Perpustakaan Digital ITB

Pada data runtun waktu (time series) yang digunakan dalam pemodelan ruang waktu (space-time) dapat ditemukan pola linier dan nonlinier terutama pada data yang berdimensi besar atau memiliki karakteristik yang sulit diidentifikasi. Pemodelan ruang waktu yang biasa digunakan yaitu model GSTAR hanya mampu mendeteksi pola linier pada data sehingga model yang dikonstruksi belum maksimal dalam merepresentasikan data. Untuk mendeteksi pola nonlinier pada data digunakan pemodelan Artificial Neural Network (ANN). Kemampuan dari model ANN yaitu dapat mempelajari dan memperoleh informasi dari data yang kompleks dengan bantuan fungsi nonlinier yaitu fungsi aktivasi. Pada tesis ini, dilakukan penggabungan antara model GSTAR dan model ANN dan juga dikembangkan suatu metode matriks bobot yang dibutuhkan dalam membangun model GSTAR, yaitu Minimum Spanning Tree (MST). Metode MST dapat memperlihatkan dengan baik hubungan dan besar pengaruh antar lokasi satu dengan lokasi lainnya. Kemudian, penggabungan model GSTAR-ANN dengan matriks bobot MST digunakan untuk mengolah data kenaikan kasus COVID-19 pada lima provinsi di Pulau Sumatera. Besar kemungkinan penyebaran virus COVID-19 dari satu lokasi ke lokasi lain disebabkan oleh mobilitas masyarakat. Pergerakan masyarakat dilakukan dari satu kota ke kota lain hingga dari satu provinsi ke provinsi lain. Berdasarkan nilai Mean Absolute Percentage Error, diperoleh bahwa model GSTAR-ANN memberikan hasil lebih baik dari model GSTAR dalam estimasi maupun peramalan (forecast), dan penggunaan matriks bobot MST pada dua model tersebut mendapatkan hasil yang sama baiknya dengan matriks bobot konvensional.