Pemodelan Generalized Space Time Autoregressive (Gstar) dalam Peramalan Data Kualitas Udara Pm 2.5

Abstract

Pada revolusi industri 4.0 ini industrialisasi semakin meningkat di dunia, kualitas udara menjadi permasalahan yang tidak dapat terhindarkan di negara berkembang, termasuk beberapa kota besar yang ada di Indonesia. Konsentrasi partikel (PM) merupakan indikator kualitas udara utama karena merupakan polutan udara paling umum yang mempengaruhi kesehatan jangka pendek dan jangka panjang. Salah satu ukuran partikel yang digunakan untuk menganalisis kualitas udara yaitu PM2.5. Partikel PM2.5 memiliki ukuran yang kecil, sehingga memungkinkan mereka melakukan perjalanan lebih dalam ke sistem kardiopulmoner. Jakarta pada bulan Juni 2022 memiliki kondisi udara yang sangat buruk dan menempati posisi pertama dalam daftar kota dengan kualitas udara terburuk di dunia dengan indeks kualitas udara mencapai angka 184 yang menandakan kondisi tidak sehat. Dengan kondisi seperti ini dibutuhkan perhatian lebih, khususnya dalam tiga kota Administrasi yang ada di DKI Jakarta yaitu Jakarta Selatan, Jakarta Pusat dan Jakarta Utara. Peramalan kualitas udara dibutuhkan dalam pengendalian kualitas udara di masa selanjutnya. Salah satu metode yang digunakan untuk melakukan peramalan dengan pertimbangan keterkaitan antara waktu dan lokasi adalah model Generalized Space-Time Autoregressive (GSTAR). Dalam penelitian ini digunakan dua jenis bobot lokasi pada model GSTAR, yaitu bobot lokasi seragam dan bobot lokasi invers jarak. Berdasarkan hasil analisis,diperoleh model GSTAR (51)I(1) dengan bobot lokasi seragam sebagai model terbaik. Hal ini dikarenakan model tersebut memiliki nilai MSE sebesar 296.010 dan MAPE sebesar 18.076 % yang lebih kecil dari model GSTAR (51)I(1) dengan bobot lokasi invers jarak.