ABSTRAK MUHAMMAD RIZKY KURNIAWAN
PUBLIC 
BAB 1 Muhammad Rizky Kurniawan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
BAB 2 Muhammad Rizky Kurniawan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
BAB 3 Muhammad Rizky Kurniawan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
BAB 4 Muhammad Rizky Kurniawan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Terbatas  Dwi Ary Fuziastuti
» Gedung UPT Perpustakaan
Model generalized space-time autoregressive (GSTAR) adalah salah satu model
yang dapat digunakan dalam memodelkan proses yang nilai observasinya tidak
hanya melibatkan waktu pengamatan, tetapi juga lokasi pengamatan. Model
GSTAR berasal dari keluarga model generalized space-time autoregressive moving
average (GSTARMA). Kedua model tersebut berturut-turut merupakan analog dari
model autoregressive (AR) dan autoregressive moving average (ARMA) untuk
deret waktu univariat. Deret waktu univariat dapat dimodifikasi untuk memodelkan
proses dengan variansi residu yang tidak konstan, yaitu dengan menggunakan
model generalized autoregressive conditional heteroscedasticity (GARCH). Hal
yang sama dapat dilakukan pada deret waktu spasial. Pada tugas akhir ini,
kenaikan kasus COVID-19 di 30 kecamatan di Kota Bandung pada rentang waktu
26 November 2020 s.d. 31 Maret 2021 dimodelkan menggunakan model GSTAR
dengan mempertimbangkan efek heteroskedastik. Untuk mengidentifikasi model
GSTAR, digunakan matriks bobot seragam, yang mengasumsikan bahwa untuk
setiap kecamatan, setiap tetangga dari kecamatan tersebut memberikan pengaruh
yang sama. Untuk menyederhanakan pemodelan, banyaknya matriks bobot
seragam yang dibangun dibatasi hingga dua matriks, yang dibangun berdasarkan
tetangga orde satu dan dua dari setiap kecamatan. Berdasarkan matriks-matriks
bobot tersebut, model yang mungkin dibangun adalah GSTARI(12) (karena data
melalui proses diferensi). Berdasarkan residu dari model GSTARI ini, model
heteroskedastik yang dibangun adalah GARCH(2,1), dengan parameter-parameter
GARCH untuk lag spasial satu dan dua bernilai sangat kecil. Kenaikan kasus
pada rentang waktu ini kemudian dimodelkan dan dibandingkan dengan data asli.
Hasilnya, model GSTARI(12) dengan efek GARCH(2,1) masih kurang mampu
memodelkan kenaikan kasus COVID-19 di Kota Bandung pada periode ini. Hal
ini terlihat dari nilai MASE untuk sebagian besar kecamatan yang jauh dari satu.