Perpustakaan Digital ITB

Model Generalized Space-Time Autoregressive Moving Average (GSTARMA) merupakan model deret waktu ruang-waktu yang mengakomodasi ketergantungan spasial dan temporal secara bersamaan. Pada praktiknya, pemodelan GSTARMA dapat menghasilkan residual yang berkorelasi antarlokasi, sebagaimana ditemukan pada penelitian ini, sehingga pendugaan parameter dilakukan menggunakan pendekatan Seemingly Unrelated Regression (SUR). Penelitian ini mengkaji kontribusi komponen moving average terhadap performa prediksi serta pengaruh panjang data pelatihan terhadap kemampuan model. Sebagai ilustrasi, digunakan data indeks kualitas udara PM2.5 harian dari lima kota di Pulau Jawa selama periode Maret 2024 hingga Desember 2025 dengan tiga kandidat model, dua skema bobot spasial, dan empat skenario panjang data pelatihan. Hasil penelitian menunjukkan bahwa penambahan komponen moving average menurunkan RMSE pengujian pada seluruh skenario, perbedaan performa antara kedua skema bobot relatif kecil, dan penambahan panjang data pelatihan tidak selalu meningkatkan akurasi prediksi. Berdasarkan kemampuan prediksi, GSTARMA(1;1,1;1) dengan bobot invers jarak pada T = 150 dipilih sebagai model yang lebih baik di antara seluruh kandidat.