Pemodelan Generalized Space Time Autoregressive (GSTAR) dan Penerapannya pada Penderita TB Paru (BTA+) di DKI Jakarta

Abstract

Model Generalized Space Time Autoregressive (GSTAR)(p;) merupakan salah satu model deret waktu yang digunakan untuk peramalan data yang mengandung unsur lokasi dan waktu dengan orde  autoregressive (p) dan orde spasial (). Keterkaitan antar lokasi dinyatakan dalam suatu nilai berdasarkan pembobot lokasi tertentu. Data banyaknya penderita TB Paru (BTA+) di DKI Jakarta merupakan salah satu data deret waktu yang memiliki keterkaitan antar lokasi sehingga dapat dimodelkan dengan model GSTAR. Pada penelitian ini model GSTAR menggunakan pembobot lokasi invers jarak dan pembobot lokasi normalisasi korelasi silang diterapkan pada data banyaknya penderita TB Paru (BTA+) di DKI Jakarta. Setelah itu, memilih model GSTAR yang lebih baik menggunakan nilai RMSE terkecil. Hasil dari penelitian ini dengan menerapkan data banyaknya penderita TB Paru (BTA+) di DKI Jakarta diperoleh model GSTAR(1;1) dengan pembobot lokasi normalisasi korelasi silang memiliki \textit{root mean square error}(RMSE) 73,57728 yang lebih kecil dari model GSTAR(1;1) dengan pembobot lokasi invers jarak. Sehingga, model dengan pembobot lokasi normalisasi korelasi silang lebih baik dibandingkan dengan pembobot lokasi invers jarak.