parameter Model GSTAR Model
Dalam penelitian ini, metode yang digunakan untuk mengestimasi
parameter adalah metode Ordinary Least Square (OLS). Metode ini melakukan
estimasi parameternya dengan meminimumkan jumlah kuadrat residual. Pada
tahap indentifikasi model, didapatkan model yang terbentuk yaitu GSTAR (1,1)-
I(1). Pada penelitian ini, model dilakukan differencing 1 kali sehingga model
GSTAR menggunakan persamaan (2.9) untuk IHK 5 kota di Pulau Kalimantan yang
dapat dilihat pada persamaan 4.1.
Dengan 𝑉𝑖 ∗ (𝑡 − 1) = ∑𝑁
𝑗=1 𝑊𝑖𝑗
(1)
𝑍𝑗 ∗ (𝑡 − 1) sehingga bentuk matriks model
GSTAR dapat dinyatakan dalam persamaan 4.2.
𝒁∗ = 𝑿∗ 𝝓 + 𝒆 (4.3)
41
𝜙10 (1)
𝜙11 (1)
̂ (𝒊)
𝝓 = ⋮ (4.4)
𝜙10 (5)
(𝜙11 (5) )
Sehingga nilai estimasi parameter model GSTAR (1,1)-I(1) dengan bobot lokasi
invers jarak dilakukan dengan metode OLS disajikan pada Tabel 4.10 dan nilai
estimasi parameter model GSTAR (1,1)-I(1) dengan bobot normalisasi korelasi
silang dilakukan dengan metode OLS disajikan pada Tabel 4.11.
Estimasi
Kota Parameter
Parameter
Banjarmasin 𝜙10 (1) -0.3054542
42
Tabel 4. 11 Hasil Estimasi Parameter GSTAR (1,1)-I(1) Menggunakan Bobot
Normalisasi Korelasi Silang
Estimasi
Kota Parameter
Parameter
Banjarmasin 𝜙10 (1) -0.1945329
43
Tabel 4. 12 Uji Signifikansi Parameter Model GSTAR(1,1)-I(1) menggunakan
Uji t
Estimasi
Kota Parameter P-value Keputusan Kesimpulan
Parameter
Menolak
𝜙10 (1) -0.3054542 0.0334 Signifikan
H0
Banjarmasin
Menolak
𝜙11 (1) 1.1343646 0.0317 Signifikan
H0
Menerima Tidak
𝜙10 (2) -01298196 0.9936
H0 Signifikan
Samarinda
Menerima Tidak
𝜙11 (2) 0.0018183 0.9926
H0 Signifikan
Menerima Tidak
𝜙10 (3) -0.0009270 0.9939
H0 Signifikan
Pontianak
Menerima Tidak
𝜙11 (3) 0.3899191 0.1424
H0 Signifikan
Menerima Tidak
𝜙10 (4) -0.0711640 0.9974
H0 Signifikan
Palangkaraya
Menerima Tidak
𝜙11 (4) 0.0006966 0.9973
H0 Signifikan
Menolak
𝜙10 (5) -0.3713029 3.11e-07 Signifikan
H0
Tarakan
Menolak
𝜙11 (5) 1.1897182 6.84e-06 Signifikan
H0
44
GSTAR(1,1)-I(1) apabila mempunyai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 0.1. Berdasarkan tabel
4.14, nilai estimasi parameter yang mempunyai hasil signifikan ditandai
dengan highlight kuning yaitu pada kota Banjarmasin dan Tarakan.
Sedangkan untuk nilai estimasi parameter yang mempunyai hasil tidak
signifikan terdapat pada kota Samarinda, Pontianak, dan Palangkaraya.
Setelah dilakukan pengujian parameter secara parsial, tahap
selanjutnya akan dilakukan pengujian signifikansi parameter secara serentak
menggunakan uji F. nilai F-statistic (F*) dapat dikatakan signifikan secara
simultan apabila F* > F(0.1,10,305). Hasil F-statistic (F*) yang didapatkan dari
output pengestimasian parameter pada Lampiran 4, yaitu sebesar 4.245 dan
F(0.1,10,305) = 1.6197. sehingga F* > F(0.1,10,305), maka H0 ditolak. Sehingga dapat
disimpulkan bahwa model GSTAR(1,1)-I(1) sesuai untuk menggambarkan
IHK 5 kota di Pulau Kalimantan.
Hasil lengkap output dari estimasi parameter untuk model GSTAR(1,1)-
I(1) dengan bobot invers jarak disajikan pada lampiran 4 dan bentuk model
GSTAR(1,1)-I(1) untuk 5 kota di Pulau Kalimantan disajikan pada lampiran 5.
Berikut ini disajikan hasil interpretasi model GSTAR(1,1)-I(1) pada 5 lokasi
sebagai berikut:
• Banjarmasin
∗
𝑍̂1 (𝑡) = −0.305454𝑍1 ∗ (𝑡 − 1) + [0.223470𝑍2 ∗ (𝑡 − 1) + 0.137258𝑍3 ∗ (𝑡 −
1) + 0.137258𝑍4 ∗ (𝑡 − 1) + 0.116840𝑍5 ∗ (𝑡 − 1)
• Samarinda
∗
𝑍̂2 (𝑡) = 0
• Pontianak
∗
𝑍̂3 (𝑡) = 0
• Palangkaraya
∗
𝑍̂4 (𝑡) = 0
45
• Tarakan
∗
𝑍̂5 (𝑡) = −0.371303 𝑍5 ∗ (𝑡 − 1) + [0.247461 𝑍1 ∗ (𝑡 − 1) + 0.468749 𝑍2 ∗ (𝑡 −
1) + 0.202252 𝑍3 ∗ (𝑡 − 1) + 0.271256𝑍4 ∗ (𝑡 − 1)
Estimasi
Kota Parameter P-value Keputusan Kesimpulan
Parameter
Menolak
Banjarmasin 𝜙10 (1) -0.1945329 0.090705 Signifikan
H0
46
Menolak
𝜙11 (1) 0.6120764 0.082000 Signifikan
H0
Menerima Tidak
𝜙10 (2) -0.1663009 0.992786
H0 Signifikan
Samarinda
Menerima Tidak
𝜙11 (2) 0.0026655 0.991945
H0 Signifikan
Menerima Tidak
𝜙10 (3) 0.0120113 0.913938
H0 Signifikan
Pontianak
Menerima Tidak
𝜙11 (3) 0.3368274 0.128444
H0 Signifikan
Menerima Tidak
𝜙10 (4) -0.0483543 0.997197
H0 Signifikan
Palangkaraya
Menerima Tidak
𝜙11 (4) 0.0005318 0.996779
H0 Signifikan
Menolak
𝜙10 (5) -0.3270037 5.44e-06 Signifikan
H0
Tarakan
Menolak
𝜙11 (5) 1.3498253 0.000153 Signifikan
H0
47
Setelah dilakukan pengujian parameter secara parsial, tahap
selanjutnya akan dilakukan pengujian signifikansi parameter secara serentak
menggunakan uji F. nilai F-statistic (F*) dapat dikatakan signifikan secara
simultan apabila F* > F(0.1,10,305). Hasil F-statistic (F*) yang didapatkan dari
output pengestimasian parameter pada Lampiran 4, yaitu sebesar 3.439 dan
F(0.1,10,305) = 1.6197. sehingga F* > F(0.1,10,305), maka H0 ditolak. Sehingga dapat
disimpulkan bahwa model GSTAR(1,1)-I(1) sesuai untuk menggambarkan
IHK 5 kota di Pulau Kalimantan.
Hasil lengkap output dari estimasi parameter untuk model GSTAR(1,1)-
I(1) dengan bobot normalisasi korelasi silang pada lampiran 4 dan bentuk
model GSTAR(1,1)-I(1) untuk 5 kota di Pulau Kalimantan disajikan pada
lampiran 5. Berikut ini disajikan hasil interpretasi model GSTAR(1,1)-I(1)
pada 5 lokasi sebagai berikut:
• Banjarmasin
∗
𝑍̂1 (𝑡) = −0.194533 𝑍1 ∗ (𝑡 − 1) + [0.094802 𝑍2 ∗ (𝑡 − 1) + 0.029660 𝑍3 ∗ (𝑡 −
1) + 0.369487 𝑍4 ∗ (𝑡 − 1) + 0.1181270𝑍5 ∗ (𝑡 − 1)
• Samarinda
∗
𝑍̂2 (𝑡) = 0
• Pontianak
∗
𝑍̂3 (𝑡) = 0
• Palangkaraya
∗
𝑍̂4 (𝑡) = 0
• Tarakan
∗
𝑍̂5 (𝑡) = −0.327004 𝑍5 ∗ (𝑡 − 1) + [0.375756 𝑍1 ∗ (𝑡 − 1) + 0.657925 𝑍2 ∗ (𝑡 −
1) + 0.006712 𝑍3 ∗ (𝑡 − 1) + 0.309433𝑍4 ∗ (𝑡 − 1)
48
Dari 5 persamaan diatas, terdapat model data IHK 3 kota yaitu
∗
Samarinda, Pontianak, dan Palangkaraya memiliki persamaan 𝑍̂𝑖 (𝑡) = 0. Hal
ini dikarenakan pada uji signifikansi parameter secara parsial didapatkan
nilai estimasi parameter tidak signifikan. Oleh karena itu, dengan model
GSTAR(1,1)-I(1) menggunakan bobot lokasi invers jarak pada 3 kota yaitu
Samarinda, Pontianak, dan Palangkaraya tidak dipengaruhi oleh IHK periode
sebelumnya dan IHK kota lainnya pada periode sebelumnya. Pada model data
IHK kota Banjarmasin pada waktu t di pengaruhi oleh IHK periode
sebelumnya dan dipengaruhi oleh data IHK kota Samarinda, Pontianak,
Palangkaraya dan Tarakan pada periode sebelumnya. Begitu juga pada pada
model data IHK kota Tarakan pada waktu t di pengaruhi oleh IHK periode
sebelumnya dan dipengaruhi oleh data IHK kota Samarinda, Pontianak,
Palangkaraya dan Banjarmasin pada periode sebelumnya.
49
4 Palangkaraya 11.00 Menerima H0
5 Tarakan 238.03 Menolak H0
Tabel 4.14 menampilkan hasil pengujian asumsi white noise pada nilai error
model GSTAR(1,1)-I(1) menggunakan uji ljung-box. Nilai error dari model
dikatakan tidak memenuhi asumsi white noise apabila 𝐿𝐵 < 𝜒0.1,62
2
. Berdasarkan
tabel 4.14 terdapat nilai error yang tidak memenuhi asumsi white noise yaitu pada
kota Tarakan dengan nilai 𝐿𝐵 = 238.03 > 𝜒0.1,62
2
= 76.63. Sedangkan untuk kota
lainnya yaitu Banjarmasin, Samarinda, Pontianak, dan Palangkaraya memiliki
nilai error yang memenuhi asumsi white noise dengan nilai 𝐿𝐵 < 𝜒0.1,62
2
.
4.4 Model Dugaan GSTAR Terbaik Pada Data IHK 5 Kota Di Pulau
Kalimantan
Model yang diduga pada penelitian ini yaitu model GSTAR(1,1)-I(1) dengan
bobot lokasi invers jarak dan model GSTAR(1,1)-I(1) dengan bobot lokasi
normalisasi korelasi silang. Dalam penentuan model dugaan tebaik, pada
penelitian ini menggunakan nilai RMSE. Model dugaan terbaik dilihat dari model
yang memiliki nilai RMSE terkecil. Proses perhitungan nilai RMSE ini
menggunakan data out sample, yaitu data dari bulan Mei 2019 sampai bulan
Desember 2019. Perhitungan data prediksi menggunakan persamaan (4.2)
dengan 𝜙10 (𝑖) dan 𝜙11 (𝑖) adalah nilai parameter setiap lokasi dan 𝑊𝑖𝑗 (1) adalah
Matriks pembobot lokasi inver jarak dan normalisasi korelasi silang dengan lag
spasial 1. Data prediksi yang digunakan pada perhitungan RMSE dan taksiran nilai
error dari model GSTAR (1,1)-I(1)disajikan pada lampiran 6.
4.4.1 Data Rata – Rata IHK 5 Kota Di Pulau Kalimantan Dengan Invers Jarak Data
Hasil Perhitungan RMSE pada model GSTAR(1,1)-I(1) yang terbentuk dari data
rata – rata IHK 5 kota di Pulau Kalimantan dengan menggunakan bobot lokasi
invers jarak yaitu sebagai berikut:
50
1 2
𝑅𝑀𝑆𝐸 = √𝑁𝑇−1 ∑𝑁 𝑇 ̂
𝑖=1 (∑𝑡=1 (𝑍𝑖 (𝑡) − 𝑍𝑖 (𝑡)) )
1 2 2 2
((𝑍1 (1) − 𝑍̂1 (1)) + (𝑍1 (2) − 𝑍̂1 (2)) + ⋯ + (𝑍1 (𝑇) − 𝑍̂1 (𝑇)) ) +
𝑁𝑇−1
2 2 2
𝑅𝑀𝑆𝐸 = ((𝑍2 (1) − 𝑍̂2 (1)) + (𝑍2 (2) − 𝑍̂2 (2)) + ⋯ + (𝑍2 (𝑇) − 𝑍̂2 (𝑇)) ) +
2 2 2
((𝑍𝑁 (1) − 𝑍̂𝑁 (1)) + (𝑍𝑁 (2) − 𝑍̂𝑁 (2)) + ⋯ + (𝑍𝑁 (𝑇) − 𝑍̂𝑁 (𝑇)) )
√
1
𝑅𝑀𝑆𝐸 = √(8)(5)−1 (778346.98)
𝑅𝑀𝑆𝐸 = 141.2714
4.4.2 Rata – Rata IHK 5 Kota Di Pulau Kalimantan Dengan Normalisasi Korelasi
Silang
Hasil Perhitungan RMSE pada model GSTAR(1,1)-I(1) yang terbentuk dari
data rata – rata IHK 5 kota di Pulau Kalimantan dengan menggunakan bobot
normalisasi korelasi silang yaitu sebagai berikut:
1 2
𝑅𝑀𝑆𝐸 = √𝑁𝑇−1 ∑𝑁 𝑇 ̂
𝑖=1 (∑𝑡=1 (𝑍𝑖 (𝑡) − 𝑍𝑖 (𝑡)) )
1 2 2 2
((𝑍1 (1) − 𝑍̂1 (1)) + (𝑍1 (2) − 𝑍̂1 (2)) + ⋯ + (𝑍1 (𝑇) − 𝑍̂1 (𝑇)) ) +
𝑁𝑇−1
2 2 2
𝑅𝑀𝑆𝐸 = ((𝑍2 (1) − 𝑍̂2 (1)) + (𝑍2 (2) − 𝑍̂2 (2)) + ⋯ + (𝑍2 (𝑇) − 𝑍̂2 (𝑇)) ) +
2 2 2
((𝑍𝑁 (1) − 𝑍̂𝑁 (1)) + (𝑍𝑁 (2) − 𝑍̂𝑁 (2)) + ⋯ + (𝑍𝑁 (𝑇) − 𝑍̂𝑁 (𝑇)) )
√
1
𝑅𝑀𝑆𝐸 = √(8)(5)−1 (777643.10)
𝑅𝑀𝑆𝐸 = 141.2075
51
Berdasarkan perhitungan nilai RMSE antara 2 model GSTAR diatas,
didapatkan hasil bahwa nilai RMSE model GSTAR (1,1)-I(1) menggunakan bobot
lokasi normalisasi korelasi silang lebih kecil dari model GSTAR (1,1)-I(1)
menggunakan bobot lokasi invers jarak. Sehingga dapat disimpulkan bahwa
model GSTAR (1,1)-I(1) menggunakan bobot lokasi normalisasi korelasi silang
adalah model terbaik yang bisa diterapkan pada data IHK 5 kota di Pulau
Kalimantan dengan nilai error sebesar 141.2075.
52
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan yang telah dilakukan pada
tahap sebelumnya, didapatkan kesimpulan sebagai berikut:
1. Berdasarkan hasil analisis menggunakan data IHK 5 kota di Pulau Kalimantan
terlihat bahwa pola IHK di setiap kota relatif sama. Dari plot time seris yang
terbentuk dapat diketahui bahwa pola yang terbentuk pada data IHK ke 5
kota ini yaitu pola trend dengan data yang berfluktuasi setiap bulannya.
2. Model GSTAR yang cocok digunakan untuk menginterpretasikan data IHK 5
kota di Pulau Kalimantan adalah model GSTAR (1,1)-I(1) yang didapatkan
dari nilai AIC terkecil.
3. Model dugaan GSTAR terbaik untuk data IHK 5 kota di Pulau Kalimantan
dengan menggunakan dua pembobot yaitu GSTAR (1,1)-I(1) dengan
menggunakan pembobot normalisasi korelasi silang. Hal ini dikarenakan
model GSTAR (1,1)-I(1) dengan menggunakan pembobot normalisasi
korelasi silang memiliki nilai RMSE yang lebih kecil yaitu sebesar 141.2075
dibandingkan model GSTAR (1,1)-I(1) dengan menggunakan pembobot
invers jarak yaitu sebesar 141.2714.
5.2 Saran
Saran untuk penelitian selanjutnya berdasarkan penelitian yang telah
dilakukan ini adalah:
1. Menambahkan periode data pengamatan sehingga dapat lebih menjelaskan
nilai sebenarnya sehingga dapat digunakan untuk peramalan dimasa
mendatang.
53
2. Dapat mengaplikasikan pemodelan GSTAR ke data bidang lainnya dan
menggunakan bobot lokasi yang lebih beragam.
3. Melakukan pengembangan pemodelan GSTAR seperti pemodelan GSTARX
54
DAFTAR PUSTAKA
Anggraeni, D., Prahutama, A., & Andari, S. (2013). Aplikasi Generalized Space Time
Autoregressive (GSTAR) Pada Pemodelan Volume Kendaraan Masuk Tol
Semarang. Media Statistika, 6, 71–80.
BPS. (2020). Survey Biaya Hidup (SBH) Tahun 2018. In BPS RI. BPS RI.
BPS Provinsi Jawa Tengah. (2013). INDEKS HARGA KONSUMEN & INFLASI JAWA
TENGAH 2013. In BPS Provinsi Jawa Tengah. BPS Provinsi Jawa Tengah.
Dardiri, A. (2018). Indeks Harga Konsumen 8 Kota di Provinsi Jawa Timur. Jawa
Timur:BPS Provinsi Jawa Timur.
Faizah, L. A., & Setiawan. (2013). Pemodelan Inflasi di Kota Semarang, Yogyakarta,
dan Surakarta dengan Pendekatan GSTAR. JURNAL SAINS DAN SENI POMITS,
2(2), 317–322.
Harris, R., & Sollis, R. (2003). Appled Time Series Modelling and Forcasting. John
Wiley & Sons, Ltd,. The Atrium, Southern Gate, Chichester.
Ingriela Toja Mario, M., Dwi Bekti, R., & Statistka, J. (2021). Pemodelan Generalized
Space Time Autoregressive (GSTAR) Untuk Peramalan Tingkat Inflasi Di Pulau
Jawa. Jurnal Statistika Industri Dan Komputasi, 06(02), 171–184.
Irawati, L., Tarno, & Yasin, H. (2015). Peramalan Indeks Harga Konsumen 4 Kota
Di Jawa Tengah Menggunakan Model Generalized Space Time Autoregressive
55
(GSTAR). Jurnal Gaussian, 4(3), 553–562.
Makridakis, S., Wheelwriht, S.C., & McGee, V.E. (1992). Metode dan Aplikasi
Peramalan. Jakarta: Erlangga.
Min, X., J. Hu & Z. Zhang. (2010). Urban Traffic Network Modelling and Short-term
Traffic Flow Forecasting Based on GSTARIMA Model. Presented at Annual
Conference on Intelligent Transportation System, Madeira Island, Portugal.
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction Time Series
Analysis and Forecasting (2nd ed.). John Wiley & Sons.
Rizal, J., & Akbar, S. (2015). Perbandingan Uji Stasioner Data Timeseries Antara
Metode : Control Chart , Correlogram , Akar Unit Dickey Fuller , dan Derajat
Integrasi. Jurnal Gradien, 11(1), 1040–1046.
Ruchjana, B. N., Borovkova, S. A., & Lopuhaa, H. P. (2012). Least Squares Estimation
of Generalized Space Time AutoRegressive (GSTAR) Model and Its Properties.
AIP Conference Proceedings, 61–64.
56
Setiawan, S., & Prastuti, M. (2016). S-GSTAR-SUR Model for Seasonal Spatio
Temporal Data Forecasting. Malaysian Journal of Mathematical Sciences, 10,
53–65.
Srihardianti, M., Mustafid, & Prahutama, A. (2016). Metode Regresi Data Panel
Untuk Peramalan Konsumsi Energi di Indonesia. Jurnal Gaussian, 5, 475–485.
Sugiyono. (2016). Metode Penelitian Kuantitatif, Kualitatif dan R&D. Cetakan ke-
24. Bandung: Alfabeta.
Suharto, & Atok. (2006). Pemilihan Bobot Lokasi yang Optimal pada Model GSTAR.
Prosiding Konferensi Nasional Matematika XIII.
Walpole, R.E. 1995. Pengantar Statistika. Edisi ke-3. PT Gramedia Pustaka Utama,
Jakarta.
Wei, W.W.S. 2006. Time Series Analysis : Univariat and Multivariat Method Second
Edition. Pearson Addison Wesley, Boston.
Zulky, M., Amri, A., & Si, M. (2020). Perbandingan Model STAR dan GSTAR untuk
Peramalan Indeks Harga Konsumen di Kota Padang, Pekanbaru, Jambi, dan
Palembang. Media Edukasi Data Ilmiah Dan Analisis (MEDIAN), 3(01), 29–38.
57
LAMPIRAN
58
November 125.25 127.72 133.56 121.79 136.04
Desember 126.28 128.83 134.80 123.35 136.60
Januari 127.47 130.14 137.25 124.40 137.54
Februari 127.73 130.31 137.74 124.74 137.59
Maret 127.74 130.68 137.38 125.23 138.14
April 128.16 131.06 137.77 125.49 138.51
Mei 128.58 131.56 138.18 126.15 139.21
Juni 129.78 132.45 139.95 127.44 141.84
2017
Juli 130.40 133.25 139.61 126.94 141.45
Agustus 130.44 133.21 139.80 127.09 140.32
September 130.58 132.99 140.14 126.78 139.98
Oktober 130.06 132.77 139.66 126.20 139.42
November 130.13 132.61 139.31 126.34 139.17
Desember 131.11 133.58 140.00 127.19 140.38
Januari 131.49 134.15 140.40 127.59 141.07
Februari 131.30 134.57 140.77 127.64 141.19
Maret 131.72 134.41 141.67 128.11 141.15
April 131.82 134.81 141.89 128.48 141.56
Mei 132.01 135.32 142.40 128.81 142.27
Juni 133.31 135.94 144.45 130.28 146.13
2018
Juli 133.15 137.07 145.08 130.33 144.09
Agustus 133.30 137.46 144.15 130.16 144.99
September 133.24 137.45 143.76 130.19 143.93
Oktober 133.37 137.78 143.34 130.46 143.98
November 133.63 137.61 143.51 130.48 145.08
Desember 134.56 138.02 145.58 131.87 147.40
Januari 135.66 138.85 146.38 132.48 148.82
Februari 135.56 138.60 147.15 132.60 141.19
Maret 135.92 138.45 146.87 132.56 147.84
April 137.24 138.54 147.18 132.98 148.72
Mei 138.47 139.12 148.00 133.71 149.86
Juni 138.87 139.33 148.97 133.87 150.66
2019
Juli 138.75 140.15 148.82 133.55 149.70
Agustus 138.87 140.25 148.30 133.05 148.32
September 138.95 139.60 148.71 133.11 147.47
Oktober 139.11 139.43 148.93 133.96 147.03
November 139.35 139.80 148.83 134.58 147.95
Desember 140.15 140.07 149.42 135.43 149.56
59
Lampiran 2 Grafik Uji Stasioner dalam Varian (Transformasi Box-Cox)
• Kota Banjarmasin
• Kota Samarinda
• Kota Pontianak
60
• Kota Palangkaraya
• Kota Tarakan
61
Lampiran 3 Skrip dan Output untuk MACF, MPACF, dan AIC
Data Sheet1;
set "sheet1"n;
run;
62
Lampiran 4 Input Dan Output Uji ADF Dan Estimasi Parameter
• Uji ADF
data.ts<-ts(data$Banjarmasinnn, start = c(2014, 1), end = c(2019, 2),
frequency = 12)
> adf.test(data.ts, k=10)
Augmented Dickey-Fuller Test
data: data.ts
Dickey-Fuller = -3.5915, Lag order = 10, p-value = 0.04133
alternative hypothesis: stationary
> data.ts<-ts(data$Samarindaaa, start = c(2014, 1), end = c(2019, 2),
frequency = 12)
> adf.test(data.ts, k=10)
Augmented Dickey-Fuller Test
data: data.ts
Dickey-Fuller = -5.2765, Lag order = 10, p-value = 0.01
alternative hypothesis: stationary
> data.ts<-ts(data$Pontianakkk, start = c(2014, 1), end = c(2019, 2),
frequency = 12)
> adf.test(data.ts, k=10)
Augmented Dickey-Fuller Test
data: data.ts
Dickey-Fuller = -3.4458, Lag order = 10, p-value = 0.05685
alternative hypothesis: stationary
> data.ts<-ts(data$Palangkarayaaa, start = c(2014, 1), end = c(2019, 2),
frequency = 12)
> adf.test(data.ts, k=10)
63
Dickey-Fuller = -4.3876, Lag order = 10, p-value = 0.01
alternative hypothesis: stationary
• Estimasi Parameter
> #estimasi OLS bobot Invers Jarak
> EOLSSBIJ=lm(Z.t.~-1 +
X1.t.1.+FX1.t.1.+X2.t.1.+FX2.t.1.+X3.t.1.+FX3.t.1.+X4.t.1.+FX4.t.1.+X5.t.1.+FX5.
t.1., data = EOLSBIJ)
> summary(EOLSSBIJ)
Call:
lm(formula = Z.t. ~ -1 + X1.t.1. + FX1.t.1. + X2.t.1. + FX2.t.1. + X3.t.1. + FX3.t.1.
+ X4.t.1. + FX4.t.1. + X5.t.1. + FX5.t.1., data = EOLSBIJ)
Residuals:
Min 1Q Median 3Q Max
-90995669 -4074 44013 4157349 47683937
Coefficients:
Estimate Std. Error t value Pr(>|t|)
X1.t.1. -0.3054542 0.1429653 -2.137 0.0334 *
FX1.t.1. 1.1343646 0.5255829 2.158 0.0317 *
X2.t.1. -0.1298196 16.1514738 -0.008 0.9936
FX2.t.1. 0.0018183 0.1963239 0.009 0.9926
X3.t.1. -0.0009270 0.1213280 -0.008 0.9939
FX3.t.1. 0.3899191 0.2651276 1.471 0.1424
X4.t.1. -0.0711640 21.4700961 -0.003 0.9974
FX4.t.1. 0.0006966 0.2023879 0.003 0.9973
X5.t.1. -0.3713029 0.0709550 -5.233 3.11e-07 ***
FX5.t.1. 1.1897182 0.2598667 4.578 6.84e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
64
> EOLSSBNKS=lm(Z.t.~-1 +
X1.t.1.+FX1.t.1.+X2.t.1.+FX2.t.1.+X3.t.1.+FX3.t.1.+X4.t.1.+FX4.t.1.+X5.t.1.+FX5.
t.1., data = EOLSBNKS)
> summary(EOLSSBNKS)
Call:
lm(formula = Z.t. ~ -1 + X1.t.1. + FX1.t.1. + X2.t.1. + FX2.t.1. + X3.t.1. + FX3.t.1.
+ X4.t.1. + FX4.t.1. + X5.t.1. + FX5.t.1., data = EOLSBNKS)
Residuals:
Min 1Q Median 3Q Max
-91269174 -1774 47888 4407684 50191984
Coefficients:
Estimate Std. Error t value Pr(>|t|)
X1.t.1. -0.1945329 0.1146290 -1.697 0.090705 .
FX1.t.1. 0.6120764 0.3507694 1.745 0.082000 .
X2.t.1. -0.1663009 18.3779977 -0.009 0.992786
FX2.t.1. 0.0026655 0.2638115 0.010 0.991945
X3.t.1. 0.0120113 0.1110487 0.108 0.913938
FX3.t.1. 0.3368274 0.2209570 1.524 0.128444
X4.t.1. -0.0483543 13.7542122 -0.004 0.997197
FX4.t.1. 0.0005318 0.1316492 0.004 0.996779
X5.t.1. -0.3270037 0.0706393 -4.629 5.44e-06 ***
FX5.t.1. 1.3498253 0.3521093 3.834 0.000153 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
65
Lampiran 5 Model GSTAR dari data IHK 5 Kota di Pulau Kalimantan
• Model yang terbentuk dari data IHK 5 kota di Pulau Kalimantan menggunakan
bobot lokasi Invers jarak
𝑍1 ∗ (𝑡) −0.3055 0 0 0 −0.3013 𝑍1 ∗ (𝑡 − 1)
𝑍2 ∗ (𝑡) −0.3054 0 0 0 −0.3013 𝑍2 ∗ (𝑡 − 1)
𝑍3 ∗ (𝑡) = −0.3054 0 0 0 −0.3013 𝑍3 ∗ (𝑡 − 1) +
𝑍4 ∗ (𝑡) −0.3054 0 0 0 −0.3013 𝑍4 ∗ (𝑡 − 1)
∗
(𝑍5 (𝑡)) (−0.3054 0 0 0 −0.3713) (𝑍5 ∗ (𝑡 − 1))
1.1344 0 0 0 0.3013 0.044 0.197 0.121 0.579 0.103 𝑍1 ∗ (𝑡 − 1) 𝑒1 (𝑡)
∗
0.3054 0 0 0 0.3013 0.284 0.044 0.138 0.296 0.281 𝑍2 (𝑡 − 1) 𝑒2 (𝑡)
0.3054 0 0 0 0.3013 0.269 0.214 0.044 0.329 0.188 𝑍3 ∗ (𝑡 − 1) + 𝑒3 (𝑡)
0.3054 0 0 0 0.3013 0.554 0.196 0.141 0.044 0.181 𝑍4 ∗ (𝑡 − 1) 𝑒4 (𝑡)
(0.3054 0 0 0 1.1897) (0.208 0.394 0.170 0.228 0.044) (𝑍5 ∗ (𝑡 − 1)) (𝑒5 (𝑡))
• Model yang terbentuk dari data IHK 5 kota di Pulau Kalimantan menggunakan
bobot lokasi normalisasi korelasi silang
𝑍1 ∗ (𝑡) −0.1945 0 0 0 −0.3013 𝑍1 ∗ (𝑡 − 1)
𝑍2 ∗ (𝑡) −0.3054 0 0 0 −0.3013 𝑍2 ∗ (𝑡 − 1)
𝑍3 ∗ (𝑡) = −0.3054 0 0 0 −0.3013 𝑍3 ∗ (𝑡 − 1) +
𝑍4 ∗ (𝑡) −0.3054 0 0 0 −0.3013 𝑍4 ∗ (𝑡 − 1)
∗
(𝑍5 (𝑡)) (−0.3054 0 0 0 −0.3270) (𝑍5 ∗ (𝑡 − 1))
66
Lampiran 6 Data Prediksi Untuk Model GSTAR (1,1)-I(1)
67
Lampiran 7 Nilai Taksiran Error Untuk Model GSTAR (1,1)-I(1)
• Nilai taksiran error model GSTAR (1,1)-I(1) menggunakan bobot lokasi Invers
jarak
𝒆̂(𝒕)
Banjarmasin Samarinda Pontianak Palangkaraya Tarakan
t
𝑍̂1 (𝑡) 𝑍̂2 (𝑡) 𝑍̂3 (𝑡) 𝑍̂4 (𝑡) 𝑍̂5 (𝑡)
65 12.604 139.12 148.00 133.71 34.757
66 163.87 139.33 148.97 133.87 162.25
67 132.47 140.15 148.82 133.55 151.58
68 141.01 140.25 148.30 133.05 146.07
69 138.03 139.60 148.71 133.11 148.84
70 139.55 139.43 148.93 133.96 146.30
71 139.13 139.80 148.83 134.58 148.33
72 140.26 140.07 149.42 135.43 149.36
68
• Nilai taksiran error model GSTAR (1,1)-I(1) menggunakan bobot lokasi
normalisasi korelasi silang
𝒆̂(𝒕)
Banjarmasin Samarinda Pontianak Palangkaraya Tarakan
t
𝑍̂1 (𝑡) 𝑍̂2 (𝑡) 𝑍̂3 (𝑡) 𝑍̂4 (𝑡) 𝑍̂5 (𝑡)
65 74.040 139.12 148.00 133.71 4.0592
66 134.18 139.33 148.97 133.87 174.13
67 142.43 140.15 148.82 133.55 140.26
68 137.04 140.25 148.30 133.05 152.79
69 139.83 139.60 148.71 133.11 145.32
70 138.68 139.43 148.93 133.96 148.07
71 139.56 139.80 148.83 134.58 147.45
72 140.05 140.07 149.42 135.43 149.80
69
RIWAYAT HIDUP
70