SKRIPSI
RAHMAT FEBRIYANTO
1406571571
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar sarjana sains
RAHMAT FEBRIYANTO
1406571571
i
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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.
Wassalamu’alaikum
(Rahmat Febriyanto)
iv
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
Kata Kunci:
Estimasi, GSTAR, least square, Parameter
viv
Universitas Indonesia
vii
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
viii
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
4.5. Pemilihan Model Terbaik........................................................................ 51
BAB 5 KESIMPULAN DAN SARAN............................................................... 53
5.1. Kesimpulan.............................................................................................. 53
5.2. Saran........................................................................................................ 53
DAFTAR PUSTAKA............................................................................................. 54
ix
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
Gambar 4.4. Gambar grafik STACF (a) dan STPACF (b) model untuk matriks
bobot seragam................................................................................... 41
Gambar 4.5. Gambar grafik STACF (a) dan STPACF (b) model untuk matriks
bobot jarak......................................................................................... 42
x
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
Tabel 4.9. Nilai estimasi parameter model untuk matriks bobot
seragam.............................................................................................. 46
Tabel 4.10. Nilai estimasi parameter model untuk matriks bobot
jarak................................................................................................... 50
Tabel 4.11. Nilai RMSE model GSTAR untuk matriks bobot biner, seragam,
dan jarak............................................................................................ 54
xi
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
BAB 1
PENDAHULUAN
1
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
2
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
3
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
4
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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)
5
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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 .
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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
7
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.
c. Transpose
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
8
d. Determinan
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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.
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..
Pola siklis menggambarkan runtun waktu pada rentang waktu untuk beberapa
tahun atau dekade . Pola ini biasanya dipengaruhi oleh hal makro misalnya
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
10
pertumbuhan ekonomi suatu negara, atau pengaruh fluktuasi ekonomi jangka panjang.
Gambar 2.3 adalah contoh runtun waktu dengan pola siklis.
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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
12
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
13
. (2.2.1)
( ) (2.2.2)
. (2.2.3)
Menurut Wei (2006), untuk suatu proses yang stasioner, fungsi autokovariansi
dan fungsi autokorelasi memenuhi sifat berikut :
= dan
Bukti,
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
14
. (2.2.4)
( ) (2.2.5)
(2.2.6)
| |
| | | |
| | (2.2.7)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
15
| |
| |
| | | | (2.2.8)
(2.2.9)
(2.2.10)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
16
̂ ∑ ̅ ̅
(2.2.11)
∑
dengan ( ̂ ) √ merupakan standar error dari autokorelasi pada lag k.
4. Aturan keputusan:
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
17
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
19
adalah operator shift mundur (backward shift) yang disimbolkan dengan B sebagai
berikut
(2.3.1)
(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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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)
-0.5
√
0
0.5 √
1
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
21
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ]
[ ] [ ] [ ]
∑ ∑
(2.5.1)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
22
[ ] [ ]
[ ] [ ]
[ ]
[ ][ ] [ ]
[ ]
[ ][ ] [ ]
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
23
[ ] [ ]
[ ]
[ ] [ ]
[ ]
[ ] [ ] [ ].
[ ]
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
24
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
BAB 3
MODEL GSTAR DAN PENDUGAAN PARAMETER-PARAMETERNYA
∑ ∑ (3.1.1)
25
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
26
[ ]
[ ]
[ ] [ ]
[ ]
[ ] [ ]
[ ] [ ]
[ ] [ ]
[ ]
[ ] [ ]
[ ]
[ ] [ ]
[ ]
[ ] [ ] [ ].
[ ]
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
27
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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)
adalah rata-rata kovariansi antara lag spasial ke-k dan lag spasial ke-l dalam lag
waktu ke-s. dapat diestimasi menggunakan persamaan
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
29
̂
̂
̂ ̂
∑ ∑
∑ ∑ ∑ ∑ (3.3.2)
dengan adalah operator lag spasial pada order spasial ke- , maka
{
∑
(3.3.3)
∑∑ (3.3.4)
̂ ∑∑̂ ̂ (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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
31
∑ ∑ [ ][ ]
∑ ∑ (
) (3.5.2)
( ) ( )
(
( )
)
( ) ( )
(
( )
)
(3.5.3)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
32
( )
( ) ( ) ( )
( )
( )
) ( )
( ) ( ) ( )
(
( )
(3.5.4)
( )
( )
( ) ( ) (3.5.5)
dari persamaan (3.4.5) dapat dibentuk persamaan untuk lokasi ke pada waktu
yaitu , dengan ( ), ( ),
( ) ( )
( ) ( )
,
( ) ( )
( )
(Tx𝜆𝑝 p)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
33
( ) .
(𝜆𝑝 px1)
( ), , ( ) dan ( ) (3.5.6)
̂ . (3.5.7)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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.
√ ∑ ∑ ( ̂ )
(3.6.1)
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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
37
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)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
41
( )
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
( )
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
42
ke-1 dan ke-4. Grafik STPACF dengan garis vertikal terpotong pada lag waktu ke-1 dan
ke-4.
.
(a)
(b)
Gambar 4.3. Gambar grafik STACF (a) dan STPACF (b) model untuk matriks
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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
43
(a)
(b)
Gambar 4.4. Gambar grafik STACF (a) dan STPACF (b) model untuk matriks
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)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
44
(b)
Gambar 4.5. Gambar grafik STACF (a) dan STPACF (b) model untuk matriks
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)
(a)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
45
(b)
( )
̂
( ) ̂
( ) ̂
̂ ̂
( )
̂
( )
(̂ )
(( ))
( )
( )
̂
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
46
( )
( )
( )
( )
̂
( )
( )
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
47
( )
( )
( ) ̂
̂ ( ) ( )
( ) ̂
̂ ( * ( )
̂
- Model GSTAR(4,1) untuk Jakara Utara
̂ ( * ( )
̂
- Model GSTAR(4,1) untuk Jakarta Barat
̂ ( * ( )
̂
- Model GSTAR(4,1) untuk Jakarta Selatan
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
48
̂ ( * ( )
̂
- Model GSTAR(4,1) untuk Jakarta Timur
̂ ( * ( )
Tabel 4.9. Nilai estimasi parameter dengan matriks bobot seragam (a) model
GSTAR(4,1) (b) model GSTAR(1,1)
(a)
(b)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
49
( )
̂
( ) ̂
( ) ̂
̂ ̂
( )
̂
( )
(̂ )
(( ))
( )
( )
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
50
( )
( )
( )
( )
( )
( )
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
51
( )
( )
( ) ̂
̂ ( ) ( )
( ) ̂
̂ ( * ( )
̂ ( * ( )
̂
- Model GSTAR(1,1) untuk Jakarta Barat
̂ ( * ( )
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
52
̂ ( * ( )
̂
- Model GSTAR(1,1) untuk Jakarta Timur
̂ ( * ( )
Tabel 4.10. Nilai estimasi parameter dengan matriks bobot jarak (a) model GSTAR(4,1)
(b) model GSTAR(1,1)
(a)
(b)
(b)
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
53
( )
̂
( ) ̂
( ) ̂
̂ ̂
( )
̂
( )
(̂ )
(( ))
( )
( )
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
54
( )
( )
( )
( )
( )
( )
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
55
( )
( )
̂
( ) ̂
̂ ( ) ( )
( ) ̂
̂ ( * ( )
̂ ( * ( )
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
56
̂ ( * ( )
̂
- Model GSTAR(1,1) untuk Jakarta Selatan
̂ ( * ( )
̂
- Model GSTAR(1,1) untuk Jakarta Timur
̂ ( * ( )
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
58
DAFTAR PUSTAKA
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
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.
Universitas Indonesia
Pendugaan Parameter..., Rahmat Febriyanto, FMIPA UI, 2019
60
Universitas Indonesia
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
September 8 4 11 4 12
2014
Oktober 2014 7 2 19 8 10
November 3 3 11 4 13
2014
Universitas Indonesia
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
September 2 3 11 3 4
2015
Oktober 2015 5 1 3 11 4
November 3 6 5 9 8
2015
Desember 9 2 9 11 11
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
September 3 4 11 8 16
2016
Oktober 2016 7 1 13 11 14
November 10 3 12 12 7
2016
Desember 5 0 12 9 10
Universitas Indonesia
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
Universitas Indonesia
Universitas Indonesia
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
Universitas Indonesia
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
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia