Perbandingan Matriks Bobot Invers Jarak dan Bobot Seragam pada Model Gstar (1;1) untuk Data Indeks Harga Konsumen (Studi Kasus: Indeks Harga Konsumen di Kalimantan Barat)

Abstract

Kejadian yang berhubungan dengan kejadian-kejadian di masa lalu seringkali dijumpai dalam kehidupan sehari-hari. Perkembangan mengenai analisis deret waktu memunculkan gagasan bahwa beberapa data dari suatu kejadian tidak hanya mempunyai keterkaitan dari kejadian-kejadian pada waktu sebelumnya, tetapi juga mempunyai keterkaitan dengan lokasi disekitarnya. Model Generalized Space Time Autoregressive (GSTAR) digunakan untuk memodelkan data deret waktu yang juga mempunyai keterikatan antar waktu dan lokasi (space time). Salah satu keunikan dari model GSTAR adalah keberadaan matriks bobot. Matriks bobot pada model GSTAR menunjukkan hubungan antar lokasi. Pada penelitian ini, matriks bobot yang digunakan adalah bobot seragam dan invers jarak. Studi kasus yang digunakan yaitu data Indeks Harga Konsumen (IHK) tiga lokasi di Kalimantan Barat yang meliputi Kota Pontianak, Kota Singkawang, dan Kabupaten Sintang pada periode Januari 2020 hingga April 2023. Penelitian ini bertujuan untuk membandingkan kedua matriks bobot invers jarak dan seragam. Selanjutnya memilih model GSTAR terbaik berdasarkan nilai dengan orde model GSTAR dibatasi pada orde (1;1) dengan nilai AIC, RMSE, dan MAPE terbaik. Perkembangan indeks harga konsumen antar kota selain memiliki keterkaitan pada waktu sebelumnya juga memiliki keterkaitan antar lokasi. Langkah-langkah yang dilakukan adalah uji stasioner data, identifikasi orde, estimasi parameter, serta uji diagnostik. Hasil penelitian menunjukan model yang didapat berdasarkan bobot invers jarak dan bobot seragam menggambarkan adanya keterikatan waktu dan lokasi yang ada, hal ini ditunjukkan dengan adanya parameter yang signifikan mempengaruhi lokasi satu dan lokasi lainnya. Model terbaik yang dihasilkan adalah model GSTAR(1;1) dengan bobot seragam, karena memiliki nilai rata-rata RMSE terkecil Sehingga akan memberikan nilai peramalan dengan kesalahan yang lebih kecil dibandingkan dengan model dengan bobot invers jarak