1

A. JUDUL PROGRAM
Judul kegiatan Program Kreativitas Mahasiswa ini adalah “Pemodelan
Jumlah Penderita HIV/AIDS di Bali Terkait dengan Kunjungan Wisatawan
ke Bali dengan Pendekatan Spasial Temporal Menggunakan Metode
Generalized Space-Time Autoregressive”
B. LATAR BELAKANG
Penyakit HIV/AIDS di negara-negara berkembang termasuk di Indonesia
sangat sulit dikontrol. AIDS (Acquired Immunodeficiency Syndrome) adalah
penyakit yang membuat tubuh sulit untuk melawan penyakit menular. HIV
(Human Immunodeficiency Virus) menyebabkan AIDS dengan menginfeksi dan
merusak bagian dari pertahanan tubuh (limfosit) yang merupakan jenis sel darah
putih dalam sistem kekebalan tubuh (berfungsi untuk melawan infeksi). Penyakit
HIV/AIDS dapat ditularkan melalui kontak langsung dengan darah atau cairan
tubuh seseorang yang terinfeksi virus.
Sektor pariwisata memberikan kontribusi yang signifikan terhadap
perekonomian suatu negara. Selain itu, jumlah kunjungan wisatawan di daerah
pariwisata juga dapat dikatakan sebagai penyebab penyebaran penyakit
HIV/AIDS. Hal ini disebabkan oleh tempat hiburan yang memiliki pekerja seks
komersil (Ketshabile, 2010). Pulau Bali merupakan salah satu tempat pariwisata
yang paling banyak diminati, tidak hanya oleh wisatawan domestik tetapi juga
oleh wisatawan mancanegara. Daya tarik wisatawan baik wisatawan domestik
maupun wisatawan mancanegara adalah pada tempat objek pariwisata yang
menjadi salah satu cerminan keindahan Pulau Bali di mata internasional. Namun,
HIV/AIDS di Bali yang menjadi daerah kunjungan wisata favorit dunia
merupakan suatu ancaman yang harus diwaspadai secara serius karena terkenal
berbahaya dan mematikan.
Bukan soal jumlah kunjungan wisatanya yang kini paling dikhawatirkan.
Komisi Penanggulangan AIDS (KPA) Provinsi Bali menunjukkan jumlah
penderita HIV/AIDS terus meningkat. Kasus HIV/AIDS telah tersebar di seluruh
kabupaten/kota se-Bali. Tercatat pengidap penyakit itu sejak pertama kali
ditemukannya penyakit HIV/AIDS di Bali tahun 1987 hingga Agustus 2009
sebanyak 3.047 orang. Pada Oktober 2010 jumlah penderita juga tetap meningkat
hingga sebesar 3.778 kasus. Saat ini jumlah positif penderita HIV/AIDS di Bali
sudah mencapai 4.460 dengan korban meninggal mencapai 392 orang. Namun
dari data KPA Bali jumlahnya jauh lebih besar lagi. Diprediksikan sudah
mencapai 7.000 kasus. minimnya jumlah kasus HIV/AIDS yang dilaporkan ke
KPA Bali merupakan fenomena gunung es. Jumlah pengidap HIV/AIDS
yang terlihat, jauh lebih kecil dari jumlah sebenarnya. Sebagian besar masyarakat
masih enggan memeriksakan diri, karena masih ada stigma dan diskriminasi
terhadap pengidap HIV/AIDS di masyarakat.
Time Series merupakan suatu pengamatan yang tersusun berdasarakan
urutan waktu kejadian dengan interval waktu yang sama. Analisis time series ialah
salah satu metode pemodelan dalam statistika yang didasari dari data masa lalu
dari suatu variabel, yang saling dependen. Analisis time series digunakan untuk
meramalkan struktur probabilistik keadaan yang akan terjadi dimasa yang akan
datang dalam rangka pengambilan suatu keputusan (Wei, 2006). Data time series
dalam kenyatannya tidak hanya terdiri dari satu variabel yang dapat berdiri sendiri
2



namun saling berhubungan dengan data time series yang lain. Pemodelan data
time series dengan dengan mempertimbangkan pengaruh dari variabel lain
seringkali disebut dengan multivariate time series.
Model space time adalah salah satu model yang dapat menggabungkan
unsur dependensi waktu dan lokasi pada suatu data deret waktu multivariate.
Model space time ini pertama kali diperkenalkan oleh Pfeifer dan Deutsch (1980).
Model GSTAR merupakan suatu model time series yang mengikuti model space
time dengan parameter yang tidak harus sama untuk dependensi waktu maupun
dependensi lokasi. Model GSTAR merupakan pengembangan dari metode STAR.
Ada beberapa penelitian sebelumnya yang dilakukan berdasarkan model GSTAR,
Prayoga (2009) menerapkan model GSTAR musiman untuk melakukan
peramalan jumlah kunjungan wisatawan di Bali. Rosmanicke (2009)
menggunakan model GSTARX untuk meramalkan IHK 4 kota di Jawa Timur
dengan menambahkan variabel prediktor berupa kenaikan harga BBM di masing-
masing kota. Sementara itu Ningrum (2010) menggunakan model GSTAR untuk
meramalkan curah hujan di beberapa pos hujan di Kabupaten Ngawi.
Jumlah penderita HIV/AIDS dan jumlah kunjungan wisatawan merupakan
fenomena dengan keheterogenan yang cukup tinggi, dengan demikian model
GSTAR. Selain itu, jumlah penderita HIV/AIDS berkaitan dengan kondisi
lingkungan, waktu, dan mobilitas penduduk serta mobilitas kunjungan wisatawan
ke Bali. Dengan demikian, model yang memungkinkan digunakan ialah model
yang mengakomodasikan adanya faktor waktu dan lokasi (spatio-temporal) yakni
model GSTAR. Model GSTAR yang diperoleh akan digunakan untuk
meramalkan kondisi jumlah penderita HIV/AIDS di Bali dan kondisi jumlah
kunjungan wisatawan ke Bali beberapa bulan bahkan beberapa tahun ke depan.
Selain itu juga akan di lakukan peramalan jumlah penderita HIV/AIDS di Bali
dengan menambahkan satu faktor yaitu kondisi dari jumlah wisatawan yang
berkunjung ke Bali. Faktor tersebut akan digunakan sebagai variabel prediktor
yang diduga akan mempengaruhi jumlah penderita HIV/AIDS di Bali. Penelitian
model GSTAR dengan menambahkan variabel prediktor masih sangat sedikit
dilakukan oleh peneliti-peneliti. Penelitian mengenai penyebaran HIV/AIDS
terkait dengan kunjungan wisatawan pada daerah tersebut masih sangat jarang
dilakaukan. Hal inilah yang mendorong peneliti untuk melakukan pemodelan serta
peramalan jumlah penderita HIV/AIDS di Bali terkait kunjungan wisatawan ke
Bali dengan pendekatan spasial temporal serta harapan informasi yang diperoleh
mampu menginformasikan dan menekan angka penderita HIV/AIDS di Bali yang
disebabkan oleh sektor pariwisata.
C. PERUMUSAN MASALAH
Berdasarkan latar belakang yang telah diuraikan, permasalahan dalam
penelitian ini adalah sebagai berikut
1. Bagaimana deskripsi penyebaran penderita HIV/AIDS di Kabupaten Badung,
Gianyar, dan Denpasar Bali?
2. Bagaimana pemodelan jumlah penderita HIV/AIDS di Bali terkait kunjungan
wisatawan ke Bali dengan pendekatan spasial temporal?
D. TUJUAN
Berdasarkan permasalahan yang telah diuraikan, maka tujuan dari
penelitian ini adalah sebagai berikut
3



1. Mendapatkan deskripsi penyebaran penderita HIV/AIDS di di Kabupaten
Badung, Gianyar, dan Denpasar Bali.
2. Mendapatkan pemodelan jumlah penderita HIV/AIDS di Bali terkait kunjungan
wisatawan ke Bali dengan pendekatan spasial temporal.
E. LUARAN
Luaran yang diharapkaan dari penelitian ini adalah sebagai berikut
1. Artikel ilmiah tentang jumlah penderita HIV/AIDS di di Kabupaten Badung,
Gianyar, dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten
tersebut dengan pendekatan spasial temporal.
2. Jurnal ilmiah mengenaai jumlah penderita HIV/AIDS di Kabupaten Badung,
Gianyar, dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten
tersebut dengan pendekatan spasial temporal.
3. Publikasi kepada masyarakat dan pemerintah provinsi Bali dengan diadakannya
seminar mengenai jumlah penderita HIV/AIDS di Kabupaten Badung, Gianyar,
dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten tersebut
dengan pendekatan spasial temporal.
F. KEGUNAAN PROGRAM
Kegunaan dari program penelitian ini adalah memberikan pemahaman
serta informasi kepada pemerintah provinsi Bali dan masyarakat mengenai adanya
hubungan antara jumlah penderita HIV/AIDS dengan kunjungan wisatawan ke
Bali. Selain itu kegunaan dari penelitiaan ini adalah memperoleh peramalan
mengenai jumlah penderita HIV/AIDS terkait dengan hubungannya terhadap
kunjungan wisatawan ke Bali sehingga dapat memberikan early warning kepada
pemerintah provinsi Bali dan masyarakat.
G. TINJAUAN PUSTAKA
Pada bagian ini diuraikan beberapa teori dan kajian pustaka terkait yang
mendukung penyelesaian permasalahan dalam penelitian ini. Terdapat beberapa
hal yang akan dibahas pada bab ini, yaitu multivariate time series, model GSTAR,
pemilihan model terbaik.
G.1 Model GSTAR (Generalized Space-Time Autoregressive)
Model GSTAR merupakan suatu model yang lebih fleksibel sebagai
generalisasi dari model STAR. Model STAR adalah model yang dikategorikan
berdasarkan lag yang berpengaruh secara linier baik dalam lokasi dan waktu
(Pfeifer and Deutsch, 1980). Model GSTAR merupakan suatu model yang lebih
fleksibel sebagai generalisasi dari model STAR. Secara matematis, notasi dari
model GSTAR(p
1
) adalah sama dengan model STAR(p
1
). Perbedaan utama dari
model GSTAR(p
1
) ini terletak pada nilai-nilai parameter pada lag spasial yang
sama diperbolehkan berlainan. Dalam notasi matriks, model GSTAR(p
1
) dapat
ditulis sebagai berikut:
| | (t) 1) (t (t)
p
1 k
k1 k0 i i i
e + ÷ + =
¿
=
Z W Φ Φ Z
 
(1)
dimana ( )
N
k0
1
k0 k0
diag | | , , Φ  = dan ( )
N
k1
1
k1 k1
diag | | , , Φ  = , bobot-bobot dipilih
sedemikian hingga 0 =
ii
w dan
¿
=
=
j i ij
w 1.
4



Sebagai contoh, model GSTAR(1
1
) untuk kasus produksi minyak pada
suatu waktu di tiga lokasi yang berbeda dapat ditulis sebagai berikut:
| | ( ) (t) 1 t (t)
11 10 i i i
a + ÷ + = Z W Φ Φ Z
 
(2)
atau
(
(
(
¸
(

¸

+
(
(
(
¸
(

¸

÷
÷
÷
|
|
|
|
.
|

\
|
(
(
(
¸
(

¸

(
(
(
¸
(

¸

+
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

) (
) (
) (
) 1 (
) 1 (
) 1 (
0
0
0

0 0
0 0
0 0
0 0
0 0
0 0
) (
) (
) (
3
2
1
3
2
1
32 31
23 21
13 12
31
21
11
30
20
10
3
2
1
t e
t e
t e
t z
t z
t z
w w
w w
w w
t z
t z
t z






|
|
|
|
|
|
(3)
Pemilihan atau penentuan bobot lokasi merupakan salah satu permasalahan
utama pada pemodelan GSTAR. Beberapa cara penentuan bobot lokasi telah
banyak digunakan dalam aplikasi model GSTAR. Bobot lokasi seragam seringkali
digunakan pada kasus data deret waktu dan lokasi yang berada pada lokasi yang
homogen karena terdapat keterkaitan spasial dianggap bernilai sama. Bobot lokasi
biner ialah bobot dengan nilai 0 atau 1. Nilai tersebut dipakai bergantung dengan
suatu batasan tertentu. Jarak yang lebih dekat diduga mempunyai hubungan yang
lebih kuat. Bobot lokasi invers jarak merupakan cara untuk melihat keterkaitan
lokasi berdasar-kan pada jarak antar lokasi yang akan diteliti. Jarak lokasi yang
terhitung kemudian dinormalisasi dalam bentuk indeks untuk menghasilkan
matriks bobot. Bobot lokasi dari hasil normalisasi korelasi silang antar lokasi pada
lag waktu yang bersesuaian pertama kali diperkenalkan oleh Suhartono dan Atok
(2005) yang selanjutnya oleh Borovkova (2008) disebut dengan bobot yang
sebanding dengan korelasi silang waktu sebelumnya yang bersesuaian.
G.3 Estimasi Parameter Model GSTAR
Penaksiran parameter model GSTAR dapat dilakukan dengan
menggunakan metode kuadrat terkecil dengan cara meminimumkan jumlah
kuadrat simpangannya atau metode least square (Borovkova dkk, 2008) dengan
mengambil orde autoregresi, p = 1 dan orde spasial λ
p
= 1 maka Persamaan (1)
dapat diturunkan ke dalam bentuk model GSTAR sebagai berikut:
(t) 1 1 (t)
1
1 0 i
N
j
j ij i i i i
a t w t ¿
=
+ ÷ + ÷ = ) ( Z ) ( Z Z
  
| | (4)
( )
i
Z t menyatakan observasi pada waktu t = 1,2,...,T di lokasi i = 1,2,...,N
dengan parameter regresi waktu
i 0
| dan spasial
i 1
| dimana
ij
w menyatakan bobot
lokasi i terhadap lokasi j. Metode kuadrat terkecil sering dilakukan dalam
melakukan penaksiran parameter terhadap suatu model linier. Metode ini juga
diterapkan pada model GSTAR(1
1
)-(1)
12
yang dapat ditulis dalam bentuk linier
sebagai berikut:
u β X Z + = (5)
Model persamaan untuk lokasi ke-i dapat ditulis sebagai
i i i i
u β X Z + = dengan
.
Hal ini berarti estimator least square untuk dapat dihitung secara
terpisah pada masing-masing lokasi namun tetap bergantung pada nilai di
lokasi yang lain. Estimasi parameter menggunakan penaksir least square dengan
formula sebagai berikut,

| |
Z X X X β '
÷
' =
1
(6)
0 1
( , )'
i i i
| | | =
i
|
( ) Z t
5



G.4 Kriteria Pemilihan Model Terbaik
Pemilihan model terbaik dapat dilakukan berdasarkan kriteria in sample
dan out sample. Kriteria in sample yang digunakan adalah Akaike’s Information
Criterion (AIC), sedangkan kriteria out sample yaitu dengan memperhatikan nilai
Mean Square Error (MSE) atau Root Mean Square Error (RMSE). Berikut
penjelasan mengenai masing-masing kriteria.
a. Akaike’s Information Criterion (AIC)
AIC merupakan kriteria pemilihan model yang mempertimbangkan
banyaknya parameter dalam model. AIC dapat dirumuskan sebagai berikut (Wei,
2006).
(7)
atau dapat juga ditulis dalam persamaan berikut :
(8)
Orde optimal dari model dipilih berdasarkan nilai dari M yang merupakan fungsi
dari p dan q, sehingga menghasilkan nilai AIC(M) minimum.
b. Root Mean Square Error (RMSE)
RMSE digunakan untuk memperoleh gambaran keseluruh-an standar
deviasi yang muncul saat menunjukkan perbedaan antara model atau hubungan
yang dimiliki. RMSE dapat dihitung dengan menggunakan rumus sebagai berikut:
( ) ¿
=
+
÷ = =
M
i
n i n
i
M
MSE RMSE
1
2 1
) ( Z
ˆ
Z
(9)
dimana merupakan banyak ramalan yang dilakukan. Nilai RMSE berkisar
antara 0 sampai ∞. Semakin kecil nilai RMSE maka model semakin bagus.
G.5 HIV dan AIDS
HIV (Human Immunodeficiency Virus) adalah sejenis virus yang
menurunkan kekebalan tubuh manusia, yang termasuk ke dalam golongan
retrovirus, dan dapat ditemukan dalam cairan tubuh manusia. AIDS (Acquired
Immune Deficiency Syndrome) merupakan kumpulan sindrom yang fatal karena
terjadi kerusakan yang progresif pada sistem kekebalan tubuh sehingga
menyebabkan manusia sangat rentan dan mudah terjangkit beberapa penyakit
tertentu. penyakit-penyakit tersebut disebabkan oleh berbagai jenis protozoa,
cacing, jamur, bakteri, virus, dan kanker.
Penyakit HIV/AIDS di negara-negara berkembang termasuk di Indonesia
sangat sulit dikontrol. AIDS (Acquired Immunodeficiency Syndrome) adalah
penyakit yang membuat tubuh sulit untuk melawan penyakit menular. HIV
(Human Immunodeficiency Virus) menyebabkan AIDS dengan menginfeksi dan
merusak bagian dari pertahanan tubuh (limfosit), yang merupakan jenis sel darah
putih dalam sistem kekebalan tubuh (berfungsi untuk melawan infeksi) yang
seharusnya untuk melawan kuman. Penyakit HIV/AIDS dapat ditularkan melalui
kontak langsung dengan darah atau cairan tubuh seseorang yang terinfeksi virus.
G.6 Pariwisata Bali
Pulau Bali merupakan salah satu tempat pariwisata yang paling banyak
diminati tidak hanya oleh wisatawan domestik tetapi juga oleh wisatawan
mancanegara. Bali merupakan destinasi utama wisatawan internasional dari
AIC( ) 2 ln[maximum likelihood] 2 M M = ÷ +
2
ˆ AIC( ) ln 2
a
M n M o = +
M
6



berbagai dunia, telah beberapa kali mendapat predikat sebagai salah satu pulau
yang menjadi tujuan pariwisata terbaik di dunia atau “The Best Destination in the
World” hal ini merupakan tantangan bagi Bali untuk mempertahankan citra
pariwisata Bali dimata internasional. Oleh karena itu, daya tarik wisatawan baik
wisatawan domestik maupun wisatawan mancanegara adalah pada tempat objek
pariwisata yang menjadi salah satu cerminan keindahan Pulau Bali di mata
internasional (Dinas Pariwisata Bali, 2010).

H. METODOLOGI PENELITIAN
Pada bagian ini dijelaskan tahapan-tahapan analisis data yang digunakan
dalam menyelesaikan permasalahan yang ada pada penelitian ini. Metode analisis
statistik yang digunakan adalah metode Generalized Space Time Autoregression
(GSTAR).
H.1 Sumber Data
Sumber data yang digunakan dalam penelitian ini adalah data sekunder,
yaitu jumlah penderita HIV/AIDS di Kabupaten Badung, Denpasar, dan Gianyar
setiap bulannya dari tahun 2006 sampai 2010 yang diperoleh dari Dinas
Kesehatan Provinsi Bali.
Variabel yang digunakan dalam penelitian terdiri dari variabel dependen
dan variabel independen. Variabel dependen yang digunakan adalah jumlah
penderita HIV/AIDS di Kabupaten Badung, Denpasar, dan Gianyar dari tahun
2006 sampai 2010. Sedangkan variabel independen yang digunakan adalah hasil
lag dari jumlah penderita HIV/AIDS di ketiga kabupaten tersebut.
H.2 Langkah Penelitian
Tahapan atau langkah-langkah penelitian yang akan dilakukan dalam
penelitian ini adalah sebagai berikut:
1. Menguji stasioneritas data baik secara univariate maupun multivariate.
Pengujian stasioneritas secara univariate dilakukan dengan melihat plot ACF
dan PACF serta dengan plot Box-Cox. Sedangkan pengujian stasioneritas
untuk data multivariate, dilakukan dengan melihat plot MACF dan MPACF
serta plot Box-Cox. Serta menentukan orde waktunya dari MACF dan PACF.
2. Setelah asumsi stasioneritas data terpenuhi maka dilanjutkan dengan
menganalisis data dengan menggunakan 4 jenis bobot lokasi yaitu bobot
seragam, bobot inverse jarak, dan bobot berdasarkan normalisasi korelasi
silang antar lokasi pada lag waktu yang sesuai.
3. Setelah mendapatkan bobot lokasi maka dilakukan analisis menggunakan
GSTAR untuk mencari model ramalan yang sesuai dengan kasus riil yang
diteliti dan mengestimasi parameternya.
4. Tahap selanjutnya adalah melakukan pengujian asumsi dari residual dari
model GSTAR yang diperoleh agar model tersebut layak digunakan untuk
menjelaskan kasus riil.
5. Selanjutnya dilakukan pemilihan model terbaik dengan membandingkan
model yang didapat untuk menentukan bobot lokasi terbaik.
6. Melakukan peramalan jumlah penderita HIV / AIDS di Bali didasarkan pada
nilai taksiran parameter dari bobot lokasi yang paling optimal.
7. Penyusunan laporan penelitian.
8. Melakukan bimbingan penelitian dengan dosen pembimbing yang sudah
ditentukan
7



Langkah-langkah penelitian juga dapat dilihat pada diagram alir yang
ditunjuk-kan dalam Gambar 2.























Gambar 2 Diagram Alir Analisis Penelitian

Identifikas orde waktu model
dari plot MACF dan MPACF
Penentuan model dan estimasi
parameter
Penentuan Bobot Lokasi pada
model GSTAR
Pengujian asumsi residual
Peramalan
Selesai
Pemilihan odel terbaik
berdasarkan bobot lokasi
Ya
Tidak
Mulai
Data Deret Waktu dan Lokasi
(Jumlah Penderita HIV /
AIDS di Bali dan Jumlah
Kunjungan Wisatawan ke
Bali)
Identifikasi apakah data
telah Stasioneritas
Data di Differencing atau
di transformasi
8



I. HASIL PENELITIAN
I.1 Statistik Deskriptif
Analisis awal terhadap data penderita HIV/AIDS di Kabupaten Badung,
Denpasar, dan Gianyar dilakukan dengan melihat statistic deskriptif dari data
tersebut.
Tabel 1 Statistik Deskriptif Jumlah Penderita HIV/AIDS di Kabupaten Badung, Kota Madya
Denpasar, dan Kabupaten Badung
Variable Rata-rata Standar Deviasi Koefisien Variasi Minimum Maksimum
Badung 6.433 3.446 53.57 1 16
Denpasar 20.48 10.86 53.02 6 57
Gianyar 2.75 2.542 92.44 0 14
Tabel 1 di atas menunjukkan bahwa rata-rata jumlah penderita HIV/AIDS
terbanyak dari ketiga kabupaten di Provinsi Bali tersebut terdapat di Kota
Denpasar, yaitu sebanyak 20,48 atau 21 orang per bulan. Sedangkan di Kabupaten
Badung rata-rata jumlah penderita HIV/AIDS per bulannya sebanyak 6,433 atau 7
orang per bulan, dan Kabupaten Gianyar sebanyak 2,75 atau 3 orang per bulan.
Persebaran data penderita HIV/AIDS terhadap rata-rata di Kabupaten Badung
sebesar 3.446 atau sekitar kurang lebih 4 orang. Sedangkan di Kota Denpasar
sebesar kurang lebih 11 orang, dan di Kabupaten Gianyar sekitar kurang lebih 3
orang. Koefisien variasi di maisng-masing kabupaten meunjukkan angka yang
relatif tinggi. Ini mengindikasikan bahwa perubahan jumlah penderita HIV di
ketiga kabupaten tersebut memiliki fluktuasi yang tinggi, terutama di Kabupaten
Gianyar. Angka penderita HIV/AIDS terendah yang pernah tercatat di Kabupaten
Badung adalah sebesar 1 orang, sedangkan di Kota Denpasar sebanyak 6 orang,
dan nilai minimum dari pendertia HIV/AIDS di Kabupaten Gianyar adalah nol
atau tidak ada sama sekali. Sedangkan jumlah penderita HIV/AIDS terbanyak
yang tercatat di Kabupaten Badung adalah 16 orang, Di Kota Denpasar sebanyak
57 orang, dan di Kabupaten Gianyar sebanyak 14 orang.
Untuk melihat pola pergerakan dari jumlah penderita HIV/AIDS yang tercatat
di tiga kabupaten ini digunakan alat berupa time series plot.
9



60 54 48 42 36 30 24 18 12 6 1
60
50
40
30
20
10
0
Index
D
a
t
a
badung
denpasar
gianyar
Variable

Gambar 2 Time Series Plot
Time series plot di atas menunjukkan bahwa pola persebaran data penderita
HIV/AIDS di Kota Denpasar berada di atas Kabupaten Badung dan Gianyar
dengan rentang persebaran yang juga terlebar di antara ketiganya. Rata-rata
jumlah penderita HIV/AIDS di ketiga kabupaten tersebut cenderung terlihat
konstan dari bulan ke bulan. Akan tetapi rentang persebaran dari data ketiga
kabupaten ini nampak masih belum konstan.
I.2 Pengujian Kestasioneran Data
Dalam pengolahan data time series, terdapat suatu asumsi yang hrus dipenuhi
sebelum melakukan analisis lebih jauh terhadap data. Asumsi tersebut adalah
kestasioneran data. Kestasioneran data dilihat dari dua parameter, yaitu stasioner
terhadap varians dan mean. Kestasioneran terhadap varians dapat diatasi dengan
menggunakan Box-Cox Transformation.
I.2.1 Kestasioneran terhadap Varians
Suatu data time series dapat diketahui stasioner terhadap varians atau tidak
dengan menggunakan Box-Cox Transformation. Hasil pengujian kestasioneran
varians dengan Box-Cox Transformation dari data penderita HIV/AIDS pada
ketiga kabupaten di Provinsi Bali ditampilkan dalam tabel 2 berikut.
Tabel 2 Hasil Transformasi Box-Cox
Kabupaten Batas Atas Batas Bawah
Badung 0.86 0
Denpasar 0.3 -0.26
Gianyar 0.53 -0.29
Dari hasil Box-Cox Transformation di atas diperoleh informasi bahwa nilai
batas bawah dan batas atas dari lambda untuk data penderita HIV/AIDS di ketiga
10



kabupaten tersebut tidak melewati nilai 1. Hal ini menunjukkan nilai varians dari
ketiga data tersebut tidak stasioner. Maka dari itu perlu dilakukan transformasi
terhadap data tersebut sehingga menjadi stasioner terhadap varians.
I.2.2 Kestasioneran terhadap Mean
Untuk melihat apakah suatu data time series sudah stasioner terhadap mean
atau tidak, perlu dilakukan pengujian. Pengujian yang dilakukan adalah uji
Dickey-Fuller, dengan statistik uji yang digunakan adalah P-value. Data tersebut
akan dikatakan stasioner terhadap mean jika nilai P-value dari hasil pengujian
lebih kecil dari nilai α yang titetapkan (0,05). Hasil pengujian Dickey-Fuller untuk
data penderita HIV/AIDS di Kabupaten Badung, Denpasar, dan Gianyar
ditampilkan dalam tabel 4.2 berikut.
Tabel 2 Hasil Pengujian Dickey-Fuller untuk Data Penderita HIV/AIDS
Variabel
Zero Mean Single Mean Trend
Prob<Rho Prob<Tau Prob<Rho Prob<Tau Prob<Rho Prob<Tau
Badung 0,4767 0,4623 0,0005 0,0007 0,0001 0,0012
Denpasar 0,4821 0,4045 0,0005 0,0004 0,0001 0,0035
Gianyar 0,2207 0,2560 0,0005 0,0007 0,0001 <0,0001
Hasil pengujian Dickey-Fuller pada Tabel 2 menghasilkan nilai probabilitas
statistik uji untuk zero mean dari data penderita HIV/AIDS di ketiga Kabupaten di
Bali lebih besar dari nilai α = 0,05. Hal ini menjelaskan bahwa data belum dalam
keadaan stasioner pada mean, maka perlu dilakukan differencing. Setelah
dilakukan differencing pada lag-1 maka hasil pengujian Dickey-Fuller diperoleh
sebagai berikut.
Tabel 3 Hasil Pengujian Dickey-Fuller untuk Data Penderita HIV/AIDS Setelah Mengalami
Differencing
Variabel
Zero Mean Single Mean Trend
Prob<Rho Prob<Tau Prob<Rho Prob<Tau Prob<Rho Prob<Tau
Badung 0,0001 <0,0001 0,0001 0,0001 0,0001 <0,0001
Denpasar 0,0001 <0,0001 0,0001 0,0001 0,0001 <0,0001
Gianyar 0,0001 <0,0001 0,0001 0,0001 0,0001 <0,0001
Tabel 3 menunjukkan bahwa data telah berada pada keadaan stasioner
terhadap mean. Hal tersebut diperlihatkan oleh nilai probabilistik zero mean,
single mean, dan trend sudah lebih kecil dari nilai α = 0,05. Berikut adalah time
series plot untuk data yang sudah stasioner.
11



60 54 48 42 36 30 24 18 12 6 1
2
1
0
-1
-2
Index
D
a
t
a
Badung
Denpasar
Gianyar
Variable

Gambar 3 Time Series Plot yang Sudah Stasioner
Karena time series plot dari data jumlah penderita HIV/AIDS sudah
stasioner, maka analisis dapat dilakukan ke tahap selanjutnya.
I.3 Identifikasi Model GSTAR
Identifikasi model dilakukan untuk memperoleh lag waktu dari model GSTAR
yang sesuai dengan data jumlah pederita HIV/AIDS di Kabupaten Badung, Kota
Madya Denpasar, dan Kabupaten Gianyar. Identifikasi model dilakukan dengan
menggunakan kriteria minimum Akaike’s Information Criterion (AIC). Kriteria
minimum AIC dipilih karena memberikan nilai AIC tiap orde sehingga dapat
dibandingkan dan ditentukan lag waktu yang sesuai untuk model GSTAR dari
data jumlah penderita HIV/AIDS di ketiga tempat tersebut. Nilai AIC dari tiap
lagi ditunjukkan pada Tabel 4.
Tabel 4 Nilai Akaike’s Information Criterion (AIC)
Lag MA(0) MA(1) MA(2) MA(3)
AR(0) -6.456 -7.104 -7.054 -6.662
AR(1) -6.891 -6.888 -6.840 -6.527
AR(2) -6.946 -6.701 -6.655 -6.625
AR(3) -7.118 -6.662 -6.536 -6.214
Nilai minimum AIC terletak pada model AR(3), hal tersebut ditujukkan oleh
hasil pengujian kriteria minimum AIC. Sehingga dugaan lag waktu yang sesuai
untuk model GSTAR dari data jumlah penderita HIV/AIDS di Kabupaten
Badung, Kota Madya Denpasar, dan Kabupaten Gianyar adalah AR(3).


12



I.4 Penaksiran Parameter Model GSTAR dengan Bobot Lokasi Seragam
Pembentukan model GSTAR dengan menggunakan bobot lokasi seragam
digunakan untuk data deret waktu dengan lokasi yang homogen sehingga
keterkaitan lokasi dianggap memiliki nilai yang sama. Bobot lokasi yang seragam
ini akan menghasilkan suatu model dengan nilai koefisien yang menyatakan
kaitan antara jumlah penderita HIV/AIDS di masing-masing lokasi terhadap
jumlah penderita HIV/AIDS di suatu lokasi pada suatu waktu tertentu adalah
sama.
Hasil penaksiran parameter pada model GSTAR dengan bobot lokasi seragam
pada data jumlah penderita HIV/AIDS di tiga kabupaten di Bali ditampilkan
dalam tabel 5 (a) berikut.
Tabel 5 Hasil Taksiran Model GSTAR: (a) pada bobt seragam, (b) pada bobot invers jarak
Parameter Nilai Taksiran P-value

Parameter
Nilai
Taksiran
P-value

0.3229 0.004

0.3208 0.005

-0.023 0.986

-0.025 0.985

0.0296 0.807

0.0297 0.807

0.1118 0.641

0.0864 0.654

-0.0053 0.973

-0.0069 0.965

0.1752 0.454

0.1139 0.487

-0.0265 0.814

-0.0294 0.795

0.108 0.932

0.108 0.932

0.0547 0.643

0.053 0.653

0.2097 0.371

0.182 0.333

-0.0068 0.964

-0.0056 0.97

0.2182 0.36

0.1664 0.316

-0.0281 0.797

-0.0317 0.772

0.137 0.916

0.134 0.919

0.1145 0.341

0.1141 0.342

0.167 0.484

0.1482 0.439

-0.0142 0.926

-0.0126 0.934

0.1683 0.466

0.1161 0.471
(a) (b)
Tabel 5 (a) menunjukkan bahwa hanya terdapat satu parameter yang
signifikan pada model GSTAR, yaitu

dengan P-value senilai 0,004 yang
lebih kecil dari nilai α (0,05). Kemudian dilakukan penambahan variable dummy
untuk masing-masing kabupaten pada model. Penambahan variable dummy ini
berdasarkan pada pengaruh kunjungan wisatawan di ketiga kabupaten tersebut
yang diasumsikan memberikan pengaruh yang berbeda terhadap junlah penderita
HIV/AIDS. Hasil taksiran model GSTAR setelah dilakukan penambahan variable
13



dummy tetap menunjukkan hanya terdapat satu variable yang siginifikan, yaitu
variabel

atau

yang artinya jumlah penderita HIV/AIDS pada
bulan ini berkaitan dengan jumlah penderita HIV/AIDS di satu bulan sebelumnya.
Sedangkan jumlah penderita HIV/AIDS tidak ada kaitannya dengan pengaruh
kunjungan wisatawan ke tiga kabupaten ini.
Untuk menentukan model yang sesuai maka perlu dilakukan pemilihan model
terbaik dengan metode stepwise. Hasil yang diperoleh adalah variabel yang
signifikan untuk dimasukkan ke dalam model adalah variabel

atau Z
1(t-1)
,
sama seperti hasil penaksiran parameter yang telah dilakukan. Nilai penaksir
parameter β dari variabel ini adalah 0,34. Sehingga model dugaan untuk bobot
seragam adalah

I.5 Penaksiran Parameter Model GSTAR dengan Bobot Lokasi Invers Jarak
Pembentukan model GSTAR dengan menggunakan bobot lokasi invers jarak
merupakan suatu metode yang digunakan untuk mengetahui kaitan antara lokasi
dan jumlah penderita HIV/AIDS di tiga kabupaten di Bali, didasarkan pada jarak
yang terbentuk antar kota tersebut.
Hasil penaksiran parameter untuk model GSTAR dengan bobot lokasi invers
jarak pada data jumlah penderita HIV/AIDS di tiga kabupaten di Bali ditampilkan
dalam tabel 5 (b) Tabel 5 (b) di atas menunjukkan bahwa hanya terdapat satu
variable yang signifikan dari model GSTAR tersebut, yaitu variable

dengan
P-value sebesar 0,005 yang lebih kecil dibandingkan α (0,05). Sama halnya
dengan penaksiran parameter pada model GSTAR dengan bobot lokasi seragam,
dalam penaksiran parameter dengan bobot lokasi invers jarak juga ditambahkan
variable dummy pada masing-masing kabupaten. Variabel dummy ini mengandung
informasi bahwa kunjungan wisatawan pada ketiga kebupaten ini memberikan
efek yang berbeda. Dari hasil penaksiran parameter pada model GSTAR setelah
dilakukan penambahan variable dummy menunjukkan bahwa variable yang
signifikan tetap sama, yaitu satu variable.
Kemudian dilakukan pemilihan model terbaik dengan metode stepwise. Dari
proses ini diketahui bahwa variabel yang signifikan untuk dimasukkan ke dalam
model ternyata ada sebanyak dua variabel, yaitu

atau Z
1(t-1)
dan

atau
V
3(t-2)
dengan nilai estimasi parameter masing-masing adalah 0,34 dan 0,28. Maka
model dugaan dengan bobot invers jarak adalah sebagai berikut.
14


I.6 Perbandingan Model
Untuk mengetahui model dugaan mana yang sesuai untuk data HIV/AIDS
tersebut maka dihitung terlebih dahulu nilai akar dari rata-rata kuadrat error
(RMSE) dari hasil peramalannya. Nilai RMSE dari kedua model ditampilkan
dalam tabel 6 berikut.
Tabel 6 Nilai RMSE dari kedua model
Lokasi
HIV/AIDS
RMSE Out-Sampel
Bobot Bobot
Seragam Invers Jarak
Kab. Badung 2.7456 2.7456
Kodya
Denpasar
7.9282 7.9282
Kab. Gianyar 2.8785 2.8626
Total 13.5524 13.5364*
Model yang baik adalah model dengan nilai RMSE yang kecil. Dari tabel di
atas dapat diketahui bahwa model dugaan dengan bobot invers jarak merupakan
model yang lebih baik daripada dengan bobot seragam.
Hasil peramalan dari model dugaan dengan bobot invers jarak dari bulan
Januari sampai Juli 2011 adalah sebagai berikut.
Tabel 7 Hasil Forecast
Bulan Badung Denpasar Gianyar
Januari 7.35755 10 5.91091
Februari 5.67755 17 3.12785
Maret 3.41205 28 3.8253
April 8.20998 14 1.82312
Mei 8.3552 17 6.85448
Juni 1.84765 17 2.06861
Juli 4.37271 16 3.22652


15



J. KESIMPULAN DAN SARAN
J.1 Kesimpulan
Adapun kesimpulan yang diperoleh dari hasil penelitian ini adalah sebagai
berikut.
1. Rata-rata jumlah penderita HIV/AIDS terbanyak terdapat di Kota Denpasar,
yaitu sebanyak 20,48 atau 21 orang per bulan. Sedangkan di Kabupaten
Badung rata-rata jumlah penderita HIV/AIDS per bulannya sebanyak 6,433
atau 7 orang per bulan, dan Kabupaten Gianyar sebanyak 2,75 atau 3 orang
per bulan.
2. Hasil pemodelan jumlah penderita HIV/AIDS di Kabu[aten Badung,
Denpasarm dan Gianyar menunjukkan bahwa jumlah penderita HIV/AIDS
pada bulan ini hanya memiliki keterkaitan dengan jumlah penderita
HIV/AIDS pada 1 bulan sebelumnya. Sedangkan jumlah penderita HIV/AIDS
di ketiga kabupaten tersebut tidak memiliki keterkaitan dengan pengaruh
kunjungan wisatawan di ketiga kabupaten tersebut.
J.2 Saran
Untuk pemerintah Provinsi Bali sebaiknya pencacatan terhadap kasus
penderita HIV/AIDS lebih diperketat karena mengingat jumlah kasus mengenai
pendeerita HIV/AIDS menyerupai gunung es, yakni yang terlihat hany puncaknya
saja. Sedangkan masih terdapat banyak kasus yang tidak tercatat oleh pemerintah.

16



K. DAFTAR PUSTAKA
Borovkova, S.A., Lopuhaa, H.P., dan Nurani, B. (2008). “Generalized STAR
model with experimental weights. In M Stasinopoulos and G Touloumi
(Eds.), Proceedings of the 17th International Workshop on Statistical
Modelling”, Chania, pp. 139-147.
Box, G.E.P., dan Jenkins, G.M. (1976). “Time Series Analysis Forecasting and
Control, 2
nd
Edition”. San Francisco: Holden-Day.
Dinas Pariwisata Bali (2004). “Data Objek dan Daya Tarik Wisata Tahun 2004”.
tidak dipublikasikan, Bali.
Dinas Pariwisata Bali (2008). “Data Objek dan Daya Tarik Wisata Tahun 2008”.
tidak dipublikasikan, Bali.
Dinas Pariwisata Bali (2010). “Data Objek dan Daya Tarik Wisata Tahun 2010.”
tidak dipublikasikan, Bali.
Johnson, Leigh F., Dorrington, Rob E. (2006). Modelling the Deographic Impact
of HIV/AIDS in South Africa and the Likely Impact of Interventions,
“Demographic Research, Vol.14, No.22, pp.541-574”.
Ketshabile, Lisbon S. (2011). Utilising Tourism Potential in Combating the
Spread of HIV/AIDS through Poverty Allevaiation in Rural Areas of
Botswana, “E3 Journal of Business Management and Economics, Vol. 2,
No.1, pp. 001-11”.
Makridakis, S., Wheelwright, S.C., dan McGee, V.E. (1999). “Metode dan
Aplikasi Peramalan”. Jakarta: Erlangga.
Ningrum, S. P. (2010). “Pemodelan Spatio-Temporal dengan metode GSTAR
Pada Data Curah Hujan Bulanan di Kabupaten Ngawi”. Tugas Akhir
Statistika FMIPA-ITS. Surabaya.
Nyabadza, Farai (2008). Modeling HIV/AIDS Prevention by Defense,
“International Journal of Biological and Life Science 4:2”.
Pfeifer, P.E. dan Deutsch, S.J. (1980). A Three Stage Iterative Procedure for
Space-Time Modeling. “Technometrics, Vol. 22, No. 1, pp. 35-47”.
Prayoga, P.A.Y. (2009). “Pemodelan Jumlah Kunjungan Wisatawan Pada Lima
lokasi Wisata di Bali dengan Menggunakan GSTAR Musiman”. Tugas
Akhir Statistika FMIPA-ITS. Surabaya.
Rosmanicke, A. (2009). “Peramalan Indeks Harga Konsumen 4 Kota di Jawa
Timur Menggunakan Model Generalized Space Time Autoregresive”. Tugas
Akhir Statistika FMIPA-ITS. Surabaya.
Suhartono dan Atok, R.M. (2005). “Perbandingan Antara Model VARIMA dan
GSTAR untuk Peramalan Data Deret Waktu dan Lokasi”. Seminar Nasional
Statistika, ITS, Surabaya.
Suhartono dan Subanar. (2007). Some Comments On The Theorem Providing
Stationarity Condition For GSTAR Models In The Paper by Borovkova et al.
“Journal of the Indonesian Mathematical Society. (MIHMI)”. Vol. 13, No. 1,
pp. 44-52. (ISSN: 0854-1380).
Wei, W.W.S. (2006). “Time Series Analyss: Univariate and Multivariate
Methods”. United State of America: Addison-Wesley Publishing Company
inc.
17



L. LAMPIRAN
1). NAMA KETUA DAN BIODATA KELOMPOK
Berikut merupakan biodata ketua pelaksana kegiatan dan anggota
pelaksana.
1. Ketua Pelaksana Kegiatan
a. Nama : Nyoman Pandu Wiradarma
b. NRP : 1308 100 052
c. Fakultas/ Program Studi : MIPA / Statistika
d. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember
Surabaya
e. Waktu untuk Kegiatan PKM : 21 jam/ minggu
Surabaya, 17 Oktober 2011
Ketua Pelaksana Kegiatan



(Nyoman Pandu Wiradarma)

2. Anggota pelaksana
Pelaksana I
a. Nama : Kadek Ardya Novi Diani
b. NRP : 1309 100 0065
c. Fakultas/ Program Studi : MIPA/ Statistika
d. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember
Surabaya
e. Waktu untuk Kegiatan PKM : 12 jam/ minggu
Surabaya, 17 Oktober 2011
Pelaksana I



(Kadek Ardya Novi Diani)

Pelaksana II
a. Nama : Ayuk Putri Sugiantari
b. NRP : 1309 100 047
c. Fakultas/ Program Studi : MIPA/ Statistika
d. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember
Surabaya
e. Waktu untuk Kegiatan PKM : 12 jam/ minggu
Surabaya, 17 Oktober 2011
Pelaksana II



(Ayuk Putri Sugiantari)
18



Pelaksana III
a. Nama : Indah Puspitasari
b. NRP : 1308 100 010
c. Fakultas/ Program Studi : MIPA/ Statistika
d. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember
Surabaya
e. Waktu untuk Kegiatan PKM : 12 jam/ minggu
Surabaya, 17 Oktober 2011
Pelaksana III



(Indah Puspitasari)

Pelaksana IV
a. Nama : I Made Parsawan
b. NRP : 1308 100 042
c. Fakultas/ Program Studi : MIPA/ Statistika
d. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember
Surabaya
e. Waktu untuk Kegiatan PKM : 12 jam/ minggu
Surabaya, 17 Oktober 2011
Pelaksana IV



(I Made Parsawan)

2). NAMA DAN BIODATA DOSEN PEMBIMBING
1. Nama Lengkap : Dr. Suhartono,S.Si, M.Sc
2. NIP : 19710929 199512 1 001
3. Golongan dan Pangkat : III D / Pembina
4. Jabatan Fungsional : Lektor
5. Jabatan Struktural : -
6. Fakultas/Program Studi : MIPA / Statistika
7. Perguruan Tinggi : ITS Surabaya
8. Bidang Keahlian : Time Series, Analisis Data, Multivariate
9. Waktu Untuk Kegiatan : 21 jam/minggu

Surabaya, 17 Oktober 2011
Dosen Pembimbing



(Dr. Suhartono,S.Si, M.Sc)
NIP 19710929 199512 1 001

Dengan demikian. Faktor tersebut akan digunakan sebagai variabel prediktor yang diduga akan mempengaruhi jumlah penderita HIV/AIDS di Bali. PERUMUSAN MASALAH Berdasarkan latar belakang yang telah diuraikan. Model space time ini pertama kali diperkenalkan oleh Pfeifer dan Deutsch (1980). jumlah penderita HIV/AIDS berkaitan dengan kondisi lingkungan. Selain itu. C. waktu. Gianyar.2 namun saling berhubungan dengan data time series yang lain. dan mobilitas penduduk serta mobilitas kunjungan wisatawan ke Bali. Model GSTAR merupakan suatu model time series yang mengikuti model space time dengan parameter yang tidak harus sama untuk dependensi waktu maupun dependensi lokasi. dan Denpasar Bali? 2. Model space time adalah salah satu model yang dapat menggabungkan unsur dependensi waktu dan lokasi pada suatu data deret waktu multivariate. Selain itu juga akan di lakukan peramalan jumlah penderita HIV/AIDS di Bali dengan menambahkan satu faktor yaitu kondisi dari jumlah wisatawan yang berkunjung ke Bali. dengan demikian model GSTAR. permasalahan dalam penelitian ini adalah sebagai berikut 1. maka tujuan dari penelitian ini adalah sebagai berikut . TUJUAN Berdasarkan permasalahan yang telah diuraikan. Model GSTAR yang diperoleh akan digunakan untuk meramalkan kondisi jumlah penderita HIV/AIDS di Bali dan kondisi jumlah kunjungan wisatawan ke Bali beberapa bulan bahkan beberapa tahun ke depan. Rosmanicke (2009) menggunakan model GSTARX untuk meramalkan IHK 4 kota di Jawa Timur dengan menambahkan variabel prediktor berupa kenaikan harga BBM di masingmasing kota. Penelitian model GSTAR dengan menambahkan variabel prediktor masih sangat sedikit dilakukan oleh peneliti-peneliti. Hal inilah yang mendorong peneliti untuk melakukan pemodelan serta peramalan jumlah penderita HIV/AIDS di Bali terkait kunjungan wisatawan ke Bali dengan pendekatan spasial temporal serta harapan informasi yang diperoleh mampu menginformasikan dan menekan angka penderita HIV/AIDS di Bali yang disebabkan oleh sektor pariwisata. Ada beberapa penelitian sebelumnya yang dilakukan berdasarkan model GSTAR. Penelitian mengenai penyebaran HIV/AIDS terkait dengan kunjungan wisatawan pada daerah tersebut masih sangat jarang dilakaukan. model yang memungkinkan digunakan ialah model yang mengakomodasikan adanya faktor waktu dan lokasi (spatio-temporal) yakni model GSTAR. Prayoga (2009) menerapkan model GSTAR musiman untuk melakukan peramalan jumlah kunjungan wisatawan di Bali. Model GSTAR merupakan pengembangan dari metode STAR. Jumlah penderita HIV/AIDS dan jumlah kunjungan wisatawan merupakan fenomena dengan keheterogenan yang cukup tinggi. Bagaimana deskripsi penyebaran penderita HIV/AIDS di Kabupaten Badung. Pemodelan data time series dengan dengan mempertimbangkan pengaruh dari variabel lain seringkali disebut dengan multivariate time series. Sementara itu Ningrum (2010) menggunakan model GSTAR untuk meramalkan curah hujan di beberapa pos hujan di Kabupaten Ngawi. Bagaimana pemodelan jumlah penderita HIV/AIDS di Bali terkait kunjungan wisatawan ke Bali dengan pendekatan spasial temporal? D.

3 1. notasi dari model GSTAR(p1) adalah sama dengan model STAR(p1). 2.1 Model GSTAR (Generalized Space-Time Autoregressive) Model GSTAR merupakan suatu model yang lebih fleksibel sebagai generalisasi dari model STAR. KEGUNAAN PROGRAM Kegunaan dari program penelitian ini adalah memberikan pemahaman serta informasi kepada pemerintah provinsi Bali dan masyarakat mengenai adanya hubungan antara jumlah penderita HIV/AIDS dengan kunjungan wisatawan ke Bali.. Publikasi kepada masyarakat dan pemerintah provinsi Bali dengan diadakannya seminar mengenai jumlah penderita HIV/AIDS di Kabupaten Badung. dan Denpasar Bali. G.k1  . dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten tersebut dengan pendekatan spasial temporal. Terdapat beberapa hal yang akan dibahas pada bab ini. model GSTAR. dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten tersebut dengan pendekatan spasial temporal. Artikel ilmiah tentang jumlah penderita HIV/AIDS di di Kabupaten Badung.. k0  dan Φ k1  diag k1 . Gianyar. 2. dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten tersebut dengan pendekatan spasial temporal. pemilihan model terbaik. model GSTAR(p1) dapat ditulis sebagai berikut:  Zi (t)  Φ k 1 p  k0  Φ k1 W Zi (t  1)  ei (t)  (1) 1 N 1 N dimana Φ k0  diag k0 . TINJAUAN PUSTAKA Pada bagian ini diuraikan beberapa teori dan kajian pustaka terkait yang mendukung penyelesaian permasalahan dalam penelitian ini. Secara matematis. F. Model STAR adalah model yang dikategorikan berdasarkan lag yang berpengaruh secara linier baik dalam lokasi dan waktu (Pfeifer and Deutsch. Mendapatkan pemodelan jumlah penderita HIV/AIDS di Bali terkait kunjungan wisatawan ke Bali dengan pendekatan spasial temporal. yaitu multivariate time series. . Model GSTAR merupakan suatu model yang lebih fleksibel sebagai generalisasi dari model STAR. LUARAN Luaran yang diharapkaan dari penelitian ini adalah sebagai berikut 1. Dalam notasi matriks. Selain itu kegunaan dari penelitiaan ini adalah memperoleh peramalan mengenai jumlah penderita HIV/AIDS terkait dengan hubungannya terhadap kunjungan wisatawan ke Bali sehingga dapat memberikan early warning kepada pemerintah provinsi Bali dan masyarakat. Gianyar. Jurnal ilmiah mengenaai jumlah penderita HIV/AIDS di Kabupaten Badung. E. 1980). 3. Gianyar. bobot-bobot dipilih sedemikian hingga wii  0 dan i  j wij  1 . Perbedaan utama dari model GSTAR(p1) ini terletak pada nilai-nilai parameter pada lag spasial yang sama diperbolehkan berlainan. G. Gianyar. Mendapatkan deskripsi penyebaran penderita HIV/AIDS di di Kabupaten Badung.

2. Bobot lokasi seragam seringkali digunakan pada kasus data deret waktu dan lokasi yang berada pada lokasi yang homogen karena terdapat keterkaitan spasial dianggap bernilai sama.. G. Beberapa cara penentuan bobot lokasi telah banyak digunakan dalam aplikasi model GSTAR.3 Estimasi Parameter Model GSTAR Penaksiran parameter model GSTAR dapat dilakukan dengan menggunakan metode kuadrat terkecil dengan cara meminimumkan jumlah kuadrat simpangannya atau metode least square (Borovkova dkk. Nilai tersebut dipakai bergantung dengan suatu batasan tertentu.T di lokasi i = 1. Jarak yang lebih dekat diduga mempunyai hubungan yang lebih kuat. β   X X 1 X Z (6) .. Metode kuadrat terkecil sering dilakukan dalam melakukan penaksiran parameter terhadap suatu model linier.4 Sebagai contoh.. Metode ini juga diterapkan pada model GSTAR(11)-(1)12 yang dapat ditulis dalam bentuk linier sebagai berikut: Z  Xβ  u (5) Model persamaan untuk lokasi ke-i dapat ditulis sebagai Z i  X i β i  u i dengan i  (0i .N dengan parameter regresi waktu  0 i dan spasial 1i dimana wij menyatakan bobot lokasi i terhadap lokasi j. p = 1 dan orde spasial λp = 1 maka Persamaan (1) dapat diturunkan ke dalam bentuk model GSTAR sebagai berikut:    Z i (t)  i0 Z i (t  1)  i1  wij Z j (t  1) ai (t) j 1 N (4) Zi (t ) menyatakan observasi pada waktu t = 1. model GSTAR(11) untuk kasus produksi minyak pada suatu waktu di tiga lokasi yang berbeda dapat ditulis sebagai berikut:   Zi (t)  Φ10 Φ11 WZi t  1  ai (t) (2) atau   z1(t )   10     z2 (t )    0   z3 (t )    0    0  11   20 0    0 0 30   0   0  0 0   0 w12 w13   z1(t  1)   e1(t )         21 0  w21 0 w23   z2 (t  1)  e2 (t )  0 31  w31 w32 0   z3 (t  1)  e3 (t )         (3) Pemilihan atau penentuan bobot lokasi merupakan salah satu permasalahan utama pada pemodelan GSTAR.1i )' . Bobot lokasi invers jarak merupakan cara untuk melihat keterkaitan lokasi berdasar-kan pada jarak antar lokasi yang akan diteliti. Estimasi parameter menggunakan penaksir least square dengan formula sebagai berikut..... Bobot lokasi dari hasil normalisasi korelasi silang antar lokasi pada lag waktu yang bersesuaian pertama kali diperkenalkan oleh Suhartono dan Atok (2005) yang selanjutnya oleh Borovkova (2008) disebut dengan bobot yang sebanding dengan korelasi silang waktu sebelumnya yang bersesuaian. 2008) dengan mengambil orde autoregresi. Hal ini berarti estimator least square untuk  i dapat dihitung secara terpisah pada masing-masing lokasi namun tetap bergantung pada nilai Z(t ) di lokasi yang lain. Jarak lokasi yang terhitung kemudian dinormalisasi dalam bentuk indeks untuk menghasilkan matriks bobot. Bobot lokasi biner ialah bobot dengan nilai 0 atau 1.2..

Kriteria in sample yang digunakan adalah Akaike’s Information Criterion (AIC). Bali merupakan destinasi utama wisatawan internasional dari . sedangkan kriteria out sample yaitu dengan memperhatikan nilai Mean Square Error (MSE) atau Root Mean Square Error (RMSE).5 G. dan dapat ditemukan dalam cairan tubuh manusia. Akaike’s Information Criterion (AIC) AIC merupakan kriteria pemilihan model yang mempertimbangkan banyaknya parameter dalam model. b. sehingga menghasilkan nilai AIC(M) minimum. bakteri. HIV (Human Immunodeficiency Virus) menyebabkan AIDS dengan menginfeksi dan merusak bagian dari pertahanan tubuh (limfosit). G. Penyakit HIV/AIDS dapat ditularkan melalui kontak langsung dengan darah atau cairan tubuh seseorang yang terinfeksi virus. Penyakit HIV/AIDS di negara-negara berkembang termasuk di Indonesia sangat sulit dikontrol. a. AIDS (Acquired Immune Deficiency Syndrome) merupakan kumpulan sindrom yang fatal karena terjadi kerusakan yang progresif pada sistem kekebalan tubuh sehingga menyebabkan manusia sangat rentan dan mudah terjangkit beberapa penyakit tertentu. G.6 Pariwisata Bali Pulau Bali merupakan salah satu tempat pariwisata yang paling banyak diminati tidak hanya oleh wisatawan domestik tetapi juga oleh wisatawan mancanegara. RMSE dapat dihitung dengan menggunakan rumus sebagai berikut: RMSE  MSE  2 1 M ˆ  Z n  i  Z n (i ) M i 1   (9) dimana M merupakan banyak ramalan yang dilakukan. Root Mean Square Error (RMSE) RMSE digunakan untuk memperoleh gambaran keseluruh-an standar deviasi yang muncul saat menunjukkan perbedaan antara model atau hubungan yang dimiliki. yang merupakan jenis sel darah putih dalam sistem kekebalan tubuh (berfungsi untuk melawan infeksi) yang seharusnya untuk melawan kuman. penyakit-penyakit tersebut disebabkan oleh berbagai jenis protozoa. 2006). Semakin kecil nilai RMSE maka model semakin bagus. virus. dan kanker. (7) AIC(M )  2 ln[maximum likelihood]  2M atau dapat juga ditulis dalam persamaan berikut : ˆ AIC(M )  n ln  a2  2M (8) Orde optimal dari model dipilih berdasarkan nilai dari M yang merupakan fungsi dari p dan q. cacing. yang termasuk ke dalam golongan retrovirus. jamur. AIDS (Acquired Immunodeficiency Syndrome) adalah penyakit yang membuat tubuh sulit untuk melawan penyakit menular. Berikut penjelasan mengenai masing-masing kriteria. AIC dapat dirumuskan sebagai berikut (Wei.4 Kriteria Pemilihan Model Terbaik Pemilihan model terbaik dapat dilakukan berdasarkan kriteria in sample dan out sample.5 HIV dan AIDS HIV (Human Immunodeficiency Virus) adalah sejenis virus yang menurunkan kekebalan tubuh manusia. Nilai RMSE berkisar antara 0 sampai ∞.

Metode analisis statistik yang digunakan adalah metode Generalized Space Time Autoregression (GSTAR). Menguji stasioneritas data baik secara univariate maupun multivariate.6 berbagai dunia. Variabel yang digunakan dalam penelitian terdiri dari variabel dependen dan variabel independen. 5. Setelah asumsi stasioneritas data terpenuhi maka dilanjutkan dengan menganalisis data dengan menggunakan 4 jenis bobot lokasi yaitu bobot seragam. Variabel dependen yang digunakan adalah jumlah penderita HIV/AIDS di Kabupaten Badung. dan Gianyar setiap bulannya dari tahun 2006 sampai 2010 yang diperoleh dari Dinas Kesehatan Provinsi Bali. Sedangkan variabel independen yang digunakan adalah hasil lag dari jumlah penderita HIV/AIDS di ketiga kabupaten tersebut. Selanjutnya dilakukan pemilihan model terbaik dengan membandingkan model yang didapat untuk menentukan bobot lokasi terbaik.1 Sumber Data Sumber data yang digunakan dalam penelitian ini adalah data sekunder. dan bobot berdasarkan normalisasi korelasi silang antar lokasi pada lag waktu yang sesuai.2 Langkah Penelitian Tahapan atau langkah-langkah penelitian yang akan dilakukan dalam penelitian ini adalah sebagai berikut: 1. Melakukan peramalan jumlah penderita HIV / AIDS di Bali didasarkan pada nilai taksiran parameter dari bobot lokasi yang paling optimal. bobot inverse jarak. 7. telah beberapa kali mendapat predikat sebagai salah satu pulau yang menjadi tujuan pariwisata terbaik di dunia atau “The Best Destination in the World” hal ini merupakan tantangan bagi Bali untuk mempertahankan citra pariwisata Bali dimata internasional. 4. Sedangkan pengujian stasioneritas untuk data multivariate. Penyusunan laporan penelitian. H. 3. 2010). Serta menentukan orde waktunya dari MACF dan PACF. Pengujian stasioneritas secara univariate dilakukan dengan melihat plot ACF dan PACF serta dengan plot Box-Cox. Denpasar. Oleh karena itu. 8. Denpasar. 2. Tahap selanjutnya adalah melakukan pengujian asumsi dari residual dari model GSTAR yang diperoleh agar model tersebut layak digunakan untuk menjelaskan kasus riil. 6. H. dan Gianyar dari tahun 2006 sampai 2010. dilakukan dengan melihat plot MACF dan MPACF serta plot Box-Cox. METODOLOGI PENELITIAN Pada bagian ini dijelaskan tahapan-tahapan analisis data yang digunakan dalam menyelesaikan permasalahan yang ada pada penelitian ini. H. yaitu jumlah penderita HIV/AIDS di Kabupaten Badung. Setelah mendapatkan bobot lokasi maka dilakukan analisis menggunakan GSTAR untuk mencari model ramalan yang sesuai dengan kasus riil yang diteliti dan mengestimasi parameternya. Melakukan bimbingan penelitian dengan dosen pembimbing yang sudah ditentukan . daya tarik wisatawan baik wisatawan domestik maupun wisatawan mancanegara adalah pada tempat objek pariwisata yang menjadi salah satu cerminan keindahan Pulau Bali di mata internasional (Dinas Pariwisata Bali.

Mulai Data Deret Waktu dan Lokasi (Jumlah Penderita HIV / AIDS di Bali dan Jumlah Kunjungan Wisatawan ke Bali) Data di Differencing atau di transformasi Identifikasi apakah data telah Stasioneritas Tidak Ya Identifikas orde waktu model dari plot MACF dan MPACF Penentuan Bobot Lokasi pada model GSTAR Penentuan model dan estimasi parameter Pengujian asumsi residual Pemilihan odel terbaik berdasarkan bobot lokasi Peramalan Selesai Gambar 2 Diagram Alir Analisis Penelitian .7 Langkah-langkah penelitian juga dapat dilihat pada diagram alir yang ditunjuk-kan dalam Gambar 2.

02 6 57 Gianyar 2. dan di Kabupaten Gianyar sebanyak 14 orang. Sedangkan di Kota Denpasar sebesar kurang lebih 11 orang. Ini mengindikasikan bahwa perubahan jumlah penderita HIV di ketiga kabupaten tersebut memiliki fluktuasi yang tinggi.48 atau 21 orang per bulan. .44 0 14 Tabel 1 di atas menunjukkan bahwa rata-rata jumlah penderita HIV/AIDS terbanyak dari ketiga kabupaten di Provinsi Bali tersebut terdapat di Kota Denpasar. Untuk melihat pola pergerakan dari jumlah penderita HIV/AIDS yang tercatat di tiga kabupaten ini digunakan alat berupa time series plot.8 I. dan Gianyar dilakukan dengan melihat statistic deskriptif dari data tersebut.75 2.1 Statistik Deskriptif Analisis awal terhadap data penderita HIV/AIDS di Kabupaten Badung. dan di Kabupaten Gianyar sekitar kurang lebih 3 orang.446 atau sekitar kurang lebih 4 orang.75 atau 3 orang per bulan. HASIL PENELITIAN I. dan Kabupaten Gianyar sebanyak 2. Sedangkan di Kabupaten Badung rata-rata jumlah penderita HIV/AIDS per bulannya sebanyak 6. Angka penderita HIV/AIDS terendah yang pernah tercatat di Kabupaten Badung adalah sebesar 1 orang.48 10.433 3. sedangkan di Kota Denpasar sebanyak 6 orang.542 92. Kota Madya Denpasar. Sedangkan jumlah penderita HIV/AIDS terbanyak yang tercatat di Kabupaten Badung adalah 16 orang. dan Kabupaten Badung Variable Rata-rata Standar Deviasi Koefisien Variasi Minimum Maksimum Badung 6. dan nilai minimum dari pendertia HIV/AIDS di Kabupaten Gianyar adalah nol atau tidak ada sama sekali. Di Kota Denpasar sebanyak 57 orang. yaitu sebanyak 20.57 1 16 Denpasar 20.433 atau 7 orang per bulan. Koefisien variasi di maisng-masing kabupaten meunjukkan angka yang relatif tinggi. Persebaran data penderita HIV/AIDS terhadap rata-rata di Kabupaten Badung sebesar 3. Denpasar. terutama di Kabupaten Gianyar. Tabel 1 Statistik Deskriptif Jumlah Penderita HIV/AIDS di Kabupaten Badung.86 53.446 53.

terdapat suatu asumsi yang hrus dipenuhi sebelum melakukan analisis lebih jauh terhadap data. Hasil pengujian kestasioneran varians dengan Box-Cox Transformation dari data penderita HIV/AIDS pada ketiga kabupaten di Provinsi Bali ditampilkan dalam tabel 2 berikut.29 Dari hasil Box-Cox Transformation di atas diperoleh informasi bahwa nilai batas bawah dan batas atas dari lambda untuk data penderita HIV/AIDS di ketiga . Rata-rata jumlah penderita HIV/AIDS di ketiga kabupaten tersebut cenderung terlihat konstan dari bulan ke bulan. Akan tetapi rentang persebaran dari data ketiga kabupaten ini nampak masih belum konstan.9 60 50 40 Variable badung denpasar giany ar Data 30 20 10 0 1 6 12 18 24 30 Index 36 42 48 54 60 Gambar 2 Time Series Plot Time series plot di atas menunjukkan bahwa pola persebaran data penderita HIV/AIDS di Kota Denpasar berada di atas Kabupaten Badung dan Gianyar dengan rentang persebaran yang juga terlebar di antara ketiganya.53 Batas Bawah 0 -0. I.2. Asumsi tersebut adalah kestasioneran data.2 Pengujian Kestasioneran Data Dalam pengolahan data time series. yaitu stasioner terhadap varians dan mean. Kestasioneran terhadap varians dapat diatasi dengan menggunakan Box-Cox Transformation.86 Denpasar 0. Tabel 2 Hasil Transformasi Box-Cox Kabupaten Batas Atas Badung 0. I.3 Gianyar 0.1 Kestasioneran terhadap Varians Suatu data time series dapat diketahui stasioner terhadap varians atau tidak dengan menggunakan Box-Cox Transformation. Kestasioneran data dilihat dari dua parameter.26 -0.

dan trend sudah lebih kecil dari nilai α = 0. single mean.0001 0.0035 Gianyar 0. dan Gianyar ditampilkan dalam tabel 4.05. I.0001 <0.4767 0.0001 0.0001 <0.2560 0. Tabel 3 Hasil Pengujian Dickey-Fuller untuk Data Penderita HIV/AIDS Setelah Mengalami Differencing Zero Mean Single Mean Trend Prob<Rho Prob<Tau Prob<Rho Prob<Tau Prob<Rho Prob<Tau Badung 0.0001 <0.2 Kestasioneran terhadap Mean Untuk melihat apakah suatu data time series sudah stasioner terhadap mean atau tidak.4821 0.0001 Variabel Tabel 3 menunjukkan bahwa data telah berada pada keadaan stasioner terhadap mean. .0001 0.0001 0.05).05.0001 <0.0007 0. Hasil pengujian Dickey-Fuller untuk data penderita HIV/AIDS di Kabupaten Badung.0001 0. Tabel 2 Hasil Pengujian Dickey-Fuller untuk Data Penderita HIV/AIDS Zero Mean Single Mean Trend Prob<Rho Prob<Tau Prob<Rho Prob<Tau Prob<Rho Prob<Tau Badung 0.0007 0. maka perlu dilakukan differencing.0001 0. Hal ini menjelaskan bahwa data belum dalam keadaan stasioner pada mean.0001 Gianyar 0.0004 0.0001 0. Setelah dilakukan differencing pada lag-1 maka hasil pengujian Dickey-Fuller diperoleh sebagai berikut.0012 Denpasar 0.4623 0.0001 0. Denpasar.0005 0.0001 <0.2.0005 0.0001 Denpasar 0. Berikut adalah time series plot untuk data yang sudah stasioner. dengan statistik uji yang digunakan adalah P-value. Hal ini menunjukkan nilai varians dari ketiga data tersebut tidak stasioner.2 berikut. Hal tersebut diperlihatkan oleh nilai probabilistik zero mean.0001 0.4045 0.2207 0. Pengujian yang dilakukan adalah uji Dickey-Fuller.0001 Variabel Hasil pengujian Dickey-Fuller pada Tabel 2 menghasilkan nilai probabilitas statistik uji untuk zero mean dari data penderita HIV/AIDS di ketiga Kabupaten di Bali lebih besar dari nilai α = 0.0001 <0.0001 0. Data tersebut akan dikatakan stasioner terhadap mean jika nilai P-value dari hasil pengujian lebih kecil dari nilai α yang titetapkan (0.0001 <0.0001 0.10 kabupaten tersebut tidak melewati nilai 1. perlu dilakukan pengujian.0005 0. Maka dari itu perlu dilakukan transformasi terhadap data tersebut sehingga menjadi stasioner terhadap varians.

Sehingga dugaan lag waktu yang sesuai untuk model GSTAR dari data jumlah penderita HIV/AIDS di Kabupaten Badung. maka analisis dapat dilakukan ke tahap selanjutnya. dan Kabupaten Gianyar.536 MA(3) -6.655 -6. I. Identifikasi model dilakukan dengan menggunakan kriteria minimum Akaike’s Information Criterion (AIC).625 -6. Tabel 4 Nilai Akaike’s Information Criterion (AIC) Lag AR(0) AR(1) AR(2) AR(3) MA(0) -6.11 2 1 Data 0 -1 Variable Badung Denpasar Giany ar -2 1 6 12 18 24 30 Index 36 42 48 54 60 Gambar 3 Time Series Plot yang Sudah Stasioner Karena time series plot dari data jumlah penderita HIV/AIDS sudah stasioner.054 -6.888 -6.840 -6. Kota Madya Denpasar.3 Identifikasi Model GSTAR Identifikasi model dilakukan untuk memperoleh lag waktu dari model GSTAR yang sesuai dengan data jumlah pederita HIV/AIDS di Kabupaten Badung.701 -6.214 Nilai minimum AIC terletak pada model AR(3).456 -6. hal tersebut ditujukkan oleh hasil pengujian kriteria minimum AIC.118 MA(1) -7.527 -6. Nilai AIC dari tiap lagi ditunjukkan pada Tabel 4.662 -6. dan Kabupaten Gianyar adalah AR(3). . Kriteria minimum AIC dipilih karena memberikan nilai AIC tiap orde sehingga dapat dibandingkan dan ditentukan lag waktu yang sesuai untuk model GSTAR dari data jumlah penderita HIV/AIDS di ketiga tempat tersebut.946 -7.662 MA(2) -7.104 -6. Kota Madya Denpasar.891 -6.

053 0. Penambahan variable dummy ini berdasarkan pada pengaruh kunjungan wisatawan di ketiga kabupaten tersebut yang diasumsikan memberikan pengaruh yang berbeda terhadap junlah penderita HIV/AIDS.1161 (b) P-value 0.965 0.0056 0.4 Penaksiran Parameter Model GSTAR dengan Bobot Lokasi Seragam Pembentukan model GSTAR dengan menggunakan bobot lokasi seragam digunakan untuk data deret waktu dengan lokasi yang homogen sehingga keterkaitan lokasi dianggap memiliki nilai yang sama.2097 -0. Hasil taksiran model GSTAR setelah dilakukan penambahan variable .1118 -0.134 0.643 0.025 0.653 0.916 0.0296 0.36 0.0126 0.0294 0.0864 -0.316 0. yaitu dengan P-value senilai 0.807 0.005 0.772 0.004 yang lebih kecil dari nilai α (0.814 0.182 -0.795 0.0547 0.97 0.0317 0.1145 0.12 I.985 0.167 -0.333 0.919 0.641 0.807 0.0053 0.2182 -0.1482 -0.0142 0.0265 0. Tabel 5 Hasil Taksiran Model GSTAR: (a) pada bobt seragam.3229 -0.466 Parameter Nilai Taksiran 0.1139 -0.0281 0.137 0.654 0.004 0.3208 -0. Bobot lokasi yang seragam ini akan menghasilkan suatu model dengan nilai koefisien yang menyatakan kaitan antara jumlah penderita HIV/AIDS di masing-masing lokasi terhadap jumlah penderita HIV/AIDS di suatu lokasi pada suatu waktu tertentu adalah sama.973 0.023 0.1752 -0.0297 0.1664 -0.986 0.932 0.108 0.0069 0.108 0.342 0.964 0.1141 0.487 0. Hasil penaksiran parameter pada model GSTAR dengan bobot lokasi seragam pada data jumlah penderita HIV/AIDS di tiga kabupaten di Bali ditampilkan dalam tabel 5 (a) berikut.797 0.934 0.454 0.926 0.471 Tabel 5 (a) menunjukkan bahwa hanya terdapat satu parameter yang signifikan pada model GSTAR.371 0.484 0.1683 (a) P-value 0.932 0.439 0.0068 0. (b) pada bobot invers jarak Parameter Nilai Taksiran 0.05).341 0. Kemudian dilakukan penambahan variable dummy untuk masing-masing kabupaten pada model.

05). Kemudian dilakukan pemilihan model terbaik dengan metode stepwise. Hasil penaksiran parameter untuk model GSTAR dengan bobot lokasi invers jarak pada data jumlah penderita HIV/AIDS di tiga kabupaten di Bali ditampilkan dalam tabel 5 (b) Tabel 5 (b) di atas menunjukkan bahwa hanya terdapat satu variable yang signifikan dari model GSTAR tersebut.13 dummy tetap menunjukkan hanya terdapat satu variable yang siginifikan. Untuk menentukan model yang sesuai maka perlu dilakukan pemilihan model terbaik dengan metode stepwise. Variabel dummy ini mengandung informasi bahwa kunjungan wisatawan pada ketiga kebupaten ini memberikan efek yang berbeda. sama seperti hasil penaksiran parameter yang telah dilakukan.34. yaitu variable dengan P-value sebesar 0. . didasarkan pada jarak yang terbentuk antar kota tersebut. yaitu satu variable. Hasil yang diperoleh adalah variabel yang signifikan untuk dimasukkan ke dalam model adalah variabel atau Z1(t-1). Dari hasil penaksiran parameter pada model GSTAR setelah dilakukan penambahan variable dummy menunjukkan bahwa variable yang signifikan tetap sama. dalam penaksiran parameter dengan bobot lokasi invers jarak juga ditambahkan variable dummy pada masing-masing kabupaten. Sehingga model dugaan untuk bobot seragam adalah I.005 yang lebih kecil dibandingkan α (0. yaitu atau Z1(t-1) dan atau V3(t-2) dengan nilai estimasi parameter masing-masing adalah 0. Dari proses ini diketahui bahwa variabel yang signifikan untuk dimasukkan ke dalam model ternyata ada sebanyak dua variabel.28. yaitu variabel atau yang artinya jumlah penderita HIV/AIDS pada bulan ini berkaitan dengan jumlah penderita HIV/AIDS di satu bulan sebelumnya. Sama halnya dengan penaksiran parameter pada model GSTAR dengan bobot lokasi seragam. Maka model dugaan dengan bobot invers jarak adalah sebagai berikut.5 Penaksiran Parameter Model GSTAR dengan Bobot Lokasi Invers Jarak Pembentukan model GSTAR dengan menggunakan bobot lokasi invers jarak merupakan suatu metode yang digunakan untuk mengetahui kaitan antara lokasi dan jumlah penderita HIV/AIDS di tiga kabupaten di Bali. Nilai penaksir parameter β dari variabel ini adalah 0.34 dan 0. Sedangkan jumlah penderita HIV/AIDS tidak ada kaitannya dengan pengaruh kunjungan wisatawan ke tiga kabupaten ini.

7456 2. Nilai RMSE dari kedua model ditampilkan dalam tabel 6 berikut.8626 13.06861 4.35755 10 5. Tabel 6 Nilai RMSE dari kedua model Lokasi HIV/AIDS Kab.9282 2.91091 5. Badung Kodya Denpasar Kab.67755 17 3.9282 2.7456 7.41205 28 3.8785 13.82312 8.37271 16 3.5364* Model yang baik adalah model dengan nilai RMSE yang kecil.20998 14 1.12785 3. Tabel 7 Hasil Forecast Bulan Januari Februari Maret April Mei Juni Juli Badung Denpasar Gianyar 7.14 I.6 Perbandingan Model Untuk mengetahui model dugaan mana yang sesuai untuk data HIV/AIDS tersebut maka dihitung terlebih dahulu nilai akar dari rata-rata kuadrat error (RMSE) dari hasil peramalannya. Gianyar Total RMSE Out-Sampel Bobot Bobot Seragam Invers Jarak 2.85448 1.8253 8.5524 7.84765 17 2.3552 17 6. Dari tabel di atas dapat diketahui bahwa model dugaan dengan bobot invers jarak merupakan model yang lebih baik daripada dengan bobot seragam.22652 . Hasil peramalan dari model dugaan dengan bobot invers jarak dari bulan Januari sampai Juli 2011 adalah sebagai berikut.

2 Saran Untuk pemerintah Provinsi Bali sebaiknya pencacatan terhadap kasus penderita HIV/AIDS lebih diperketat karena mengingat jumlah kasus mengenai pendeerita HIV/AIDS menyerupai gunung es. Sedangkan di Kabupaten Badung rata-rata jumlah penderita HIV/AIDS per bulannya sebanyak 6. Hasil pemodelan jumlah penderita HIV/AIDS di Kabu[aten Badung. Sedangkan masih terdapat banyak kasus yang tidak tercatat oleh pemerintah. dan Kabupaten Gianyar sebanyak 2.48 atau 21 orang per bulan. 1. Rata-rata jumlah penderita HIV/AIDS terbanyak terdapat di Kota Denpasar.1 Kesimpulan Adapun kesimpulan yang diperoleh dari hasil penelitian ini adalah sebagai berikut. Sedangkan jumlah penderita HIV/AIDS di ketiga kabupaten tersebut tidak memiliki keterkaitan dengan pengaruh kunjungan wisatawan di ketiga kabupaten tersebut.15 J. . KESIMPULAN DAN SARAN J. J. yakni yang terlihat hany puncaknya saja.433 atau 7 orang per bulan.75 atau 3 orang per bulan. Denpasarm dan Gianyar menunjukkan bahwa jumlah penderita HIV/AIDS pada bulan ini hanya memiliki keterkaitan dengan jumlah penderita HIV/AIDS pada 1 bulan sebelumnya. yaitu sebanyak 20. 2.

A. pp. Box. G. Vol. “Journal of the Indonesian Mathematical Society. Bali. Leigh F. Makridakis. R. Farai (2008). (2008). S. “Pemodelan Jumlah Kunjungan Wisatawan Pada Lima lokasi Wisata di Bali dengan Menggunakan GSTAR Musiman”. Lisbon S. Surabaya. Bali.” tidak dipublikasikan. “Data Objek dan Daya Tarik Wisata Tahun 2004”. 13.C. “Technometrics. .J. Tugas Akhir Statistika FMIPA-ITS. (1999).E.E. (2005). Rosmanicke. S. (2010). “Pemodelan Spatio-Temporal dengan metode GSTAR Pada Data Curah Hujan Bulanan di Kabupaten Ngawi”. Ketshabile. “Peramalan Indeks Harga Konsumen 4 Kota di Jawa Timur Menggunakan Model Generalized Space Time Autoregresive”. (2006). ITS. (2006). “International Journal of Biological and Life Science 4:2”. Vol. pp. Seminar Nasional Statistika. “Time Series Analyss: Univariate and Multivariate Methods”. San Francisco: Holden-Day... Tugas Akhir Statistika FMIPA-ITS. dan Deutsch. Wei. 22. P. Dinas Pariwisata Bali (2010).M. pp. dan McGee. Pfeifer. S. Lopuhaa. A Three Stage Iterative Procedure for Space-Time Modeling. Some Comments On The Theorem Providing Stationarity Condition For GSTAR Models In The Paper by Borovkova et al. P. (1980). P. Ningrum. “E3 Journal of Business Management and Economics. Bali. “Data Objek dan Daya Tarik Wisata Tahun 2010. “Metode dan Aplikasi Peramalan”. (2009). DAFTAR PUSTAKA Borovkova. “Perbandingan Antara Model VARIMA dan GSTAR untuk Peramalan Data Deret Waktu dan Lokasi”.P. S. Surabaya. (2009). S. Vol. 2.16 K.. 35-47”. Proceedings of the 17th International Workshop on Statistical Modelling”. 001-11”. 2nd Edition”. Dinas Pariwisata Bali (2004). Surabaya. dan Nurani. Prayoga.Y.S. No.14. Utilising Tourism Potential in Combating the Spread of HIV/AIDS through Poverty Allevaiation in Rural Areas of Botswana. Modelling the Deographic Impact of HIV/AIDS in South Africa and the Likely Impact of Interventions. No.W.. (MIHMI)”. Wheelwright.). (1976).A. Chania. Dorrington. B. Suhartono dan Atok. “Demographic Research. 44-52. “Data Objek dan Daya Tarik Wisata Tahun 2008”. pp. In M Stasinopoulos and G Touloumi (Eds.541-574”. 139-147. W.E. Jakarta: Erlangga. H. Suhartono dan Subanar. Johnson.P.. V. pp. Tugas Akhir Statistika FMIPA-ITS. 1. No.M.22. Modeling HIV/AIDS Prevention by Defense. Nyabadza. “Time Series Analysis Forecasting and Control. Vol. (ISSN: 0854-1380).. Dinas Pariwisata Bali (2008). A. Rob E. (2007). tidak dipublikasikan. G. 1. tidak dipublikasikan. Surabaya. “Generalized STAR model with experimental weights. (2011).1. dan Jenkins. United State of America: Addison-Wesley Publishing Company inc. No.

17 Oktober 2011 Pelaksana II : : : : (Ayuk Putri Sugiantari) . 17 Oktober 2011 Pelaksana I : : : : (Kadek Ardya Novi Diani) Pelaksana II a. Anggota pelaksana Pelaksana I a. 1. Fakultas/ Program Studi d. Waktu untuk Kegiatan PKM : 12 jam/ minggu Surabaya. Ketua Pelaksana Kegiatan a. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember Surabaya e. Nama b. Nama b. Perguruan Tinggi Kadek Ardya Novi Diani 1309 100 0065 MIPA/ Statistika Institut Teknologi Sepuluh Nopember Surabaya e. Waktu untuk Kegiatan PKM : 21 jam/ minggu Surabaya. Perguruan Tinggi Ayuk Putri Sugiantari 1309 100 047 MIPA/ Statistika Institut Teknologi Sepuluh Nopember Surabaya e. NRP c. Fakultas/ Program Studi : MIPA / Statistika d. LAMPIRAN 1). 17 Oktober 2011 Ketua Pelaksana Kegiatan (Nyoman Pandu Wiradarma) 2.17 L. NRP c. NRP : 1308 100 052 c. Waktu untuk Kegiatan PKM : 12 jam/ minggu Surabaya. NAMA KETUA DAN BIODATA KELOMPOK Berikut merupakan biodata ketua pelaksana kegiatan dan anggota pelaksana. Nama : Nyoman Pandu Wiradarma b. Fakultas/ Program Studi d.

7. 4. 3. Suhartono. 6.Sc : 19710929 199512 1 001 : III D / Pembina : Lektor :: MIPA / Statistika : ITS Surabaya : Time Series. NRP c. Perguruan Tinggi Indah Puspitasari 1308 100 010 MIPA/ Statistika Institut Teknologi Sepuluh Nopember Surabaya e. Waktu untuk Kegiatan PKM : 12 jam/ minggu Surabaya. Nama b.Sc) NIP 19710929 199512 1 001 . Analisis Data. Fakultas/ Program Studi d.S. Nama Lengkap NIP Golongan dan Pangkat Jabatan Fungsional Jabatan Struktural Fakultas/Program Studi Perguruan Tinggi Bidang Keahlian Waktu Untuk Kegiatan : Dr. NAMA DAN BIODATA DOSEN PEMBIMBING 1.S. 17 Oktober 2011 Dosen Pembimbing (Dr. NRP c. Multivariate : 21 jam/minggu Surabaya. Nama b. 2. Suhartono.Si. 9. Waktu untuk Kegiatan PKM : 12 jam/ minggu Surabaya. Perguruan Tinggi I Made Parsawan 1308 100 042 MIPA/ Statistika Institut Teknologi Sepuluh Nopember Surabaya e.Si.18 Pelaksana III a. 17 Oktober 2011 Pelaksana III : : : : (Indah Puspitasari) Pelaksana IV a. Fakultas/ Program Studi d. M. M. 17 Oktober 2011 Pelaksana IV : : : : (I Made Parsawan) 2). 5. 8.

Sign up to vote on this title
UsefulNot useful