Gstar Ui

UNIVERSITAS INDONESIA
PENDUGAAN PARAMETER MODEL GENERALIZED SPACE

TIME AUTOREGRESSIVE DENGAN METODE KUADRAT
TERKECIL
SKRIPSI
RAHMAT FEBRIYANTO
1406571571
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

PROGRAM STUDI SARJANA MATEMATIKA
DEPOK
JANUARI 2019
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019

MAN JUDUL
UNIVERSITAS INDONESIA
PENDUGAAN PARAMETER MODEL GENERALIZED SPACE

TIME AUTOREGRESSIVE DENGAN METODE KUADRAT
TERKECIL
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar sarjana sains
RAHMAT FEBRIYANTO
1406571571
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

PROGRAM STUDI SARJANA MATEMATIKA
DEPOK
JANUARI 2019
i
Powered by TCPDF (www.tcpdf.org)


KATA PENGANTAR
Assalamu’alaikum
Alhamdulillah pengerjaan skipsi ini telah dilakukan untuk memenuhi syarat lulus
sarjana science.
Untuk itu terima kasih pada:
1. Keluarga yang selalu memberikan dukungan.
2. Dr. Dra. Yekti Widyaningsih, M.Si dan Dra. Siti Nurrohmah, M.Si yang sudah
membimbing penulis dengan sabarnya.
3. Dr. Titin Siswantining, DEA dan Dra. Rianti Setiadi, M.Si yang sudah memberi
masukan kepada penulis.
4. Seluruh dosen, staff dan tenaga pendukung departemen matematika.
5. Seluruh dosen, staff dan tenaga pendukung FMIPA.
6. Teman-teman kampus departemen matematika.
7. Teman-teman kampus FMIPA.
8. Teman- teman lingkungan rumah X-7 dan Karang Taruna RW 07.
Akhir kata, terima kasih
Wassalamu’alaikum
Depok, 7 Januari 2019
(Rahmat Febriyanto)
iv

ABSTRAK
Nama : Rahmat Febriyanto
Program Studi : Matematika
Judul : Pendugaan Parameter Model Generalized Space Time Autoregressive
dengan Metode Kuadrat Terkecil.
Pembimbing : Dr. Dra. Yekti Widyaningsih, M.Si.dan Dra. Siti Nurrohmah, M.Si.
Model Generalized Space Time Autoregressive adalah suatu model spatio
temporal yang merupakan pengembangan model Space Time Autoregressive (STAR).
Model STAR adalah model spatio temporal dengan asumsi parameter-parameter sama
untuk setiap lokasi. Model GSTAR dibentuk sebagai pengembangan dari model STAR
yang memungkinan untuk mengestimasi parameter yang berbeda untuk setiap
lokasinya. Borovkova, Lopuhaa dan Ruchjana (2002) mengembangkan model
Generelized Space Time Autoregressive (GSTAR) dimana paramater-parameter pada
model, berbeda untuk setiap lokasi. Metode kuadrat terkecil (least square method)
digunakan untuk mengestimasi parameter pada model GSTAR. Metode kuadrat terkecil
merupakan metode pendugaan parameter yang meminimumkan jumlah kuadrat error.
Penggunaan model GSTAR pada data penyakit Hepatitis A di 5 kotamadya DKI Jakarta
pada tahun 2011-2017 menghasilkan model GSTAR(4,1) sebagai model yang dipilih.
Kata Kunci:
Estimasi, GSTAR, least square, Parameter
viv
Universitas Indonesia

ABSTRACT
Nama : Rahmat Febriyanto

Study Program : Mathematics
Title : Parameter Estimation on Generalized Space Time Autoregressive
(GSTAR) with Least Square Methode
Counsellor : Dr. Dra. Yekti Widyaningsih, M.Si and Dra. Siti Nurrohmah, M.Si.
Generalized Space Time Autoregressive(GSTAR) model is a spatio temporal
model which is the development of the Space Time Autoregressive (STAR) model. The
STAR model is a spatio temporal model assuming the same parameters for each
location. The GSTAR model was formed as a development of the STAR model which
makes it possible to estimate different parameters for each location. Borovkova,
Lopuhaa and Ruchjana (2002) developed the Generelized Space Time Autoregressive
(GSTAR) model where parameters in the model differ for each location. The least
square method is used to estimate the parameters in the GSTAR model. The least
squares method is a parameter estimation method that minimizes the number of squared
errors. The use of the GSTAR model on Hepatitis A data in 5 DKI Jakarta
municipalities in 2011-2017 produced the GSTAR (4.1) model as the chosen model.
Key words:
Estimation, GSTAR, Least Square, Parameters
vii
DAFTAR ISI
HALAMAN JUDUL.............................................................................................. i
HALAMAN PERNYATAAN ORISINALITAS................................................... ii
HALAMAN PENGESAHAN................................................................................ iii
KATA PENGANTAR........................................................................................... iv
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH.............................. v
ABSTRAK............................................................................................................. vi
ABSTRACT........................................................................................................... vii
DAFTAR ISI.......................................................................................................... viii
DAFTAR GAMBAR............................................................................................. x
DAFTAR TABEL.................................................................................................. xi
DAFTAR LAMPIRAN.......................................................................................... xii
BAB 1 PENDAHULUAN.................................................................................. 1
1.1. Latar Belakang........................................................................................ 1
1.2. Rumusan Permasalahan........................................................................... 2
1.3. Tujuan Penelitian..................................................................................... 2
1.4. Batasan Permasalahan.............................................................................. 3
1.5. Metodologi Penelitian.............................................................................. 3
1.6. Sistematika Penelitian.............................................................................. 3
BAB 2 LANDASAN TEORI.............................................................................. 4
2.1 Matriks..................................................................................................... 4
2.1.1 Pengertian Matriks................................................................................... 4
2.1.2 Operasi Matriks........................................................................................ 5
2.2. Runtun Waktu.......................................................................................... 7
2.3. Transformasi Data.................................................................................... 17
2.4. Model Vector Autoregressive (VAR)....................................................... 19
2.5. Model Space Time Autoregressive (STAR)............................................ 19
BAB 3 MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE
(GSTAR) DAN PENDUGAAN PARAMETER- 21
PARAMETERMYA................................................................................
3.1. Model Generalized Space Time Autoregressive (GSTAR)...................... 21
3.2. Matriks Bobot Lokasi.............................................................................. 22
3.3. Identifikasi Model.................................................................................... 23
3.4. Pendugaan Parameter............................................................................... 25
3.5. Pemilihan Model Terbaik........................................................................ 29
BAB 4 PENGGUNAAN MODEL GENERALIZED SPACE TIME

AUTOREGRESSIVE (GSTAR)................................................................ 30
4.1. Data dan Kestasioneran Data................................................................... 30
4.2. Matriks Bobot Lokasi.............................................................................. 34
4.3. Identifikasi Model.................................................................................... 36
4.4. Pendugaan Parameter............................................................................... 39
viii
4.5. Pemilihan Model Terbaik........................................................................ 51
BAB 5 KESIMPULAN DAN SARAN............................................................... 53
5.1. Kesimpulan.............................................................................................. 53
5.2. Saran........................................................................................................ 53
DAFTAR PUSTAKA............................................................................................. 54
ix
DAFTAR GAMBAR
Gambar 2.1. Gambar pola acak pada runtun waktu.............................................. 8
Gambar 2.2. Gambar pola musiman pada runtun waktu........................................ 8
Gambar 2.3. Gambar pola siklik pada runtun waktu.............................................. 9
Gambar 2.4. Gambar pola trend pada runtun waktu.............................................. 9
Gambar 2.5. Gambar pola data ; (a) Stasioner pada mean dan variansi, (b)
Stasioner pada variansi namun tidak stasioner pada mean, (c)
Stasioner pada mean namun tidak stasioner pada variansi, (d) Tidak
stasioner pada rata-rata maupun ragam ................................................. 11
Gambar 2.6 Gambar plot ACF pada data yang stasioner......................................... 16
Gambar 3.1 Contoh grafik STACF(a) dan STPACF(b) dari kedua gambar diatas
dapat dipilih model GSTAR (1,1) dan model GSTAR (4,1)............... 28
Gambar 4.1. Jumlah kasus Hepatitis A dari Januari 2011-Desember 2017........... 34
Gambar 4.2. Jumlah kasus Hepatitis A dari Januari 2011-Desember 2017
setelah differencing....................................................................... 36
Gambar 4.3. Gambar grafik STACF (a) dan STPACF (b) model untuk matriks
bobot biner......................................................................................... 40
bobot seragam................................................................................... 41
bobot jarak......................................................................................... 42
x
DAFTAR TABEL
Tabel 2.1. Nilai λ dan bentuk transformasinya................................................... 19
Tabel 3.1. Grid pada model GSTAR................................................................... 25
Tabel 4.1. Nilai p-value uji ADF pada data awal............................................... 35
Tabel 4.2. Nilai λ uji Box-Cox pada data awal.................................................. 35
Tabel 4.3. Nilai p-value uji ADF pada data yang telah di differencing satu
kali..................................................................................................... 37
Tabel 4.4. Nilai λ uji Box-Cox pada data yang telah di differencing satu kali.. 37
Tabel 4.5. Koordinat lima kotamadya................................................................ 37
Tabel 4.6. Jarak antar lima kotamadya............................................................... 38
Tabel 4.7. Grid untuk matriks bobot lokasi........................................................ 38
Tabel 4.8. Nilai estimasi parameter model untuk matriks bobot
biner................................................................................................... 42
seragam.............................................................................................. 46
jarak................................................................................................... 50
Tabel 4.11. Nilai RMSE model GSTAR untuk matriks bobot biner, seragam,
dan jarak............................................................................................ 54
xi
DAFTAR LAMPIRAN
Lampiran 1. Data kasus penyakit hepatitis A di DKI Jakarta................................ 59
Lampiran 2. Data kasus penyakit hepatitis A di DKI Jakarta setelah di
differencing....................................................................................... 63
Lampiran 3. Syntax program R untuk mencari parameter model GSTAR (p,1)... 66
Lampiran 4. Hasil estimasi parameter program R untuk matriks biner................. 67
Lampiran 5. Hasil estimasi parameter program R untuk matriks seragam............ 69
Lampiran 6. Hasil estimasi parameter program R untuk matriks jarak................. 71
xii
BAB 1
PENDAHULUAN
1.1. Latar Belakang

Runtun waktu adalah serangkaian pengamatan kuantitatif yang merupakan nilai-
nilai suatu variabel yang tersusun secara beruntun (berderet) dalam periode waktu
tertentu (Hanke Wichern, 2005). Runtun waktu dikategorikan berdasarkan interval
waktu yang sama, misalnya harian, mingguan, bulanan, kuartalan, ataupun tahunan.
Sebagai contoh adalah pemakaian listrik setiap bulan, hasil penjualan setiap bulan, data
kenaikan harga MIGAS, ataupun besarnya pembayaran pajak setiap tahun.
Pembentukan model runtun waktu terkadang tidak cukup menggunakan satu
runtun waktu, diperlukan runtun waktu lainnya untuk membentuk model yang baik.
Runtun waktu lokasi lain dapat digunakan untuk membantu membuat model runtun
waktu .Masing-masing lokasi dapat mempengaruhi lokasi disekitarnya, keterkaitan
spasial ini dapat diukur dengan memperhatikan jarak antar lokasi.
Model Vector Autoregressive (VAR) adalah salah satu model untuk menganalisis
runtun waktu. Model VAR diperkenalkan oleh C.A. Sims (1972) sebagai pengembangan
dari pemikiran Granger (1969). Granger menyatakan bahwa apabila dua variabel
misalkan dan memiliki hubungan kausal di mana mempengaruhi maka
informasi masa lalu dapat membantu memprediksi . Model Vector Autoregressive
menggunakan nilai observasi pada waktu sebelumnya untuk memperoleh gambaran
waktu berikutnya.
Model STAR diperkenalkan oleh Cliff & Ord (1973) dan dikembangkan oleh
Pfeir dan Deutsch (1980). Model STAR adalah model Estimasi VAR yang mempunyai
ketergantungan linier pada lokasi dan waktu. Model STAR menyatakan bahwa apabila
ada dua pengamatan misalkan adalah pengamatan pada waktu t-1 di lokasi 1
dan adalah pengamatan pada waktu t-1 di lokasi 2 memiliki hubungan kausal
dimana mempengaruhi maka informasi masa lalu dapat
membantu memprediksi . Perbedaan utama model STAR dengan model VAR yaitu,
model STAR menambahkan bobot linear pada lokasi dengan menggunakan matriks
bobot lokasi. Dengan menambahkan matriks bobot lokasi kedalam model VAR, jarak
antar wilayah akan menjadi bobot besarnya pengaruh antar lokasi pada model STAR.
1
2
Tetapi model STAR mempunyai kelemahan yaitu parameter-parameter yang dihasilkan

diasumsikan sama untuk setiap lokasi.
Borovkova, Lopuhaa dan Ruchjana (2002) mengembangkan model Generelized
Space Time Autoregressive (GSTAR) untuk mengatasi kelemahan model STAR. Model
GSTAR dapat mengestimasi parameter-parameter yang berbeda untuk setiap lokasinya,
sehingga parameter yang dihasilkan merepresentasikan runtun waktu pada setiap
lokasi .
Metode kuadrat terkecil (Least square method) dapat digunakan untuk
mengestimasi parameter pada model GSTAR. Metode kuadrat terkecil merupakan
metode pendugaan parameter yang digunakan dengan meminimumkan jumlah kuadrat
error. Yundari(2017) telah membuktikan bahwa penduga least square untuk model
GSTAR memiliki sifat tidak bias dan memiliki variansi terkecil.
Berdasarkan latar belakang masalah yang telah dijelaskan, tugas akhir ini
membahas pendugaan parameter model GSTAR menggunakan metode kuadrat terkecil
dan contoh penggunaan model GSTAR pada data kasus penyakit Hepatitis A di 5
kotamadya di DKI Jakarta pada tahun 2011-2017.
1.2. Rumusan Permasalahan
Berdasarkan uraian yang dijelaskan pada bagian latar belakang, maka dapat
dirumuskan permasalahan dalam penelitian ini, yaitu:
1. Bagaimana membentuk model Generalized Space Time Autoregressive
(GSTAR) ?
2. Bagaimana metode kuadrat terkecil digunakan untuk mengestimasi parameter
pada model GSTAR?
3. Bagaimana contoh penggunaan model GSTAR pada data?
1.3. Tujuan Penelitian

Penelitian ini bertujuan untuk :
1. Membentuk model Generalized Space Time Autoregressive (GSTAR).
2. Menduga parameter model GSTAR menggunakan metode kuadrat terkecil.
3. Aplikasi model GSTAR pada data kasus penyakit Hepatitis A DKI Jakarta tahun
2011-2017.
3
1.4. Batasan Permasalahan

Pada penelitian ini batasan masalah yang diteliti adalah penggunaan model
GSTAR pada data dilakukan dengan model GSTAR(p,1), yaitu orde pada lag waktu ke-p
dan lag spasial ke-1.
1.5. Metodologi Penelitian

Metode yang digunakan pada penelitian ini adalah studi literatur.
1.6. Sistematika Penulisan

Bab 1 berisi pendahuluan, yang terdiri dari latar belakang, perumusan masalah,
tujuan penulisan, pembatasan masalah, dan sistematika penulisan. Bab 2 berisi
landasan teori, pada bab ini dijelaskan mengenai matriks dan operasinya, analisis runtun
waktu, stasioneritas, transformasi data, model Vector Autoregressive (VAR) dan model
Space Time Autoregressive (STAR). Bab 3 berisi pendugaan parameter Model GSTAR,
berisi penjelasan mengenai model GSTAR. Setelah itu akan dibahas mengenai
pembuatan matriks bobot lokasi. Selanjutnya dijelaskan mengenai identifikasi model
GSTAR. Sifat estimator least square pada model Generalized Space Time
Autoregressive (GSTAR). Setelah itu akan dibahas pendugaan parameter model GSTAR
dengan metode kuadrat terkecil. Lalu pemilihan model terbaik menggunakan nilai
RMSE. Bab 4 Penggunaan Model GSTAR pada data, berisi penjelasan mengenai
simulasi model GSTAR pada data kasus penyakit hepatitis A di 5 kotamadya DKI
Jakarta. Bab 5 berisi Kesimpulan dan Saran
.
4
Halaman ini sengaja dikosongkan
BAB 2
LANDASAN TEORI
Dalam bab ini dibahas mengenai matriks, runtun waktu, transformasi data,
model VAR dan model STAR.
2.1. Matriks
2.1.1. Pengertian Matriks
Menurut Howard Anton (2000) matriks adalah susunan segi empat siku-siku
dari bilangan-bilangan. Bilangan-bilangan dalam susunan tersebut dinamakan entri dari
matriks. Suatu matriks yang hanya terdiri dari satu kolom disebut vektor kolom,
sedangkan yang hanya terdiri dari satu baris disebut vektor baris. Suatu matriks A yang
terdiri dari m baris dan n kolom disebut matriks A berukuran m x n.
a. Matriks Persegi
Matriks persegi adalah suatu matriks yang memiliki baris dan kolom yang sama
banyaknya. Sebuah matriks A dengan n baris dan n kolom dinamakan matriks persegi
berorde n dan entri-entri berada pada diagonal utama dari A.
[ ]
(2.1.1.2)
b. Matriks Diagonal
Matriks diagonal adalah suatu matriks persegi yang unsur-unsurnya semua
bernilai nol, kecuali mungkin pada diagonal utamanya
[ ]
{
(2.1.1.3)
dengan i,j = 1, 2, ..., n.
5
6
c. Matriks Skalar
Matriks skalar adalah suatu matriks persegi yang unsur-unsurnya bernilai sama
pada diagonal utamanya, sedangkan unsur lainnya bernilai nol,
[ ]
(2.1.1.4)
dengan .
d. Matriks Identitas atau Matriks Satuan (I)
Matriks identitas adalah suatu matriks skalar yang mempunyai nilai pada
diagonal utamanya sama dengan satu.
* +
(2.1.1.5)
e. Matriks Kuadratik
Matriks A berukuran NxN dikatakan matriks kuadratik jika untuk sembarang
vector kolom x berukuran Nx1 dapat dibentuk .
f. Matriks Definit Positif
Diberikan matriks A berukuran NxN dan x vector berukuran Nx1 yang mempunyai
bentuk kuadratik . adalah matriks definit positif jika untuk semua .
g. Matriks Semi Definit Positif
Diberikan matriks A berukuran NxN dan x vector berukuran Nx1 yang mempunyai
bentuk kuadratik . adalah matriks semi definit positif jika dan
untuk beberapa x.
2.1.2. Operasi Matriks

a. Penjumlahan
Jika A dan B adalah matriks-matriks berukuran sama, maka jumlah A + B

adalah matriks yang diperoleh dengan menambahkan anggota-anggota A yang
berpadanan. Matriks-matriks berukuran berbeda tidak dapat ditambahkan (Howard
Anton, 2000).
7
Sifat-sifat penjumlahan matriks:

1. Komutatif :A+B=B+A
2. Asosiatif :A+(B+C)=(A+B)+C
3. Distributif : k( A + B ) = kA + kB = ( A + B ) k , dengan k = skalar.
b. Perkalian
1. Perkalian matriks dengan skalar

Jika A adalah sebarang matriks dan c adalah sebarang skalar, maka hasil kali cA
adalah matriks yang diperoleh dengan mengalikan setiap anggota A oleh c (Howard
Anton, 2000).
2. Perkalian matriks dengan matriks
Jika A adalah matriks m x r dan B matriks r x n, maka hasil kali AB adalah
matriks m x n yang entri-entrinya ditentukan sebagai berikut (Howard Anton, 2000) :
a. Untuk mencari entri dalam baris i dan kolom j dari AB, memilih baris i dari
matriks A dan kolom j dari matriks B.
b. Mengalikan entri-entri yang berpadanan dari baris dan kolom tersebut bersama-
sama dan kemudian menambahkan hasil kali yang dihasilkan.
Sifat-sifat perkalian matriks:

1. Asosiatif : A(BC) = (AB)C
2. Distributif terhadap penjumlahan : A(B+C) = AB + AC
c. Transpose
Jika A adalah sebarang matriks m x n, maka transpose A dinyatakan oleh dan

didefinisikan dengan matriks n x m yang didapatkan dengan mempertukarkan baris dan
kolom dari A, yaitu kolom pertama dari adalah baris pertama dari A, kolom kedua
dari adalah baris kedua dari A dan seterusnya (Howard Anton, 2000).
Sifat-sifat operasi transpose adalah:
 =A
 = + dan = –
 =k , dengan k adalah skalar
 = .
8
d. Determinan
Misalkan A adalah matriks kuadratik, fungsi determinan dinyatakan oleh det,

dan didefinisikan det(A) sebagai jumlah semua hasil perkalian elemen dari A. (Howard
Anton, 2000).
e. Invers
Jika A adalah matriks persegi, dan jika terdapat matriks B sehingga AB = BA = I,

maka A dikatakan dapat dibalik (invertible) dan B dinamakan invers dari A dengan I
adalah matriks identitas. Invers suatu matriks A disimbolkan dengan dan
memenuhi hubungan A = A = I. Tidak semua matriks mempunyai invers atau
kebalikan, hanya matriks nonsingular yang mempunyai invers. Matriks nonsingular
adalah matriks yang determinannya tidak sama dengan nol, sedangkan matriks singular
adalah matriks yang determinannya sama dengan nol sehingga tidak mempunyai invers.
2.2. Runtun Waktu
Runtun waktu merupakan bagian dari proses stokastik. Menurut Wei (2006),
suatu proses stokastik adalah kumpulan variabel random berindeks { } yang
memenuhi hukum-hukum peluang. Dikatakan mengikuti hukum peluang karena setiap
nilai berubah secara tidak tentu terhadap waktu (dalam ketidakpastian). Setiap proses
stokastik memuat ruang keadaan (S) dan ruang parameter ( ) yaitu himpunan indeks
dari dapat bernilai diskrit atau kontinu. Misal nilai dari maka barisan
nilai { } disebut realisasi dari { }. Jadi, suatu proses stokastik
dikatakan suatu runtun waktu jika adalah himpunan titik waktu dengan ruang
parameter ( yang bernilai diskrit serta dicatat secara berurutan menurut urutan
kejadian secara periodik. Suatu runtun waktu dependen, untuk t yang berbeda.
Artinya, suatu pengamatan bergantung pada pengamatan-pengamatan sebelumnya.
Runtun waktu merupakan himpunan observasi dari suatu variabel yang diambil
dari waktu ke waktu dan dicatat secara berurutan menurut urutan kejadian dengan
interval waktu yang tetap (Wei, 2006). Barisan pengamatan tersebut dicatat dalam
waktu diskrit sehingga disebut runtun waktu diskrit. Ada empat macam pola utama yang
biasa ditemui pada suatu grafik data runtun waktu, yaitu:
9
a. Pola Acak
Pola acak terjadi apabila data dipengaruhi oleh berbagai faktor selama periode
tertentu, kenaikan ataupun penurunan dapat terjadi secara tidak menentu. Gambar 2.1.
adalah contoh runtun waktu dengan pola acak.
Gambar 2.1. Gambar runtun waktu dengan pola acak

b. Pola Musiman
Pola musiman terjadi apabila suatu data memiliki pola yang sama dan berulang
untuk setiap periode waktu tertentu karena berbagai faktor seperti cuaca, musim liburan,
atau peristiwa tertentu yang terjadi pada periode waktu tertentu, misalnya musim panen,
musim hujan dan sebagainya. Pola ini biasa terjadi untuk periode tahunan, bulanan,
mingguan atau harian. Misalnya, produksi lampion meningkat pada setiap hari raya
imlek, tingkat penjualan buah kurma akan tinggi pada setiap bulan puasa, dan lain-lain.
Gambar 2.2. adalah contoh runtun waktu dengan pola musiman..
Gambar 2.2. Gambar runtun waktu pada pola musiman

c. Pola Siklis
Pola siklis menggambarkan runtun waktu pada rentang waktu untuk beberapa
tahun atau dekade . Pola ini biasanya dipengaruhi oleh hal makro misalnya
10
pertumbuhan ekonomi suatu negara, atau pengaruh fluktuasi ekonomi jangka panjang.
Gambar 2.3 adalah contoh runtun waktu dengan pola siklis.
Gambar 2.3. Gambar runtun waktu dengan pola siklis.

d. Pola Trend
Pola trend ditandai dengan kecenderungan data untuk bergerak pada suatu pola
tertentu pada periode yang panjang. Suatu tren dapat berupa suatu garis linear, akan
tetapi ada beberapa bentuk lain seperti eksponensial. Pola data ini dapat cenderung naik
ataupun cenderung mengalami penurunan. Misalnya, inflasi harga, pertumbuhan
populasi suatu wilayah atau pembelahan sel bakteri, dan lain-lain. Gambar 2.4. adalah
contoh runtun waktu dengan pola trend.
Gambar 2.4. Gambar runtun waktu dengan pola trend.

Analisis runtun waktu bertujuan untuk menentukan model mekanisme stokastik
serta meramalkan nilai runtun waktu yang akan datang. Dalam analisis runtun waktu,
asumsi yang harus terpenuhi adalah data harus stasioner. Jika suatu data sudah stasioner
maka dikatakan bahwa perilaku dari data cenderung konstan dan tidak berubah jauh
dari mean dan variansinya (Cryer, 2008). Suatu runtun waktu yang memenuhi asumsi
stasioner disebut proses stasioner, sebaliknya jika suatu runtun waktu tidak memenuhi
asumsi stasioner disebut proses tidak stasioner. Berikut ini dijelaskan mengenai sifat
11
stasioner pada Subbab 2.2.1, dan cara untuk mengetahui apakah suatu runtun waktu
sudah stasioner atau belum, dijelaskan pada Subbab 2.2.2.
2.2.1. Sifat Stasioner
Sifat stasioner terbagi menjadi dua, yaitu stasioner lemah (weakly stationary) dan
stasioner kuat (strictly stasionary).
2.2.1.1. Stasioner Lemah (weakly stasionary)
Menurut Cryer (2008), proses stokastik { } dikatakan stasioner lemah jika
memenuhi kriteria berikut.
 Fungsi mean dan fungsi varians, bersifat konstan terhadap waktu, dan
 , untuk setiap waktu t dan setiap lag k
Keterangan :
adalah nilai kovariansi antara dan yang dipisahkan oleh k waktu interval
(lag-k). Sedangkan adalah nilai kovariansi yang konstan. Sehingga,
berarti bahwa nilai kovariansi konstan untuk setiap waktu t dan setiap selisih k interval
waktu, tidak bergantung pada waktu t.
2.2.1.2. Stasioner Kuat
Menurut Cryer (2008), proses stokastik ( ) dikatakan strictly stasionary jika
memenuhi sifat stasioner lemah serta distribusi bersama dari dan
distribusi bersama dari sama untuk setiap waktu dan
setiap lag k. Dengan kata lain, seluruh sifat-sifat statistik (mean, variance, korelasi) dari
proses yang bersifat strictly stationer tidak berubah karena pergeseran waktu. Untuk
membuktikan bahwa suatu runtun waktu memenuhi asumsi stasioner kuat, perlu untuk
mengetahui distribusi bersama dari Secara umum, sulit untuk
mendeskripsikan fungsi tersebut, sehingga perlu asumsi untuk menyerdehanakan
masalah tersebut. Oleh karena itu, maka asumsi stasioner yang digunakan adalah
stasioner lemah, yang berarti bahwa saat kapanpun pengamatan dari proses, sifat-sifat
stokastik dari proses tersebut tidak mengalami perubahan. Suatu runtun waktu dikatakan
stasioner apabila sudah memenuhi kriteria dari stasioner lemah.
2.2.2. Penentuan Sifat Kestasioneran Runtun Waktu
Ada beberapa cara untuk melihat apakah suatu runtun waktu memenuhi asumsi
stasioner atau tidak, antara lain dengan cara berikut.
12
2.2.2.1. Plot Runtun Waktu

Salah satu cara yang dapat digunakan adalah dengan melihat plot nilai runtun
waktu yang diobservasi terhadap waktu. Jika plot tersebut hanya berfluktuasi di sekitar
suatu nilai berarti dapat dikatakan bahwa data yang dianalisis sudah stasioner seperti
pada gambar 2.5(a). Melihat kestasioneran data runtun waktu dengan hanya
memperhatikan plot dari data runtun waktu yang dianalisis biasanya bersifat subjektif,
oleh karena itu, perlu adanya pengujian lebih lanjut(uji autokorelasi atau uji ADF).
Berikut merupakan contoh plot data stasioner dan data non-stasioner. Runtun waktu
yang telah stasioner secara mean akan berada pada suatu garis horizontal, sedangkan
jika fluktuasi pada grafik terlihat seimbang maka dapat dikatakan runtun waktu telah
stasioner secara variansi.
Gambar 2.5. Gambar pola data ; (a) Stasioner terhadap mean dan variansi, (b)
Stasioner terhadap variansi namun tidak stasioner terhadap mean, (c) Stasioner terhadap
mean namun tidak stasioner terhadap variansi, (d) Tidak stasioner terhadap rata-rata
maupun ragam
13
2.2.2.2. Autokorelasi (ACF)

Cara lain untuk melihat kestasioneran data runtun waktu adalah dengan
menggunakan autocorrelation function (ACF) yang menggambarkan korelasi suatu
runtun dengan yang dipisahkan oleh lag ke-k yang ditampilkan dalam
korelogram. Korelogram merupakan grafik dari nilai ACF pada berbagai lag.
Untuk menentukan apakah nilai koefisien autokorelasi berbeda secara stastistik
dari nol akan dilakukan sebuah pengujian. Suatu runtun waktu dikatakan non-stasioner
jika koefisien autokorelasi untuk semua lag berbeda signifikan secara statistic dari nol
untuk beberapa periode waktu.
Menurut Wei (2006), runtun waktu ( ) yang stasioner akan memiliki nilai mean
, dan variansi yang konstan serta nilai
kovariansi merupakan fungsi kovariansi dengan perbedaan waktu
k. Kovariansi antara dan yang dipisahkan oleh k interval waktu dengan asumsi
mean dan variansi yang sama untuk setiap t dinamakan autokovariansi pada lag k.
Kovariansi antara dan adalah
. (2.2.1)
Autokorelasi merupakan representasi matematis tingkat kesamaan antara suatu

runtun waktu dengan versi lag dari runtun waktu tersebut selama interval waktu yang
berurutan, yaitu korelasi antara dan ,k= . Autokorelasi antara dan
dapat ditulis
( ) (2.2.2)
dimana , sehingga diperoleh
. (2.2.3)
Menurut Wei (2006), untuk suatu proses yang stasioner, fungsi autokovariansi
dan fungsi autokorelasi memenuhi sifat berikut :
 = dan
Bukti,
14
Akan dibuktikan bahwa . Melalui persamaan (2.2.1), untuk k = 0

diperoleh
. (2.2.4)
Maka terbukti bahwa .

Selanjutnya, akan dibuktikan bahwa . Melalui persamaan (2.2.2), untuk k = 0
diperoleh
( ) (2.2.5)
Karena pada persamaan (2.2.4) teebukti bahwa , maka

persamaan (2.2.5) menjadi
(2.2.6)
Maka terbukti bahwa

 | | | |
Bukti.
Sifat ini menjelaskan bahwa korelasi antara runtun waktu dan runtun waktu itu
sendiri ( akan selalu lebih besar atau sama dengan korelasi antara dan versi lag 1
atau lebih periode ( . Oleh karena itu jelas bahwa | |
Selanjutnya, akan dibuktikan bahwa | | . Melalui perssamaan (2.2.3) diperoleh
persamaan berikut
| |
| | | |
| | (2.2.7)
15
Oleh karena | | , maka dari persamaan (2.7) dapat ditunjukkan bahwa
| |
| |
| | | | (2.2.8)
Jadi, terbukti bahwa | | .

 untuk semua nilai k.
Bukti.
Akan dibuktikan bahwa dengan menggunakan persamaan (2.2.1) sebagai
berikut
.
.
.
(2.2.9)

Selanjutnya, akan dibuktikan bahwa dengan menggunakan persamaan (2.2.2)
sebagai berikut
(2.2.10)
16
Jadi, melalui persamaan (2.2.9) dan persamaan (2.2.10) dapat disimpulkan

bahwa autokovarians dan autokorelasi antara dan sama dengan dan ,
atau dapat dikatakan bahwa autokovarians dan autokorelasi antara suatu runtun waktu
sama dengan autokovarians dan autokorelasi runtun waktu itu sendiri yang
dipisahkan oleh +k atau –k interval waktu (lag -k).
Runtun waktu yang digunakan merupakan data sampel. Oleh karena itu, akan
digunakan autokovariansi sampel sebagai penduga dari autokorelasi sampel sebagai
penduga dari . Karena ̂ dan ̂ merupakan penaksir yang tidak bias maka ̂ dan
̂ dapat digunakan untuk mengestimasi dan .
Autokovarians sampel ( ̂ ) yang merupakan penduga dari didefinisikan sebagai
berikut
̂ ∑ ̅ ̅
(2.2.11)
Sedangkan autokorelasi sampel ( ̂ ) yang merupakan penduga dari didefinisikan

sebagai berikut
̂ ∑ ̅ ̅
̂ ̂ ∑ ̅
.
(2.2.12)
Untuk mengetahui ada tidaknya autokorelasi pada suatu runtun waktu, perlu dilakukan
pengujian hipotesis.
1. Hipotesis
(koefisien autokorelasi tidak berbeda secara signifikan dengan nol (data

stasioner))
(koefisien autokorelasi berbeda secara signifikan dengan nol (data tidak
stasioner))
2. Tingkat signifikansi :
3. Statistik ujii yang digunakan adalah :
̂
̂
∑
dengan ( ̂ ) √ merupakan standar error dari autokorelasi pada lag k.
4. Aturan keputusan:
17
ditolak jika | | dengan derajat bebas , nilai dapat
dilihat pada tabel t.

ditolak berarti autokorelasi berbeda secara statistik dengan nol, yang
mengimplikasikan bahwa autokorelasi antara dan masih tinggi untuk beberapa
periode waktu ataupun korelasi antara dan masih sangat kuat. Sedangkan jika
tidak ditolak berarti autokorelasi tidak berbeda secara statistic dengan nol yang
mengimplikasikan bahwa autokorelasi antara dan tidak tinggi ataupun korelasi
antara dan tidak lagi kuat. Gambar 2.6 memperlihatkan plot ACF untuk data
stasioner, dimana hanya lag pertama saja yang signifikan.
Gambar 2.6. Gambar plot ACF pada data yang stasioner

2.2.2.3. Uji Akar Unit Augmented Dicky-Fuller (ADF)
Selain menggunakan metode grafik (plot antara nilai pengamatan terhadap
waktu) secara korelogram, asumsi kestasioneran dapat juga dilakukan dengan uji
statistik yaitu Unit Root Test atau uji akar unit. Kestasioneran dapat diperiksa dengan
mencari apakah data runtun waktu mengandung akar unit. Uji akar unit yang akan
dibahas yaitu Uji Akar Unit Augmented Dicky-Fuller(ADF). Ide dasar dari uji ADF ini
adalah model random walk. Jika suatu runtun waktu mengkikuti proses random walk
maka dapat dikatakan bahwa runtun waktu tersebut tidak stasioner, demikian sebaliknya.
Untuk mempelajari akar unit pandang data runtun waktu dengan model sebagai berikut
. dengan ~NIID(0, )
Jika , maka model persamaan menjadi model random
walk dengan drift, dimana model random walk merupakan salah satu contoh model
runtun waktu yang tidak stasioner. Olehkarena itu perlu untuk dilakukan pengujian
18
apakah suatu runtun waktu tersebut mengikuti model random walk atau tidak dengan
pengujian berikut.
1. Hipotesis :
: (runtun waktu tidak stasioner)
: (runtun waktu stasioner)
Model dapat dilakukan reparameterisasi menjadi
. dan . Parameter yang menjadi
perhatian model regresi ini adalah . Jika , yang berarti , maka
mempunyai akar unit atau tidak stasioner, maka hipotesis untuk menguji
kestasioneran dengan menggunakan Augmented Dickey Fuller, dapat pula dilakukan
pengujian hipotesis sebagai sebagai berikut.
1. Hipotesis :
: (runtun waktu tidak stasioner)
: (runtun waktu stasioner)
2. Tingkat signifikansi:
3. Statistik uji:
̂
̂
4. Aturan keputusan
ditolak jika DF < nilai kritis atau p-value < .
Nilai statistik t dibandingkan dengan nilai kritis DF(nilai kritis statistik-t) untuk
menentukan apakah menerima atau menolak
2.3. Transformasi Data permisalan contoh transformasi data di akhir
Analisis runtun waktu sering kali menggunakan asumsi bahwa data harus
stasioner. Stasioneritas berarti bahwa tidak terdapat perubahan yang signifikan pada
nilai pengamatan dari waktu ke waktu, fluktuasi data berada disekitar suatu nilai rata-
rata yang konstan (Makridakis, S., Wheelwright, S.C., & McGee, V. E. 1999).
Runtun waktu dikatakan stasioner dalam rata-rata jika rata-ratanya cederung
konstan dari waktu ke waktu atau data bersifat stabil. Ketidakstasioneran data
berdasarkan rata-rata (mean) dapat diatasi dengan melakukan pembedaan (differencing).
Menurut Makridakis (1999) notasi yang sangat bermanfaat dalam metode pembedaan
19
adalah operator shift mundur (backward shift) yang disimbolkan dengan B sebagai
berikut
(2.3.1)
Notasi B yang dipasang pada , mempunyai pengaruh menggeser nilai satu

periode ke belakang, dua penerapan B untuk akan menggeser nilai tersebut dua
periode ke belakang sebagai berikut
(2.3.2)
Apabila suatu runtun waktu tidak stasioner, maka data tersebut dapat dibuat
lebih mendekati stasioner dengan melakukan pembedaan pertama (first differencing).
Pembedaan pertama
(2.3.3)
menggunakan operator shift mundur, persamaan (2.11) dapat ditulis kembali menjadi :
pembedaan pertama
(2.3.4)
sama halnya apabila dilakukan pembedaan orde kedua (yaitu melakukan pembedaan
lagi pada pembedaan pertama sebelumnya) harus dihitung maka
(2.3.5)
disini pembedaan orde kedua diberi notasi .
Tujuan melakukan pembedaan adalah untuk mencapai stasioneritas. Secara
umum pembedaan orde-d untuk mencapai stasioneritas dapat dirumuskan sebagai
berikut
(2.3.6)
Runtun waktu dikatakan stasioner dalam varians jika fluktuasi nilai
pengamatannya tetap atau konstan. Sebaliknya jika runtun waktu menunjukkan terdapat
variasi fluktuasi nilai pengamatan pada grafik maka termasuk dalam runtun waktu yang
tidak stasioner berdasarkan variansi.
20
Untuk menstasionerkan runtun waktu yang tidak stasioner dalam variansi dapat
dilakukan dengan transformasi Box-Cox (penstabilan varians). Secara umum,
transformasi yang digunakan (Wei, 1990) adalah
, (2.3.7)
dengan adalah konstanta yang ditetapkan dalam melakukan transformasi data.

Beberapa nilai dan bentuk transformasi yang umum digunakan diberikan pada
Tabel 2.1 berikut ini.
Tabel 2.1. Nilai λ dan bentuk transformasi
Nilai Transformasi
-1
-0.5
√
0
0.5 √
1
2.4. Model Vector Autoregressive (VAR)

Model Vector Autoregressive (VAR) dikemukakan pertama kali oleh Sims
(1980). Model VAR biasanya digunakan untuk menganalisis hubungan antara variabel-
variabel runtun waktu. Nilai masing-masing variabel, selain diterangkan oleh
pengamatan di masa lampau juga dapat dipengaruhi oleh nilai masa lalu dari semua
variabel lainnya dalam model yang diamati. Data yang dapat digunakan pada model
VAR harus memenuhi syarat kestasioneran. Tahapan yang dapat dilakukan dalam
menggunakan model VAR yaitu identifikasi model dengan memperhatikan grafik ACF
dan PACF, estimasi parameter dengan metode kuadrat terkecil dan pemilihan model
terbaik menggunakan nilai RMSE.
Bentuk umum model VAR adalah

(2.4.1)
∑
21
dengan adalah vektor berukuran (Nx1) yang elemen-elemennya adalah nilai

pengamatan waktu ke-t
adalah matriks berukuran (NxN) yang elemen-elemen matriksnya adalah
parameter autoregressive(AR)
e(t) adalah vektor berukuran (Nx1) yang elemen-elemennya adalah nilai error
pengamatan pada waktu ke-t dengan asumsi error independen yang
mempunyai rata-rata nol dan variansi konstan
s adalah orde autoregressive(AR)
[ ] [ ] [ ]
Dalam notasi matriks model VAR dapat dibentuk sebagai berikut
[ ] [ ] [ ]
[ ] [ ]
[ ] [ ] [ ]
2.5. Model Space Time Autoregessive (STAR)

Model Space Time Autoregressive (STAR) dikembangkan oleh Pfeir dan
Deutsch (1980) dengan menambahkan bobot lokasi dalam model vector
autoregressive(VAR). Model STAR adalah Model VAR untuk data yang mempunyai
ketergantungan linier pada wilayah dan waktu. Keterkaitan spasial pada data diwakili
dengan matriks bobot lokasi (W), dimana jarak antar wilayah akan menjadi bobot
spasial. Berikut ini adalah model STAR
∑ ∑
(2.5.1)
22
dengan s adalah orde autoregressive(AR)

k adalah orde spasial pada orde autoregressive ke-s
adalah vektor berukuran (Nx1) yang elemen-elemennya adalah nilai
adalah matriks(NxN) yang berisikan parameter autoregressive pada lag
waktu s dan lag spasial k, yang merupakan matriks diagonal dengan elemen
diagonal ( , , ..., )
adalah matriks bobot berukuran (NxN) pada orde spasial ke-k dengan
adalah matriks identitas(NxN) yang elemen-elemnnya berisikan bobot
antar lokasi pengamatan
[ ] [ ]
[ ] [ ]
Dalam notasi matriks model STAR dapat dibentuk sebagai berikut
[ ]
[ ][ ] [ ]
[ ]
[ ][ ] [ ]
23
[ ] [ ]
[ ]
[ ] [ ]
[ ]
[ ] [ ] [ ].
[ ]
24
Halaman ini sengaja dikosongkan
BAB 3
MODEL GSTAR DAN PENDUGAAN PARAMETER-PARAMETERNYA
Bab ini berisi pembahasan mengenai model Generalized Space Time

Autoregressive (GSTAR), pembentukan matriks bobot lokasi, identifikasi model,
pendugaan parameter model GSTAR menggunakan metode kuadrat terkecil dan validasi
model menggunakan nilai RMSE(Root Mean Square Error).
3.1. Model Generalized Space Time Autoregressive

Model Generalized Space Time Autoregressive (GSTAR) merupakan
pengembangan dari model Space Time Autoregressive(STAR). Model GSTAR lebih
fleksibel dibandingkan model STAR. Secara matematis, notasi dari model GSTAR
adalah sama dengan model STAR. Perbedaan utama antara model GSTAR dan model
STAR yaitu nilai-nilai parameter model GSTAR diperbolehkan berbeda untuk setiap
lokasinya, sedangkan pada model STAR nilai-nilai parameter diasumsikan sama untuk
setiap lokasinya. Dalam notasi matriks, model GSTAR dapat ditulis sebagai
∑ ∑ (3.1.1)
dengan s adalah orde waktu autoregressive

k adalah orde spasial pada orde waktu autoregressive ke-s
adalah vektor berukuran (Nx1) yang elemen-elemennya adalah nilai
adalah matriks berukuran (NxN) yang berisikan parameter autoregressive
pada lag waktu s dan lag spasial k, yang merupakan matriks diagonal dengan
elemen diagonal ( , , ..., )
adalah matriks bobot berukuran (NxN) pada orde spasial ke-k dengan
adalah matriks identitas berukuran (NxN) yang elemen-elemnnya
berisikan bobot antar lokasi pengamatan
25
26
[ ]
[ ]
[ ] [ ]
Dalam notasi matriks model GSTAR dapat dibentuk sebagai berikut
[ ]
[ ] [ ]
[ ] [ ]
[ ] [ ]
[ ]
[ ] [ ]
[ ]
[ ] [ ]
[ ]
[ ] [ ] [ ].
[ ]
27
3.2. Matriks Bobot Lokasi

Keterkaitan antar lokasi yang digunakan dalam model GSTAR dinyatakan dalam
matriks bobot lokasi. Hal yang harus terlebih dahulu dilakukan sebelum membangun
matriks bobot lokasi adalah mendefinisikan orde spasial. Pfeir dan Deutsch (1980)
mendefinisikan orde spasial berdasarkan grid yang teratur. Grid ini ditentukan oleh
interval jarak yang teratur. Penentuan jarak interval dapat ditentukan dengan
memperhatikan jarak antar lokasi pengamtan. Tabel 3.1 merupakan contoh grid pada
model GSTAR.
Tabel 3.1. Grid pada model GSTAR
Grid Jarak grid
Pada dasarnya, matriks bobot lokasi adalah matriks bujur sangkar berukuran N x
N yang bisa berupa matriks simetris atau tidak simetris, dengan sifat-sifat sebagai
berikut :
1. Diagonal matriks bobot lokasi W adalah nol, karena dianggap tidak ada jarak
dengan dirinya sendiri.
2. Total bobot suatu lokasi terhadap lokasi-lokasi lain adalah 1 atau ∑ =1
berlaku untuk semua lokasi i = 1, 2, ..., N.
3. Setiap nilai bobot
Beberapa jenis bobot yang digunakan pada matriks bobot lokasi model GSTAR ,
yaitu:
1. Bobot Biner
bernilai 1 jika dan merupakan jarak terdekat pada lag spasial ke-k
(3.2.1)
{
2. Bobot Seragam
Bobot seragam dipengaruhi oleh banyaknya tetangga di sekitar lokasi yang
diamati pada lag spasial ke-k
28
, (3.2.2)
Dengan adalah banyaknya tetangga terdekat dari lokasi i, pada orde spasial
ke-k.
3. Bobot Jarak
Elemen –elemen matriks bobot jarak didefinisikan sebagai:
{ (3.2.3)
dengan menyatakan jarak antar lokasi i dan lokasi j.

Ketiga matriks bobot diatas akan digunakan pada model GSTAR sehingga mengasilkan
3 model yang berbeda. Dari ketiga model yang dihasilkan akan dicari model terbaik.
3.3. Identifikasi Model
Model GSTAR adalah perluasan dari model STAR, parameter-parameter model
STAR diasumsikan sama untuk setiap lokasi. Sedangkan pada model GSTAR,
parameter-parameter model diasumsikan berbeda, untuk lokasi yang berbeda. Meskipun
keduanya mempunyai asusmsi yang berbeda pada nilai parameter, kedua model tersebut
mempunyai posedur yang sama dalam proses identifikasi model.
Nilai Space Time Autocorrelation Function (STACF) dan Space Time Partial
Autocorrelation Function (STPACF) telah digunakan oleh Pfeir dan Deutsch untuk
mengidentifikasi model Space Time Autoregressive Moving Average (STARMA).
Karena terdapat banyak kesamaan pada model STARMA dan model GSTAR, STACF dan
STPACF juga dapat digunakan untuk mengidentifikasi model GSTAR. Nilai STACF
didefinsikan sebagai
(3.3.1)
adalah rata-rata kovariansi antara lag spasial ke-k dan lag spasial ke-l dalam lag
waktu ke-s. dapat diestimasi menggunakan persamaan
29
̂
̂
̂ ̂
∑ ∑
∑ ∑ ∑ ∑ (3.3.2)
dengan adalah operator lag spasial pada order spasial ke- , maka
{
∑
(3.3.3)
Selain menggunakan STACF , untuk mengidentifikasi model GSTAR dibutuhkan Space

Time Partial Autocorrelation Function (STPACF).
∑∑ (3.3.4)
persamaan (3.3.4) dapat diestimasi menggunakan persamaan
̂ ∑∑̂ ̂ (3.3.5)
Dengan = 1, 2, ..., p adalah lag waktu ke-s, h = 0, 1, ..., adalah lag spasial ke-h.
adalah koefisien autokorelasi pada lag waktu ke-k dan orde spasial ke-l yang dapat
diestimasi dengan persamaan
̂
̂
̂ ̂
Untuk menentukan orde model GSTAR, dapat dilihat melalui grafik STACF dan
STPACF. Apabila pada grafik STACF model GSTAR terjadi penurunan sesudah lag
waktu ke-s dan grafik STPACF terpotong sesudah lag waktuke-p pada lag spasial ke-k,
maka orde yagn sesuai untuk data adalah orde lag waktu ke-s pada lag spasial ke-k.
30
(a)
(b)
Gambar 3.1 contoh grafik STACF(a) dan STPACF(b) dari kedua gambar diatas dapat
dipilih model GSTAR (1,1) dan model GSTAR (4,1).
3.4. Pendugaan Parameter
Estimasi parameter pada model Generalized Space Time Autoregressive
(GSTAR) dapat dicari menggunakan metode kuadrat terkecil (Least Square Method).
Metode ini telah digunakan secara luas untuk mengestimasi parameter model linear.
Estimator least square didapatkan dengan meminimumkan jumlah kuadrat error yang
telah digunakan pada model regresi kebanyakan. Terdapat asumsi pada error yang
dibutuhkan untuk menggunakan metode least square. Error independen dengan rata-
rata nol, berdistribusi normal dan variansi konstan.
Persamaan model GSTAR dari persamaan (3.1.1) dapat diubah menjadi,
∑ ∑ (3.5.1)
31
dengan , dimana untuk dan nol untuk

[ ]
yang lainnya. Persamaan (3.4.1) untuk lokasi ke- dapat ditulis sebagai,
∑ ∑ [ ][ ]
∑ ∑ (
) (3.5.2)
( ) ( )
(
( )
)
( ) ( )
(
( )
)
(3.5.3)
Persamaan (3.5.3) dapat dibentuk menjadi perkalian vektor
32
( )
( ) ( ) ( )
( )
( )
) ( )
( ) ( ) ( )
(
( )
(3.5.4)
Metode kuadrat terkecil dapat digunakan pada model linear . Model
GSTAR dapat dibentuk menjadi model linear dengan membentuk
∑ untuk dan , persamaan (3.4.4) menjadi
( )
( )
( ) ( ) (3.5.5)
dari persamaan (3.4.5) dapat dibentuk persamaan untuk lokasi ke pada waktu
yaitu , dengan ( ), ( ),
( ) ( )
( ) ( )
,
( ) ( )
( )
(Tx𝜆𝑝 p)
33
( ) .
(𝜆𝑝 px1)
Persamaan model untuk semua lokasi dapat ditulis dalam

persamaaan model linear , dengan
( ), , ( ) dan ( ) (3.5.6)
Estimasi parameter model GSTAR dapat dilakukan dengan menggunakan metode

kuadrat terkecil (least square methode). Metode ini telah banyak digunakan untuk
mengestimasi model linear dengan meminimalkan jumlah kuadrat error. Metode least
square pada model GSTAR dapat dilakukan dengan asumsi error independen yang
mempunyai rata-rata nol dan variansi konstan. Estimator least square pada model
GSTAR dapat dilakukan dengan meminimumkan kuadrat error
̂ . (3.5.7)
Pendugaan parameter model GSTAR menggunakan metode kuadrat terkecil dapat

dibuktikan memiliki sifat tidak bias dan memiliki variansi terkecil (BLUE).
Teorema 3.4.1. Vektor estimasi Least square ̂ pada model GSTAR adalah tidak
bias dan memiliki variansi terkecil dari himpunan estimator tidak
bias lainnya.
34
Bukti,
Misal ̂ adalah estimator least square. Karena , dapat
ditulis . Vektor error e(t) tidak berkorelasi dengan vektor observasi di masa
lalu, maka | . Maka dapat dibentuk
(̂ | ) |
Persamaan diatas menunjukkan ̂ adalah estimator tak bias untuk . Selanjutnya, akan
dibuktikan ̂ mempunyai variansi terkecil dari himpunan estimator tidak bias lainnya.
Misalkan ̂ adalah estimator tak bias untuk maka ( ̂ | ) , dengan
̂
Dimana adalah matriks fungsi dari , maka didapatkan
(̂ | ) (( )( )| )
( ( )( ) | ) |
.
Karena setiap entri diagoanal dari mempunyai bentuk kuadaratik, maka adalah
matriks positiv semi-definit, mengakibatkan (̂ | ) ( ̂ | )(Yundari, 2017).
Hal ini menunjukkan ̂ mempunyai variansi terkecil dari himpunan estimator tidak bias
lainnya.
3.5. Pemilihan Model Terbaik

Pemilihan model terbaik dapat dilakukan dengan melihat nilai RMSE(Root Mean
Square Error) terkecil pada masing-masing model. RMSE digunakan untuk melihat
ukuran perbedaan antara nilai prediksi dari model dengan nilai sebenarnya dari
observasi. RMSE dinyatakan sebagai
√ ∑ ∑ ( ̂ )
(3.6.1)
dengan adalah nilai aktual observasi pada waktu t, ̂ adalah nilai prediksi waktu ke-t
dan N adalah banyak data ramalan yang digunakan. Suatu model dikatakan baik apabila
nilai RMSE-nya mendekati nol.
BAB 4
PENGGUNAAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE
(GSTAR) PADA DATA JUMLAH KASUS PENYAKIT HEPATITIS A DI
JAKARTA
Bab ini berisi aplikasi (penggunaan) model GSTAR pada data jumlah kasus
hepatitis A di DKI Jakarta.
4.1. Data dan Kestasioneran Data
Data yang digunakan adalah data jumlah kasus Hepatitis A perbulan di DKI
Jakarta pada tahun 2011-2017 yang bersumber dari Dinas Kesehatan DKI Jakarta. Data
yang akan digunakan pada model GSTAR harus memenuhi kondisi stasioner secara rata-
rata dan variansi.
DKI Jakarta memiliki 5 kotamadya, yaitu Jakarta Utara, Jakarta Pusat, Jakarta
Barat, Jakarta Selatan dan Jakarta Timur. Gambar 4.1 adalah data bulanan kasus
hepatitis A di DKI Jakarta dalam kurun waktu Januari 2011 – Desember 2018 di setiap
kotamadya.
30 40
25
jumlah kasus
jumlah kasus
30
20
15 20
10
10
5
0 0
1 7 131925313743495561677379 1 7 131925313743495561677379
waktu ( bulan ke-) waktu ( bulan ke-)
(a) (b)
80 60
50
jumlah kasus
jumlah kasus
60 40
40 30
20
20 10
0 0
1 7 131925313743495561677379 1 8 15222936435057647178
waktu ( bulan ke-) waktu ( bulan ke-)
(c) (d)
35
36
100
80
jumlah kasus
60
40
20
0
1 8 15222936435057647178
waktu ( bulan ke-)
(e)
Gambar 4.1. Jumlah kasus hepatitis A pada bulan Januari 2011 – Desember 2017, (a)
Jakarta Pusat, (b) Jakarta Utara, (c) Jakarta Barat, (d) Jakarta Selatan dan (e) Jakarta
Timur.
Untuk menguji kestasioneran data terhadap mean dan variansi, dilakukan uji
Augmented Dicky Fuller(ADF) dan uji Box-Cox dengan menggunakan progarm R pada
masing-masing data kotamadya, dengan hipotesis
untuk uji ADF, dan hipotesis
untuk uji Box-Cox

Tabel 4.1 adalah nilai-nilai p-value uji ADF untuk data runtun waktu dari
masing-masing kotamadya. Tabel 4.1 menunjukkan bahwa nilai p–value pada 5
kotamadya lebih besar dari α = 0.05 sehinnga data yang diuji belum stasioner secara
mean. Tabel 4.2 adalah nilai-nilai λ dari uji Box-Cox untuk data runtun waktu dari
masing-masing kotamadya. Nilai λ masih jauh dari satu, maka data yang diuji belumlah
stasioner secara variansi.
37
Tabel 4.1. Nilai p – value uji ADF(Augmented Dicky Fuller).

Kotamadya Nilai p - value Kesimpulan
Jakarta Pusat 0.2633 Belum stasioner dalam mean
Jakarta Utara 0.2364 Belum stasioner dalam mean
Jakarta Barat 0.3603 Belum stasioner dalam mean
Jakarta Selatan 0.5581 Belum stasioner dalam mean
Jakarta Timur 0.4152 Belum stasioner dalam mean
Tabel 4.2. Nilai λ uji Box-Cox.

Kotamadya Nilai λ Kesimpulan
Jakarta Pusat 0.4776808 Belum stasioner dalam variansi
Jakarta Utara 0.3993601 Belum stasioner dalam variansi
Jakarta Barat 0.2279851 Belum stasioner dalam variansi
Jakarta Selatan 0.4664443 Belum stasioner dalam variansi
Jakarta Timur 0.2612649 Belum stasioner dalam variansi
Karena data yang akan dimodelkan belum memenuhi syarat stasioner secara
mean dan variansi, maka akan dilakukan differencing sebanyak satu kali pada data.
Gambar 4.2 adalah data bulanan jumlah kasus hepatitis A di DKI Jakarta dalam kurun
waktu Januari 2011 – Desember 2018 untuk masing-masing kotamadya yang telah di
differencing sebanyak satu kali.
20 20
15
10
jumlah kasus
10
jumlah kasus
5
0
0
1 8 15 22 29 36 43 50 57 64 71 78
-5 1 8 15 22 29 36 43 50 57 64 71 78 -10
-10
-15 -20
waktu( bulan ke-) waktu( bulan ke-)
(a) (b)
38
40 40
30
20
jumlah kasus
jumlah kasus
20
10
0
0
1 8 15 22 29 36 43 50 57 64 71 78
-10 1 8 15 22 29 36 43 50 57 64 71 78 -20
-20
-30 -40
waktu( bulan ke- ) waktu( bulan ke- )
(c) (d)
30
20
10
jumlah kasus
0
-10 1 8 15 22 29 36 43 50 57 64 71 78
-20
-30
-40
-50
waktu( bulan ke- )
(e)
Gambar 4.2. Jumlah kasus hepatitis A pada bulan Januari 2011 – Desember 2017
setelah di differencing satu kali, (a) Jakarta Pusat, (b) Jakarta Utara, (c) Jakarta Barat,
(d) Jakarta Selatan dan (e) Jakarta Timur.
Selanjutnya, akan dilakukan uji ADF dan uji Box-Cox terhadap data yang sudah
didifferencing sebanyak satu kali untuk melihat kestasioneran data terhadap mean dan
variansi dengan hipotesis yang sama dengan uji sebelumnya.
Tabel 4.3 adalah nilai-nilai p-value uji ADF pada data yang sudah di differncing
satu kali. Tabel 4.3 menunjukkan bahwa nilai p – value pada 5 kotamadya lebih kecil
dari α = 0.05 sehinngga data yang diuji telah stasioner secara mean. Tabel 4.4 adalah
nilai-nilai λ uji Box-Cox untuk masing-masing kotamadya, terlihat bahwa nilai-nilai λ
tersebut telah mendekati nilai satu, maka data yang diuji telah stasioner secara variansi.
Setalah dilakukan differencing satu kali, telah terbukti bahwa data telah stasioner dalam
mean dan variansi. Maka data dapat dimodelkan menggunakan model Generalized
Space Time Autoregressive (GSTAR)
39
Tabel 4.3. Nilai p – value uji ADF data yang sudah di differencing satu kali.
Kotamadya Nilai p - value Kesimpulan
Jakarta Pusat 0.01 stasioner dalam mean
Jakarta Utara 0.01 stasioner dalam mean
Jakarta Barat 0.01 stasioner dalam mean
Jakarta Selatan 0.01 stasioner dalam mean
Jakarta Timur 0.027 stasioner dalam mean
Tabel 4.4. Nilai λ uji Box-Cox data yang sudah di differencing satu kali.
Kotamadya Nilai λ Kesimpulan
Jakarta Pusat 1 stasioner dalam variansi
Jakarta Utara 1 stasioner dalam variansi
Jakarta Barat 1 stasioner dalam variansi
Jakarta Selatan 1 stasioner dalam variansi
Jakarta Timur 1.202955 stasioner dalam variansi
.
4.2. Matriks Bobot Lokasi
Matriks bobot lokasi dapat ditentukan dengan menghitung jarak antar lokasi.
Untuk mengetahui jarak antara 5 kotamadya di DKI Jakarta, diperlukan titik koordinat
pusat masing – masing lokasi. Titik koordinat latitude dan longitude pada 5 kotamadya
di DKI Jakarta dapat dilihat pada tabel 4.5,
Tabel 4.5. Koordinat pusat lima kotamadya di DKI Jakarta.
Kotamadya Koordinat
Latitude Longitude
Jakarta Pusat -6.1864864 106.8340911
Jakarta Utara -6.1383768 106.8664656
Jakarta Barat -6.1683295 106.7588494
Jakarta Selatan -6.2614927 106.8105998
Jakarta Timur -6.2403764 106.8250579
40
Dari tabel 4.5 dapat dihitung jarak antar 2 kotamadya menggunakan masing –
masing koordinat pusat. Tabel 4.6 adalah jarak masing – masing kotamadya dengan
kotamadya lainnya dalam kilometer.
Tabel 4.6. Jarak antar kotamadya di DKI Jakarta.
Kotamadya Jakarta Jakarta Jakarta Jakarta Jakarta
Pusat Utara Barat Selatan Timur
Jakarta 0 10.717 km 7,012 km 14,127 km 9,371 km
Pusat
Jakarta 10,717 km 0 20,345 km 24,604 km 19,565 km
Utara
Jakarta 7,012 km 20,345 km 0 18,525 km 17,076 km
Barat
Jakarta 14,127 km 24,604 km 18,525 km 0 5,178 km
Selatan
Jakarta 9,371 km 19,565 km 17,076 km 5,178 km 0
Timur
Selanjutnya, dibentuk radius lokasi untuk menentukan matriks bobot lokasi. Dari
tabel 4.6, dibuat grid lokasi seperti pada tabel 4.7.
Tabel 4.7. Radius untuk matriks bobot lokasi.
Grid Jarak grid
Dari tabel 4.6 dan tabel 4.7, dapat dibentuk matriks bobot lokasi pada lag spasial 1,
artinya grid yang digunakan adalah . Ada 3 matriks bobot lokasi yaitu matriks bobot
biner, matriks bobot seragam dan matriks bobot jarak.
41
 Matriks Bobot Biner untuk 5 kotamadya adalah
( )
bernilai 1 jika kotamadya j adalah kotamadya terdekat dengan
kotamadya i, bernilai 0 jika kotamadya j bukan kotamadya terdekat dengan
kotamaya i.
 Matriks Bobot Seragam untuk 5 kotamadya adalah
( )
Kotamadya 1 mempunyai 3 kotamadya yang terletak pada radius 1, maka
nilai . Kotamdya 5 mempunyai 2 kotamdadya yang terletak
pada radius 1, maka nilai . jika kotamadya j tidak berada
pada radius 1 dari kotamadya i.

 Matriks Bobot Jarak untuk 5 kotamadya adalah
( )
ditentukan berdasarkan jarak dari kodtamadya i ke kotamadya j.
Semakin dekat kotamadya j ke kotamadya i maka semakin besar besar nilai .
4.3. Identifikasi Model
Untuk menentukan orde waktu dan orde spasial pada model GSTAR dapat
digunakan grafik stacf dan stpacf yang proses pembentukkannya sudah dijelaskan
pada Bab III. Gambar 4.3 adalah grafik grafik Space Time Autocorrelatin Function
(STACF) dan Space Time Partial Autocorrelatin Function (STPACF) model GSTAR
untuk matriks bobot biner berdasarkan data jumlah kasus hepatitis A di DKI tahun
2011-2017 dihasilkan grafik STACF dengan garis vertikal yang turun pada lag waktu
42
ke-1 dan ke-4. Grafik STPACF dengan garis vertikal terpotong pada lag waktu ke-1 dan
ke-4.
.
(a)
(b)
bobot biner.
Gambar 4.4 adalah grafik grafik Space Time Autocorrelatin Function (STACF)
dan Space Time Partial Autocorrelatin Function (STPACF) model GSTAR untuk
matriks bobot biner berdasarkan data jumlah kasus hepatitis A di DKI tahun 2011-2017
dihasilkan grafik STACF dengan garis vertikal yang turun pada lag waktu ke-1 dan ke-
4. Grafik STPACF dengan garis vertikal terpotong pada lag waktu ke-1 dan ke-4.
43
(a)
(b)
bobot seragam.
Gambar 4.5 adalah grafik grafik Space Time Autocorrelatin Function (STACF) dan
Space Time Partial Autocorrelatin Function (STPACF) model GSTAR untuk matriks
bobot jarak berdasarkan data jumlah kasus hepatitis A di DKI tahun 2011-2017
dihasilkan grafik STACF dengan garis vertikal yang turun pada lag waktu ke-1 dan ke-
4. Grafik STPACF dengan garis vertikal terpotong pada lag waktu ke-1 dan ke-4.
(a)
44
(b)
bobot jarak.
4.4. Pendugaan Parameter
Untuk menduga parameter model Generalized Space Time Autoregressive
(GSTAR), dapat menggunakan metode kuadrat terkecil. Tabel 4.8 adalah hasil
pendugaan parameter model GSTAR pada data hepatitis, diperoleh hasil estimasi
parameter untuk matriks bobot biner, matriks bobot seragam dan matriks bobot jarak
sebagai berikut:
Tabel 4.8. Nilai estimasi parameter dengan matriks bobot biner (a) model GSTAR(4,1)
(b) model GSTAR(1,1)
Estimasi Jakarta Jakarta Jakarta Jakarta Jakarta

Parameter Pusat (i=1) Utara (i=2) Barat (i=3) Selatan(i=4) Timur(i=5)
̂ -0.73884 -0.54356 -0.32861 -0.38213 -0.34836
̂ -0.45772 -0.40391 -0.18862 -0.18715 -0.37400
̂ -0.31812 -0.37286 -0.19969 -0.24602 -0.13852
̂ -0.07251 -0.07378 -0.28204 -0.15392 0.02503
̂ 0.14445 0.45153 0.52447 0.09275 0.58291
̂ 0.20698 0.40548 0.41424 0.05543 0.39042
̂ 0.03723 0.38890 0.62122 -0.04111 0.28402
̂ 0.03187 0.29356 0.08993 0.09622 0.36074
(a)
45

̂ -0.51491 -0.34547 -0.30593 -0.30355 -0.19346
̂ 0.05009 0.20874 0.42274 0.06353 0.39591
(b)
Model GSTAR (4,1) dengan matriks bobot biner untuk masing-masing

kotamadya adalah
( )
̂
( ) ̂
( ) ̂
̂ ̂
( )
̂
( )
(̂ )
(( ))
- Model GSTAR(4,1) untuk Jakarta Pusat
( )
( )
̂
46
- Model GSTAR(4,1) untuk Jakarta Utara
( )
( )
- Model GSTAR(4,1) untuk Jakarta Barat
( )
( )
̂
- Model GSTAR(4,1) untuk Jakarta Selatan
( )
( )
47
- Model GSTAR(4,1) untuk Jakarta Timur
( )
( )
Model GSTAR (1,1) dengan matriks bobot biner untuk masing-masing

lokasinya adalah
( ) ̂
̂ ( ) ( )
( ) ̂
̂ ( * ( )
̂
- Model GSTAR(4,1) untuk Jakara Utara
̂ ( * ( )
̂
̂ ( * ( )
̂
48
̂ ( * ( )
̂
̂ ( * ( )
Tabel 4.9. Nilai estimasi parameter dengan matriks bobot seragam (a) model
GSTAR(4,1) (b) model GSTAR(1,1)

̂ -0.76365 -0.54356 -0.32861 -0.38213 -0.36909
̂ -0.51931 -0.40391 -0.32861 -0.18715 -0.43282
̂ -0.40774 -0.37286 -0.19969 -0.24602 -0.17502
̂ -0.07251 -0.07378 -0.28204 -0.15392 -0.02848
̂ 0.22216 0.45153 0.52447 0.09275 0.77481
̂ 0.28599 0.40548 0.41424 0.05543 0.73249
̂ 0.07579 0.38890 0.62122 -0.04111 0.55302
̂ 0.14178 0.29356 0.08993 0.09622 0.46295
(a)

̂ -0.51460 -0.34547 -0.30593 -0.30355 -0.18300
̂ 0.11471 0.20874 0.42274 0.06353 0.45360
(b)
Model GSTAR (4,1) dengan matriks bobot seragam untuk masing-masing

kotamadya adalah
49
( )
̂
( ) ̂
( ) ̂
̂ ̂
( )
̂
( )
(̂ )
(( ))
( )
( )
50
( )
( )
( )
( )
( )
( )
51
- Model GSTAR(4,1) untuk JakartTimur
( )
( )
Model GSTAR (1,1) dengan matriks bobot seragam untuk masing-masing

kotamadya adalah
( ) ̂
̂ ( ) ( )
( ) ̂
̂ ( * ( )
̂ ( * ( )
̂
̂ ( * ( )
52
̂ ( * ( )
̂
̂ ( * ( )
Tabel 4.10. Nilai estimasi parameter dengan matriks bobot jarak (a) model GSTAR(4,1)
(b) model GSTAR(1,1)

̂ -0765556 -0.543557 -0.328606 -0.382134 -0.366902
̂ -0.518668 -0.403905 -0.188624 -0.187147 -0.417474
̂ -0.400741 -0.372859 -0.199693 -0.246025 -0.164209
̂ -0.135877 -0.073776 -0.282038 -0.153922 0.009583
̂ 0.213287 0.451535 0.524472 0.092749 0.734764
̂ 0.276509 0.405480 0.414238 0.055434 0.620498
̂ 0.070555 0.388904 0.621222 -0.041110 0.456989
̂ 0.127375 0.293556 0.089930 0.096220 0.437619
(a)

̂ -0.51577 -0.34547 -0.30593 -0.30355 -0.18836
̂ 0.10831 0.20874 0.42274 0.06353 0.46316
(b)
(b)
53
Model GSTAR (4,1) dengan matriks bobot jarak untuk masing-masing

kotamadya adalah
( )
̂
( ) ̂
( ) ̂
̂ ̂
( )
̂
( )
(̂ )
(( ))
( )
( )
54
( )
( )
( )
( )
( )
( )
55
- Model GSTAR(4,1) untuk Jakarta TImur
( )
( )
̂
Model GSTAR (1,1) dengan matriks bobot jarakuntuk masing-masing

kotamadya adalah
( ) ̂
̂ ( ) ( )
( ) ̂
̂ ( * ( )
̂ ( * ( )
56
̂ ( * ( )
̂
̂ ( * ( )
̂
̂ ( * ( )
4.5. Pemilihan Model Terbaik

Pemilihan model terbaik pada model Generalized Space Time Autoregressive
(GSTAR) dapat dilakukan dengan melihat nilai Root Mean Square Error(RMSE) pada
masing-masing model untuk masing-masing matriks bobot lokasi, dengan menggunakan
progam R didapatkan nilai RMSE untuk masing –masing matriks bobot lokasinya pada
tabel 4.11.
Tabel 4.11. Nilai RMSE model matriks GTSAR dengan bobot biner, seragam dan jarak.
Nilai RMSE Model Nilai RMSE Model
GSTAR(4,1) GSTAR(1,1)
Bobor Biner 6.221381 6.5529871
Bobot Seragam 6.250815 6.5968659
Bobot Jarak 6.235239 6.5786716
Dari tabel 4.11 dapat disimpulkan bahwa model Generalized Space Time
Autoregressive (4,1) dengan matriks bobot biner mempunyai nilai RMSE paling kecil.
BAB 5
HASIL DAN KESIMPULAN
5.1. Kesimpulan
Kesimpulan dari skripsi ini adalah.
1. Pembentukan model Generalized Space Time Autoregressive (GSTAR) dapat
dilakukan untuk data yang stasioner. Data yang belum stasioner dapat
ditransformasi untuk menghasilkan data yang stasioner.
2. Pendugaan parameter model Generalized Space Time Autoregressive (GSTAR)
dapat dicari menggunakan metode kuadrat terkecil.
3. Berdasarkan nilai RMSE, penggunaan model GSTAR pada data Hepatitis A tahun
2011-2017 di DKI Jakarta menghasilkan model GSTAR(4,1) dengan matriks bobot
biner sebagai model terbaik diantara enam model yang dipilih .
5.2. Saran
Saran untuk skripsi ini adalah agar dapat dilakukan penelitian mengenai
penggunaan model GSTAR dengan orde spasial yang lebih besar.
57
58
DAFTAR PUSTAKA
S. Borovkova, H.P Lopuhaa, B. N. Ruchjana. (2008). Consistency and asymptotic

normality of least square estimators in generalized STAR models. Statistica
Neerlandica, vol.62, no.4, pp. 482-508.
B. N. Ruchjana, A. S Abdullah, M. Jaya. (2017). R software for parameter estimation of
spatio temporal model.
Pfeifer, P. E., & Deutsch, S. J. (1980). Identification and interpretation of first order
space-time ARMA models. Technometrics, 22(3), 397-408.
Pfeir, Deutsch (1980), A Three Stage Iterative Procedure for Space Time Modelling,
Technometrics, Vol. 22(1) pp. 35-47.
Granger, Clive WJ. "Investigating causal relations by econometric models and cross-
spectral methods." Econometrica: Journal of the Econometric Society (1969): 424-
438.
CLIFF, A. D and ORD, J, K. (1973), Spatial Autocorrelation, London: Pioneer
Hanke John, E., Wichern Dean, W., & Reitsch Arthur, G. (2005). Business Forecasting.
Edition 8th, PHI Publication, New Delhi,(p), 521.
N. Nurhayati, U. S. Pasaribu, O. Neswan. (2012). Application of generalized space-time
autoregressive model on GDP data in west european countries. Journal of
Probability and Statistics, vol. 2012.
U. Mukhaiyar, U. S. Pasaribu. (2012) Jurnal ITB J.Sci. Vol. 44A(2), pp 179-192.
Yundari, U. S. Pasaribu, U. Mukhaiyar. (2017). Error assumption on Generalized STAR
model., J. Math. Fund. Sci. Vol. 48, No.2, 136-155.
Karlina, Herlin Dewi, Rini Cahyandari, and Asep Solih Awalluddin. "Aplikasi Model
Generalized Space Time Autoregressive (GSTAR) pada Data Jumlah TKI Jawa
Barat dengan Pemilihan Lokasi Berdasarkan Klaster DBSCAN." Jurnal Matematika
Integratif 10.1 (2014): 37-48.
J. Zahro. (2017). Generalized Space Time Autoregressive (G-STAR)
Dinas Kesehatan DKI Jakarta (2018). Data dan Informasi Kesehatan DKI Jakarta.
https://surveilans-dinkesdki.net.
Anton, H. (2010). Elementary linear algebra. John Wiley & Sons
59
Sims, C. A. (1972). Money, income, and causality. The American economic review,
540-552.
Wei, W. W. (2006). Time series analysis. In The Oxford Handbook of Quantitative
Methods in Psychology: Vol. 2.
Wei, WILLIAM WS. "Time series analysis. Redwood City." (1990).
Makridakis, S., Wheelwright, S. C., & McGee, V. E. (1999). Metode dan aplikasi
peramalan. Jakarta: Erlangga.
Dickey, David A., William R. Bell, and Robert B. Miller. "Unit roots in time series
models: Tests and implications." The American Statistician 40.1 (1986): 12-26.
Pankratz, A. (2009). Forecasting with univariate Box-Jenkins models: Concepts and
cases (Vol. 224). John Wiley & Sons.
Wutsqa, D. U., Suhartono, D., & Sutijo, B. (2010). Generalized Space-Time
Autoregressive Modeling. In Proceedings of the 6th IMT-GT Conference on
Mathematics, Statistics and its Applications (ICMSA2010).
Cryer, Jonathan D.. Time series analysis with application in R (Second Edition).
Springer.
60
Lampiran 1. Data kasus penyakit hepatitis A di DKI Jakarta

Waktu( bulan ) Kasus penyakit hepatitis A di kotamadya
Jakarta Jakarta Jakarta Jakarta Jakarta
Januari 2011 7 9 11 16 26
Februari 2011 9 8 15 13 26
Maret 2011 8 11 19 28 30
April 2011 8 8 18 31 44
Mei 2011 15 13 40 22 40
Juni 2011 10 13 30 8 19
Juli 2011 14 12 20 15 27
Agustus 2011 11 15 28 20 39
September 19 22 22 55 47
2011
Oktober 2011 17 28 43 32 53
November 26 24 40 43 67
2011
Desember 24 29 72 46 92
2011
Januari 2012 21 32 60 43 91
Februari 2012 27 16 42 40 73
Maret 2012 16 28 36 23 61
April 2012 17 20 28 26 40
Mei 2012 14 22 30 25 56
Juni 2012 12 11 28 12 70
Juli 2012 15 9 25 17 32
Agustus 2012 13 12 19 15 28
September 15 13 17 25 44
2012
Oktober 2012 16 19 14 25 31
November 4 17 14 20 19

61
2012
Desember 14 6 10 19 17
2012
Januari 2013 11 6 22 19 28
Februari 2013 9 12 18 13 18
Maret 2013 8 13 28 18 26
April 2013 22 12 31 17 19
Mei 2013 10 8 12 11 24
Juni 2013 10 6 16 12 27
Juli 2013 5 14 21 10 16
Agustus 2013 10 3 2 13 23
September 8 5 13 7 26
2013
Oktober 2013 3 10 10 12 12
November 9 14 13 12 31
2013
Desember 3 7 10 9 12
2013
Januari 2014 8 8 11 6 19
Februari 2014 5 1 6 4 11
Maret 2014 10 3 10 5 14
April 2014 9 4 10 9 12
Mei 2014 9 9 7 6 7
Juni 2014 1 2 6 1 7
Juli 2014 2 4 11 4 7
Agustus 2014 6 8 10 5 12
2014
Oktober 2014 7 2 19 8 10
November 3 3 11 4 13
2014

62
Desember 5 0 12 2 9
2014
Januari 2015 3 7 13 6 5
Februari 2015 4 4 11 4 10
Maret 2015 4 1 8 7 2
April 2015 1 4 10 8 4
Mei 2015 3 2 7 1 1
Juni 2015 4 0 6 4 2
Juli 2015 2 3 8 1 4
Agustus 2015 5 3 9 4 1
2015
Oktober 2015 5 1 3 11 4
November 3 6 5 9 8
2015
2015
Januari 2016 8 5 10 16 7
Februari 2016 4 2 19 17 8
Maret 2016 3 2 8 22 14
April 2016 4 2 14 14 10
Mei 2016 4 3 16 7 19
Juni 2016 5 2 7 7 8
Juli 2016 9 2 11 15 8
Agustus 2016 5 3 11 18 8
2016
Oktober 2016 7 1 13 11 14
November 10 3 12 12 7
2016

63
2016
Januari 2017 4 2 5 16 13
Februari 2017 5 2 8 12 9
Maret 2017 5 1 8 8 8
April 2017 6 0 9 13 5
Mei 2017 5 2 7 13 7
Juni 2017 1 1 4 10 6
Juli 2017 1 0 4 11 9
Agustus 2017 1 1 5 6 6
September 2 1 4 8 8
2017
Oktober 2017 0 1 6 1 9
November 4 0 7 6 8
2017
Desember 1 0 9 6 3
2011

64
Lampiran 2. Data kasus penyakit hepatitis A di DKI Jakarta setelah di differencing

Waktu( ke- ) Kasus penyakit hepatitis A di kotamadya
Jakarta Jakarta Jakarta Jakarta Jakarta
1 2 -1 4 -3 0
2 -1 3 4 15 4
3 0 -3 -1 3 14
4 7 5 22 -9 -4
5 -5 0 -10 -14 -21
6 4 -1 -10 7 8
7 -3 3 8 5 12
8 8 7 -6 35 8
9 -2 6 21 -23 6
10 9 -4 -3 11 14
11 -2 5 32 3 25
12 -3 3 -12 -3 -1
13 6 -16 -18 -3 -18
14 -11 12 -6 -17 -12
15 1 -8 -8 3 -21
16 -3 2 2 -1 16
17 -2 -11 -2 -13 14
18 3 -2 -3 5 -38
19 -2 3 -6 -2 -4
20 2 1 -2 10 16
21 1 6 -3 0 -13
22 -12 -2 0 -5 -12
23 10 -11 -4 -1 -2
24 -3 0 12 0 11
25 -2 6 -4 -6 -10
26 -1 1 10 5 8
27 14 -1 3 -1 -7

65
28 -12 -4 -19 -6 5
29 0 -2 4 1 3
30 -5 8 5 -2 -11
31 5 -11 -19 3 7
32 -2 2 11 -6 3
33 -5 5 -3 5 -14
34 6 4 3 0 19
35 -6 -7 -3 -3 -19
36 5 1 1 -3 7
37 -3 -7 -5 -2 -8
38 5 2 4 1 3
39 -1 1 0 4 -2
40 0 5 -3 -3 -5
41 -8 -7 -1 -5 0
42 1 2 5 3 0
43 4 4 -1 1 5
44 2 -4 1 -1 0
45 -1 -2 8 4 -2
46 -4 1 -8 -4 3
47 2 -3 1 -2 -4
48 -2 7 1 4 -4
49 1 -3 -2 -2 5
50 0 -3 -3 3 -8
51 -3 3 2 1 2
52 2 -2 -3 -7 -3
53 1 -2 -1 3 1
54 -2 3 2 -3 2
55 3 0 1 3 -3
56 -3 0 2 -1 3
57 3 -2 -8 8 0
58 -2 5 2 -2 4

66
59 6 -4 4 2 3
60 -1 3 1 5 -4
61 -4 -3 9 1 1
62 -1 0 -11 5 6
63 1 0 6 -8 -4
64 0 1 2 -7 9
65 1 -1 -9 0 -11
66 4 0 4 8 0
67 -4 1 0 3 0
68 -2 1 0 -10 8
69 4 -3 2 3 -2
70 3 2 -1 1 -7
71 -5 -3 0 -3 3
72 -1 2 -7 7 3
73 1 0 3 -4 -4
74 0 -1 0 -4 -1
75 1 -1 1 5 -3
76 -1 2 -2 0 2
77 -4 -1 -3 -3 -1
78 0 -1 0 1 3
79 0 1 1 -5 -3
80 1 0 -1 2 2
81 -2 0 2 -7 1
82 4 -1 1 5 -1
83 -3 0 2 0 -5

67
Lampiran 3. Syntax program R untuk mencai parameter model GSTAR(p,1)

68
Lampiran 4. Hasil estimasi parameter menggunakan program R untuk matriks biner

69

70
Lampiran 5. Hasil estimasi parameter menggunakan program R untuk matriks seragam

71

72
Lampiran 6. Hasil estimasi parameter menggunakan program R untuk matriks jarak

73

Gstar Ui

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Gstar Ui

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSITAS INDONESIA

PENDUGAAN PARAMETER MODEL GENERALIZED SPACE

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019

PENDUGAAN PARAMETER MODEL GENERALIZED SPACE

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

Powered by TCPDF (www.tcpdf.org)

Powered by TCPDF (www.tcpdf.org)

Akhir kata, terima kasih

Depok, 7 Januari 2019

Powered by TCPDF (www.tcpdf.org)

Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019

Nama : Rahmat Febriyanto

BAB 4 PENGGUNAAN MODEL GENERALIZED SPACE TIME

1.1. Latar Belakang

Tetapi model STAR mempunyai kelemahan yaitu parameter-parameter yang dihasilkan

1.3. Tujuan Penelitian

1.4. Batasan Permasalahan

1.5. Metodologi Penelitian

1.6. Sistematika Penulisan

Halaman ini sengaja dikosongkan

dengan i,j = 1, 2, ..., n.

d. Matriks Identitas atau Matriks Satuan (I)

2.1.2. Operasi Matriks

Jika A dan B adalah matriks-matriks berukuran sama, maka jumlah A + B

Sifat-sifat penjumlahan matriks:

1. Perkalian matriks dengan skalar

Sifat-sifat perkalian matriks:

Jika A adalah sebarang matriks m x n, maka transpose A dinyatakan oleh dan

Misalkan A adalah matriks kuadratik, fungsi determinan dinyatakan oleh det,

Jika A adalah matriks persegi, dan jika terdapat matriks B sehingga AB = BA = I,

Gambar 2.1. Gambar runtun waktu dengan pola acak

Gambar 2.2. Gambar runtun waktu pada pola musiman

Gambar 2.3. Gambar runtun waktu dengan pola siklis.

Gambar 2.4. Gambar runtun waktu dengan pola trend.

2.2.2.1. Plot Runtun Waktu

2.2.2.2. Autokorelasi (ACF)

Autokorelasi merupakan representasi matematis tingkat kesamaan antara suatu

dimana , sehingga diperoleh

Akan dibuktikan bahwa . Melalui persamaan (2.2.1), untuk k = 0

Maka terbukti bahwa .

Karena pada persamaan (2.2.4) teebukti bahwa , maka

Maka terbukti bahwa

Oleh karena | | , maka dari persamaan (2.7) dapat ditunjukkan bahwa

Jadi, terbukti bahwa | | .

Maka terbukti bahwa .

Maka terbukti bahwa .

Jadi, melalui persamaan (2.2.9) dan persamaan (2.2.10) dapat disimpulkan

Sedangkan autokorelasi sampel ( ̂ ) yang merupakan penduga dari didefinisikan

(koefisien autokorelasi tidak berbeda secara signifikan dengan nol (data

ditolak jika | | dengan derajat bebas , nilai dapat

dilihat pada tabel t.

Gambar 2.6. Gambar plot ACF pada data yang stasioner

Notasi B yang dipasang pada , mempunyai pengaruh menggeser nilai satu

dengan adalah konstanta yang ditetapkan dalam melakukan transformasi data.

2.4. Model Vector Autoregressive (VAR)

Bentuk umum model VAR adalah

dengan adalah vektor berukuran (Nx1) yang elemen-elemennya adalah nilai

Dalam notasi matriks model VAR dapat dibentuk sebagai berikut

2.5. Model Space Time Autoregessive (STAR)

dengan s adalah orde autoregressive(AR)

Dalam notasi matriks model STAR dapat dibentuk sebagai berikut

Halaman ini sengaja dikosongkan