Model GSTARMA (generalised space-time autoregressive moving average) adalah
salah satu model yang dapat digunakan untuk memodelkan nilai variabel endogen
atau keluaran yang terobservasi di beberapa lokasi jika nilai observasi suatu
bergantung pada nilai observasi dan residu pada lokasi yang bertetangga dengan
lokasi tersebut. Model ini dapat dikembangkan menjadi model GSTARMAX
(generalised space-time autoregressive moving average-exogenous) untuk
mengikutsertakan pengaruh suatu variabel masukan pada nilai observasi. Sebagai
model yang melibatkan nilai observasi dan variabel masukan di beberapa lokasi,
model-model deret waktu spasial dapat dipandang sebagai model deret waktu
vektor, tak terkecuali model GSTARMA-X. Model ini dapat dipandang sebagai
model VARMA-X (vector autoregressive moving average-exogenous) dan dapat
dianalisis dengan metode-metode yang biasa diterapkan untuk menganalisis deret
waktu vektor, seperti pendekatan ruang keadaan dan Kalman filter. Dalam tesis
ini, dikembangkan tahap-tahap iteratif untuk menganalisis deret waktu spasial
dengan memandangnya sebagai model VARMA-X. Tahap-tahap ini diterapkan
dalam menganalisis berbagai jenis data, baik data artifisial yang dibangkitkan dari
model GSTARMA-X yang telah diketahui, maupun data nyata yang modelnya perlu
diidentifikasi terlebih dahulu. Data artifisial yang dibangkitkan dari tiga kondisi
model, yakni model GSTARMA-X yang stasioner dan invertibel, stasioner dan
tidak invertibel, dan invertibel dan tidak stasioner. Data nyata yang dianalisis
adalah banyaknya kasus aktif COVID-19 di Kota Bandung pada 22 Juli 2021 s.d.
1 Maret 2022 dengan variabel masukan berupa banyakya penduduk Kota Bandung
yang divaksinasi pada periode waktu tersebut, dan banyaknya kasus terkonfirmasi
COVID-19 di Pulau Jawa pada 1 Januari 2021 s.d. 31 Oktober 2021 dengan variabel
masukan berupa perubahan mobilitas penduduk ke tempat kerja pada periode waktu
tersebut. Dalam menganalisis data artifisial, diperoleh kesimpulan bahwa penerapan
Kalman filter dapat mengestimasi data yang tidak stasioner dengan sangat baik,
namun menyebabkan hasil forecast yang buruk jika diterapkan pada data yang tidak
invertibel. Dalam menganalisis data nyata, diperoleh kesimpulan bahwa modelmodel
yang cocok untuk memodelkan banyaknya kasus aktif COVID-19 di Kota Bandung adalah GSTARMA-X(11, 01)-(01, 11) dan GSTARMA-X(11, 11)-(01, 11),
sedangkan model yang cocok untuk memodelkan banyaknya kasus aktif COVID-19
di Pulau Jawa adalah GSTARMA-X(11, 11)-(01, 21). Akan tetapi, meskipun modelmodel
tersebut menunjukkan galat yang kecil dan cocok dengan data asli secara
visual, ketiganya tidak melewati tahap uji diagnostik.