Model Hybrid Multivariate GSTAR-ANN Untuk Forecast Data Space-Time (Studi Kasus: Data Polusi Udara Di Surabaya Jawa Timur)

Pusporani, Elly (2019) Model Hybrid Multivariate GSTAR-ANN Untuk Forecast Data Space-Time (Studi Kasus: Data Polusi Udara Di Surabaya Jawa Timur). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 06211750010023-Master_Thesis.pdf Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Data time series tidak hanya berdimensi waktu namun juga mempunyai dimensi ruang yang biasa disebut dengan data space-time. Salah satu model yang dikenalkan untuk mengatasi masalah ini adalah model Space-Time Autoregressive (STAR). Model STAR memiliki kelemahan yaitu parameter yang didapatkan untuk setiap lokasi sama. Kemudian dikembangkan Model Generalized Space-Time Autoregressive (GSTAR) untuk mengatasi hal tersebut. Salah satu pengembangan dari model ini adalah model Multivariate Generalized Space-Time Autoregressive (MGSTAR). Model ini pun masih mempunyai keterbatasan yaitu masih belum mampu memodelkan data time series yang mempunyai unsur pola nonlinier. Untuk mengatasi hal ini maka dikembangkan model hybrid pada model MGSTAR. Model yang dikembangkan dalam penelitian adalah hybrid MGSTAR-ANN. Dalam penelitian ini terdapat dua studi yaitu studi simulasi dan studi terapan. Studi simulasi bertujuan untuk mengetahui metode estimasi terbaik untuk model MGSTAR dan evaluasi model MGSTAR dan MGSTAR-ANN. Pada studi terapan, data yang digunakan adalah data polusi udara di Surabaya. Data ini terdiri atas CO, NO2 dan PM10 yang diamati di tiga lokasi yang berbeda yaitu SUF 1 yang terletak di Taman Prestasi Ketabang, SUF 6 di Wonorejo dan SUF 7 di Kebonsari. Hasil yang didapatkan dari penelitian ini adalah bahwa estimasi terbaik yang digunakan untuk model MGSTAR adalah GLS. Selain itu, berdasarkan analisis pada studi terapan model hybrid MGSTAR-ANN menghasilkan forecast yang lebih akurat dibandingkan dengan model MGSTAR jika dilihat dari hasil penghitungan RMSE pada data out of sample.
================================================================================================================================
Time series data not only have time dimensions but also space dimensions called space-time data. One of the introduced models that can be used to overcome this problem is Space-Time Autoregressive (STAR) Models. The STAR model has the disadvantage that the parameters obtained for each location are the same. To overcome this, Generalized Spaced-Time Autoregressive (GSTAR) model has been developed. One of development for this model is the Multivariate Generalized Space-Time Autoregressive (MGSTAR). Even this model still has limitation, it’s still not able to model the time series data that has nonlinear patterns. To overcome this problem, a hybrid model was proposed to extend the MGSTAR model. The model developed in this study is hybrid MGSTAR-ANN. In this study there are two studies, namely simulation studies and applied studies. The simulation study aims to determine the best estimation method for the MGSTAR model and evaluation of the MGSTAR and MGSTAR-ANN models. In the applied study, the data used is air pollution data in Surabaya. This data consists of CO, NO2 and PM10 which were observed in three different locations, SUF 1 located in Prestasi park Ketabang, SUF 6 in Wonorejo and SUF 7 in Kebonsari. The result obtained from these studies is that the best estimate method used for the MGSTAR model is GLS. In addition, based on the analysis of the applied study, the hybrid MGSTAR-ANN model produces a more accurate forecast compared to the MGSTAR model when viewed from the results of the RMSE calculation on the out of sample data.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Air Pollution, ANN, Hybrid, MGSTAR
Subjects:	G Geography. Anthropology. Recreation > GE Environmental Sciences H Social Sciences > HA Statistics > HA30.3 Time-series analysis H Social Sciences > HA Statistics > HA30.6 Spatial analysis
Divisions:	Faculty of Mathematics, Computation, and Data Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Elly Pusporani
Date Deposited:	23 Jul 2026 04:46
Last Modified:	23 Jul 2026 04:46
URI:	http://repository.its.ac.id/id/eprint/69088

Actions (login required)

View Item