digilib@itb.ac.id +62 812 2508 8800

PEMODELAN DATA KRIMINALITAS DI BANDUNG MENGGUNAKAN METODE GENERALIZED SPACE-TIME AUTOREGRESSIVE (GSTAR) DENGAN PENCILAN

Penulis : Josephine Nathania Wilianto [10120088]
Kontributor / Dosen Pembimbing :
  • Dr. Utriweni Mukhaiyar, S.Si., M.Si.
Jenis Koleksi : Tugas Akhir
Tahun Terbit :
Penerbit : Matematika
Fakultas : Fakultas Matematika dan Ilmu Pengetahuan Alam
Subjek :
Kata Kunci : GSTAR, Pencilan, Kriminalitas, Ruang-Waktu
Sumber :
Staf Input/Edit : Dwi Ary Fuziastuti  
File : 1 file
Tanggal Input : 13 Sep 2024

Generalized Space-Time Autoregressive (GSTAR) merupakan model ruang-waktu yang dapat digunakan untuk memodelkan data kriminalitas dengan mengikutsertakan pengaruh antar lokasi. Pengaruh antar lokasi direpresentasikan oleh matriks bobot spasial. Salah satu faktor yang dapat mempengaruhi pemodelan GSTAR adalah keberadaan pencilan. Pencilan atau Outlier merupakan data yang secara signifikan berbeda dari pola data lainnya. Terdapat dua jenis pencilan yaitu Innovational dan Additive Outlier. Pada tugas akhir ini, akan dilakukan 5 macam pemodelan yaitu model GSTAR terhadap data mingguan, model GSTAR terhadap data bulanan, model GSTAR dengan faktor pencilan, model ARIMA, dan model ARIMA dengan faktor pencilan. Pada model GSTAR, pencilan dideteksi menggunakan boxplot dan diasumsikan merupakan Innovational Outlier, sementara pada model ARIMA, pencilan dideteksi menggunakan prosedur iteratif. Berdasarkan hasil pemodelan, GSTAR(3;1,1,1) adalah model GSTAR terbaik terhadap data mingguan, GSTAR(2;1,1) adalah model GSTAR terbaik terhadap data bulanan. Selain itu dimodelkan juga GSTAR(1;1) dengan faktor pencilan, Perbandingan antar model GSTAR menunjukkan bahwa model GSTAR(2;1,1) merupakan model yang memenuhi uji residual, stasioner, dan plot kecocokan model menunjukkan kesesuaian dengan data asli yang sesuai. Hasil pemodelan GSTAR(1;1) dengan faktor pencilan menunjukkan bahwa parameter pencilan tidak memberikan pengaruh yang signifikan terhadap model GSTAR. Pemodelan ARIMA dengan faktor pencilan menunjukkan bahwa parameter pencilan memberikan pengaruh yang terlalu signifikan pada model ARIMA yang menyebabkan ketidaksesuaian dengan data asli. Oleh karena itu disimpulkan bahwa pemodelan ARIMA tanpa faktor pencilan lebih cocok untuk data kriminalitas di Bandung daripada model ARIMA dengan faktor pencilan. Hasil perbandingan antara model GSTAR dan model ARIMA menunjukkan bahwa model GSTAR(2;1,1) memberikan hasil prediksi yang paling akurat diantara seluruh model lainnya yang didukung oleh kestasioneran model dan uji residual yang terpenuhi.

Artikel Terkait