Peramalan Spatio-Temporal Kualitas Udara di Surabaya, Sidoarjo Dan Gresik Mengggunakan Generalized Space Time Autoregressive (GSTAR)

Salim, Muhammad Ridho (2026) Peramalan Spatio-Temporal Kualitas Udara di Surabaya, Sidoarjo Dan Gresik Mengggunakan Generalized Space Time Autoregressive (GSTAR). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003232018_Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (13MB) | Request a copy

Abstract

Penelitian ini menggunakan peramalan spatio-temporal dengan model GSTAR. Model GSTAR merupakan pengembangan dari model STAR yang mengasumsikan bahwa parameter bersifat homogen di seluruh lokasi. GSTAR menggeneralisasi model STAR dengan memungkinkan adanya parameter yang heterogen antar lokasi pada lag spasial yang sama. Penelitian ini bertujuan untuk membangun sistem peringatan dini pencemaran udara di Surabaya, Sidoarjo, dan Gresik melalui peramalan tingkat polutan, dengan fokus khusus pada konsentrasi Particulate Matter 2.5 (PM2.5). Data yang digunakan dalam penelitian ini merupakan data harian konsentrasi PM2.5 yang diperoleh dari Dinas Lingkungan Hidup Provinsi Jawa Timur yang mencakup periode 24 Juni hingga 31 Agustus 2025. Dalam penelitian ini digunakan tiga jenis bobot, yaitu bobot korelasi silang ternormalisasi, bobot seragam, dan bobot invers distance, serta dua metode pendugaan parameter, yaitu Ordinary Least Squares (OLS) dan Seemingly Unrelated Regression (SUR). Hasil penelitian menunjukkan bahwa nilai RMSE yang lebih rendah dan memenuhi asumsi residual dihasilkan oleh model GSTAR(1)1 dengan bobot normalisasi korelasi silang dan pendugaan parameter OLS untuk Kota Surabaya, model GSTAR(2)1 dengan bobot uniform dan pendugaan parameter OLS untuk Kabupaten Sidoarjo, serta model GSTAR(1)1 dengan bobot invers distance dan pendugaan parameter SUR untuk Kabupaten Gresik. Model terbaik akan digunakan untuk melakukan peramalan 2 periode kedepan, peramalan pada kota surabaya untuk 2 hari kedepan yaitu 26,7159 dan 24,6411, peramalan untuk 2 hari kedepan di kota Sidoarjo yaitu 26,3753 dan 27,3179 sedangkan peramalan 2 hari kedepan untuk kota gresik yaitu 15,1392 dan 14,6367.
=================================================================================================================================
This study employs spatio-temporal forecasting using the Generalized Space-Time Autoregressive (GSTAR) model. The GSTAR model is an extension of the Space-Time Autoregressive (STAR) model, which assumes that parameters are homogeneous across all locations. GSTAR generalizes the STAR model by allowing parameters to be heterogeneous across locations at the same spatial lag. The objective of this study is to develop an early warning system for air pollution in Surabaya, Sidoarjo, and Gresik through forecasting pollutant levels, with a particular focus on Particulate Matter 2.5 (PM2.5) concentrations. The data used in this study consist of daily PM2.5 concentration data obtained from the East Java Provincial Environmental Agency, covering the period from June 24 to August 31, 2025. Three types of spatial weight matrices are considered namely normalized cross-correlation weights, uniform weights, and invers distance weights. In addition, two parameter estimation methods are applied, namely Ordinary Least Squares (OLS) and Seemingly Unrelated Regression (SUR). The results indicate that models with lower RMSE values and residuals that satisfy the required assumptions are obtained as GSTAR(11) model with normalized cross-correlation weights and OLS estimation for Surabaya, GSTAR(21) model with uniform weights and OLS estimation for Sidoarjo, and GSTAR(11) model with invers distance weights and SUR estimation for Gresik. The best models are then used to generate two step ahead forecasts. The two day ahead forecasts for Surabaya are 26,7159 and 24,6411, for Sidoarjo 26,3753 and 27,3179, and for Gresik 15,1392 and 14,6367.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	GSTAR, OLS, PM2.5, Spatio-Temporal, SUR, GSTAR, OLS, PM2.5, Spatio-Temporal, SUR
Subjects:	Q Science > QA Mathematics > QA274.2 Stochastic analysis Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Muhammad Ridho Salim
Date Deposited:	30 Jan 2026 08:57
Last Modified:	30 Jan 2026 08:57
URI:	http://repository.its.ac.id/id/eprint/131351

Actions (login required)

View Item