P. 1
LAPORAN HASIL PENELITIAN

LAPORAN HASIL PENELITIAN

|Views: 612|Likes:
Published by Ardya Novi

More info:

Published by: Ardya Novi on May 27, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

11/26/2013

pdf

text

original

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

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

Secara matematis. Gianyar. Gianyar. k0  dan Φ k1  diag k1 . G. LUARAN Luaran yang diharapkaan dari penelitian ini adalah sebagai berikut 1. 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. dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten tersebut dengan pendekatan spasial temporal. Terdapat beberapa hal yang akan dibahas pada bab ini.1 Model GSTAR (Generalized Space-Time Autoregressive) Model GSTAR merupakan suatu model yang lebih fleksibel sebagai generalisasi dari model STAR. dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten tersebut dengan pendekatan spasial temporal. F. E. Perbedaan utama dari model GSTAR(p1) ini terletak pada nilai-nilai parameter pada lag spasial yang sama diperbolehkan berlainan.k1  . Mendapatkan pemodelan jumlah penderita HIV/AIDS di Bali terkait kunjungan wisatawan ke Bali dengan pendekatan spasial temporal. Model GSTAR merupakan suatu model yang lebih fleksibel sebagai generalisasi dari model STAR. Gianyar.. . 1980).3 1. Publikasi kepada masyarakat dan pemerintah provinsi Bali dengan diadakannya seminar mengenai jumlah penderita HIV/AIDS di Kabupaten Badung. Dalam notasi matriks. model GSTAR. dan Denpasar Bali terkait kunjungan wisatawan ke tiga kabupaten tersebut dengan pendekatan spasial temporal. Model STAR adalah model yang dikategorikan berdasarkan lag yang berpengaruh secara linier baik dalam lokasi dan waktu (Pfeifer and Deutsch. Gianyar. 3. 2. G. 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 . Jurnal ilmiah mengenaai jumlah penderita HIV/AIDS di Kabupaten Badung. 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. TINJAUAN PUSTAKA Pada bagian ini diuraikan beberapa teori dan kajian pustaka terkait yang mendukung penyelesaian permasalahan dalam penelitian ini. Artikel ilmiah tentang jumlah penderita HIV/AIDS di di Kabupaten Badung. Mendapatkan deskripsi penyebaran penderita HIV/AIDS di di Kabupaten Badung. pemilihan model terbaik. dan Denpasar Bali. 2.. notasi dari model GSTAR(p1) adalah sama dengan model STAR(p1). bobot-bobot dipilih sedemikian hingga wii  0 dan i  j wij  1 . yaitu multivariate time series.

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.. 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. 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. 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..4 Sebagai contoh. Metode kuadrat terkecil sering dilakukan dalam melakukan penaksiran parameter terhadap suatu model linier. Jarak lokasi yang terhitung kemudian dinormalisasi dalam bentuk indeks untuk menghasilkan matriks bobot..2. G. 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.N dengan parameter regresi waktu  0 i dan spasial 1i dimana wij menyatakan bobot lokasi i terhadap lokasi j.. β   X X 1 X Z (6) .1i )' . Estimasi parameter menggunakan penaksir least square dengan formula sebagai berikut.. Bobot lokasi invers jarak merupakan cara untuk melihat keterkaitan lokasi berdasar-kan pada jarak antar lokasi yang akan diteliti.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. 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 . 2008) dengan mengambil orde autoregresi.T di lokasi i = 1.. Beberapa cara penentuan bobot lokasi telah banyak digunakan dalam aplikasi model GSTAR... 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.

5 HIV dan AIDS HIV (Human Immunodeficiency Virus) adalah sejenis virus yang menurunkan kekebalan tubuh manusia. 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. AIC dapat dirumuskan sebagai berikut (Wei. a. dan dapat ditemukan dalam cairan tubuh manusia. virus. b. 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. AIDS (Acquired Immunodeficiency Syndrome) adalah penyakit yang membuat tubuh sulit untuk melawan penyakit menular. penyakit-penyakit tersebut disebabkan oleh berbagai jenis protozoa. bakteri. cacing.5 G. Penyakit HIV/AIDS di negara-negara berkembang termasuk di Indonesia sangat sulit dikontrol. Bali merupakan destinasi utama wisatawan internasional dari . 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. Berikut penjelasan mengenai masing-masing kriteria. Akaike’s Information Criterion (AIC) AIC merupakan kriteria pemilihan model yang mempertimbangkan banyaknya parameter dalam model. HIV (Human Immunodeficiency Virus) menyebabkan AIDS dengan menginfeksi dan merusak bagian dari pertahanan tubuh (limfosit). (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. 2006). G. Semakin kecil nilai RMSE maka model semakin bagus. yang termasuk ke dalam golongan retrovirus. jamur. yang merupakan jenis sel darah putih dalam sistem kekebalan tubuh (berfungsi untuk melawan infeksi) yang seharusnya untuk melawan kuman. G. sehingga menghasilkan nilai AIC(M) minimum.4 Kriteria Pemilihan Model Terbaik Pemilihan model terbaik dapat dilakukan berdasarkan kriteria in sample dan out sample. dan kanker. Penyakit HIV/AIDS dapat ditularkan melalui kontak langsung dengan darah atau cairan tubuh seseorang yang terinfeksi virus. sedangkan kriteria out sample yaitu dengan memperhatikan nilai Mean Square Error (MSE) atau Root Mean Square Error (RMSE). Kriteria in sample yang digunakan adalah Akaike’s Information Criterion (AIC). Nilai RMSE berkisar antara 0 sampai ∞.6 Pariwisata Bali Pulau Bali merupakan salah satu tempat pariwisata yang paling banyak diminati tidak hanya oleh wisatawan domestik tetapi juga oleh wisatawan mancanegara.

Sedangkan pengujian stasioneritas untuk data multivariate. H.1 Sumber Data Sumber data yang digunakan dalam penelitian ini adalah data sekunder. Denpasar. 5. Denpasar. bobot inverse jarak. 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. Setelah mendapatkan bobot lokasi maka dilakukan analisis menggunakan GSTAR untuk mencari model ramalan yang sesuai dengan kasus riil yang diteliti dan mengestimasi parameternya.6 berbagai dunia. dan Gianyar setiap bulannya dari tahun 2006 sampai 2010 yang diperoleh dari Dinas Kesehatan Provinsi Bali. Menguji stasioneritas data baik secara univariate maupun multivariate. dan bobot berdasarkan normalisasi korelasi silang antar lokasi pada lag waktu yang sesuai. 8. H. Sedangkan variabel independen yang digunakan adalah hasil lag dari jumlah penderita HIV/AIDS di ketiga kabupaten tersebut. Serta menentukan orde waktunya dari MACF dan PACF. H. 6. yaitu jumlah penderita HIV/AIDS di Kabupaten Badung. Selanjutnya dilakukan pemilihan model terbaik dengan membandingkan model yang didapat untuk menentukan bobot lokasi terbaik. 2010). Tahap selanjutnya adalah melakukan pengujian asumsi dari residual dari model GSTAR yang diperoleh agar model tersebut layak digunakan untuk menjelaskan kasus riil. 3. dilakukan dengan melihat plot MACF dan MPACF serta plot Box-Cox. 4.2 Langkah Penelitian Tahapan atau langkah-langkah penelitian yang akan dilakukan dalam penelitian ini adalah sebagai berikut: 1. Metode analisis statistik yang digunakan adalah metode Generalized Space Time Autoregression (GSTAR). Variabel dependen yang digunakan adalah jumlah penderita HIV/AIDS di Kabupaten Badung. Pengujian stasioneritas secara univariate dilakukan dengan melihat plot ACF dan PACF serta dengan plot Box-Cox. Variabel yang digunakan dalam penelitian terdiri dari variabel dependen dan variabel independen. Melakukan bimbingan penelitian dengan dosen pembimbing yang sudah ditentukan . METODOLOGI PENELITIAN Pada bagian ini dijelaskan tahapan-tahapan analisis data yang digunakan dalam menyelesaikan permasalahan yang ada pada penelitian ini. 7. 2. Melakukan peramalan jumlah penderita HIV / AIDS di Bali didasarkan pada nilai taksiran parameter dari bobot lokasi yang paling optimal. Oleh karena itu. dan Gianyar dari tahun 2006 sampai 2010. Penyusunan laporan penelitian. Setelah asumsi stasioneritas data terpenuhi maka dilanjutkan dengan menganalisis data dengan menggunakan 4 jenis bobot lokasi yaitu bobot seragam. 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.

86 53. Sedangkan di Kabupaten Badung rata-rata jumlah penderita HIV/AIDS per bulannya sebanyak 6. Kota Madya Denpasar. Sedangkan jumlah penderita HIV/AIDS terbanyak yang tercatat di Kabupaten Badung adalah 16 orang.446 atau sekitar kurang lebih 4 orang. Di Kota Denpasar sebanyak 57 orang. . Koefisien variasi di maisng-masing kabupaten meunjukkan angka yang relatif tinggi. Denpasar.433 3. dan Kabupaten Gianyar sebanyak 2.433 atau 7 orang per bulan.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. Persebaran data penderita HIV/AIDS terhadap rata-rata di Kabupaten Badung sebesar 3.48 10.75 atau 3 orang per bulan. sedangkan di Kota Denpasar sebanyak 6 orang.446 53. Ini mengindikasikan bahwa perubahan jumlah penderita HIV di ketiga kabupaten tersebut memiliki fluktuasi yang tinggi.542 92. dan Gianyar dilakukan dengan melihat statistic deskriptif dari data tersebut. yaitu sebanyak 20.1 Statistik Deskriptif Analisis awal terhadap data penderita HIV/AIDS di Kabupaten Badung. dan di Kabupaten Gianyar sekitar kurang lebih 3 orang. Angka penderita HIV/AIDS terendah yang pernah tercatat di Kabupaten Badung adalah sebesar 1 orang.75 2. HASIL PENELITIAN I.02 6 57 Gianyar 2. dan Kabupaten Badung Variable Rata-rata Standar Deviasi Koefisien Variasi Minimum Maksimum Badung 6. dan di Kabupaten Gianyar sebanyak 14 orang. Tabel 1 Statistik Deskriptif Jumlah Penderita HIV/AIDS di Kabupaten Badung. Untuk melihat pola pergerakan dari jumlah penderita HIV/AIDS yang tercatat di tiga kabupaten ini digunakan alat berupa time series plot. Sedangkan di Kota Denpasar sebesar kurang lebih 11 orang. dan nilai minimum dari pendertia HIV/AIDS di Kabupaten Gianyar adalah nol atau tidak ada sama sekali. terutama di Kabupaten Gianyar.57 1 16 Denpasar 20.8 I.

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.3 Gianyar 0.86 Denpasar 0. terdapat suatu asumsi yang hrus dipenuhi sebelum melakukan analisis lebih jauh terhadap data.26 -0.2 Pengujian Kestasioneran Data Dalam pengolahan data time series. yaitu stasioner terhadap varians dan mean. Tabel 2 Hasil Transformasi Box-Cox Kabupaten Batas Atas Badung 0. Kestasioneran terhadap varians dapat diatasi dengan menggunakan Box-Cox Transformation. Akan tetapi rentang persebaran dari data ketiga kabupaten ini nampak masih belum konstan. I. Asumsi tersebut adalah kestasioneran data. Kestasioneran data dilihat dari dua parameter. I. Rata-rata jumlah penderita HIV/AIDS di ketiga kabupaten tersebut cenderung terlihat konstan dari bulan ke bulan.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 .2.53 Batas Bawah 0 -0.1 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.

Hasil pengujian Dickey-Fuller untuk data penderita HIV/AIDS di Kabupaten Badung. 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 0.0001 0.0035 Gianyar 0.0001 0.0001 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 0.4767 0. Hal ini menjelaskan bahwa data belum dalam keadaan stasioner pada mean. perlu dilakukan pengujian.05).0001 <0. Hal tersebut diperlihatkan oleh nilai probabilistik zero mean.0001 0. Hal ini menunjukkan nilai varians dari ketiga data tersebut tidak stasioner. Denpasar. . Pengujian yang dilakukan adalah uji Dickey-Fuller.2560 0. dengan statistik uji yang digunakan adalah P-value. maka perlu dilakukan differencing.0001 Variabel Tabel 3 menunjukkan bahwa data telah berada pada keadaan stasioner terhadap mean. Maka dari itu perlu dilakukan transformasi terhadap data tersebut sehingga menjadi stasioner terhadap varians.0001 <0. Berikut adalah time series plot untuk data yang sudah stasioner.4045 0.0001 0.0004 0.2 berikut.2.0001 0.10 kabupaten tersebut tidak melewati nilai 1. single mean. Data tersebut akan dikatakan stasioner terhadap mean jika nilai P-value dari hasil pengujian lebih kecil dari nilai α yang titetapkan (0.0012 Denpasar 0. I.0005 0.0005 0.0001 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 = 0.2207 0.0001 <0.0001 0.2 Kestasioneran terhadap Mean Untuk melihat apakah suatu data time series sudah stasioner terhadap mean atau tidak.05.0001 0.0005 0.0001 <0.0001 0.05.0001 0. dan trend sudah lebih kecil dari nilai α = 0.0001 0.0007 0. Setelah dilakukan differencing pada lag-1 maka hasil pengujian Dickey-Fuller diperoleh sebagai berikut.0001 <0.0001 Denpasar 0.0001 <0.4623 0.0001 Gianyar 0.4821 0. dan Gianyar ditampilkan dalam tabel 4.0001 <0.0007 0.

hal tersebut ditujukkan oleh hasil pengujian kriteria minimum AIC. I.214 Nilai minimum AIC terletak pada model AR(3).118 MA(1) -7. .104 -6.888 -6.054 -6. Nilai AIC dari tiap lagi ditunjukkan pada Tabel 4.946 -7. Kota Madya Denpasar. Sehingga dugaan lag waktu yang sesuai untuk model GSTAR dari data jumlah penderita HIV/AIDS di Kabupaten Badung.701 -6.536 MA(3) -6. Kota Madya Denpasar.662 MA(2) -7. dan Kabupaten Gianyar. maka analisis dapat dilakukan ke tahap selanjutnya.527 -6.456 -6.3 Identifikasi Model GSTAR Identifikasi model dilakukan untuk memperoleh lag waktu dari model GSTAR yang sesuai dengan data jumlah pederita HIV/AIDS di Kabupaten Badung.891 -6. Tabel 4 Nilai Akaike’s Information Criterion (AIC) Lag AR(0) AR(1) AR(2) AR(3) MA(0) -6. Identifikasi model dilakukan dengan menggunakan kriteria minimum Akaike’s Information Criterion (AIC). 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.655 -6.840 -6.625 -6.662 -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.

807 0.926 0.36 0.0068 0.807 0.466 Parameter Nilai Taksiran 0.342 0.0126 0.985 0.484 0.004 yang lebih kecil dari nilai α (0.772 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.934 0.182 -0.167 -0.97 0.932 0.0294 0.0069 0.1145 0.1139 -0.2097 -0.986 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.0547 0.797 0.0317 0.1141 0. yaitu dengan P-value senilai 0.1664 -0.1118 -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.2182 -0.005 0.108 0.454 0.965 0.316 0.004 0.1752 -0.643 0.05).12 I.0281 0.932 0.653 0.654 0.341 0.973 0.919 0. Hasil taksiran model GSTAR setelah dilakukan penambahan variable .1161 (b) P-value 0.0142 0.053 0.814 0.333 0.641 0. Kemudian dilakukan penambahan variable dummy untuk masing-masing kabupaten pada model.3208 -0.795 0.1683 (a) P-value 0.0296 0.0053 0.371 0.0056 0.023 0.471 Tabel 5 (a) menunjukkan bahwa hanya terdapat satu parameter yang signifikan pada model GSTAR. 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.0265 0.137 0.025 0.0864 -0. Tabel 5 Hasil Taksiran Model GSTAR: (a) pada bobt seragam. (b) pada bobot invers jarak Parameter Nilai Taksiran 0.487 0.964 0.1482 -0.3229 -0.0297 0.916 0.134 0.108 0.439 0.

. yaitu variabel atau yang artinya jumlah penderita HIV/AIDS pada bulan ini berkaitan dengan jumlah penderita HIV/AIDS di satu bulan sebelumnya. sama seperti hasil penaksiran parameter yang telah dilakukan.28. yaitu atau Z1(t-1) dan atau V3(t-2) dengan nilai estimasi parameter masing-masing adalah 0. didasarkan pada jarak yang terbentuk antar kota tersebut. Sama halnya dengan penaksiran parameter pada model GSTAR dengan bobot lokasi seragam. Dari hasil penaksiran parameter pada model GSTAR setelah dilakukan penambahan variable dummy menunjukkan bahwa variable yang signifikan tetap sama. Hasil yang diperoleh adalah variabel yang signifikan untuk dimasukkan ke dalam model adalah variabel atau Z1(t-1). Kemudian dilakukan pemilihan model terbaik dengan metode stepwise.34 dan 0.05). 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. Dari proses ini diketahui bahwa variabel yang signifikan untuk dimasukkan ke dalam model ternyata ada sebanyak dua variabel.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. Variabel dummy ini mengandung informasi bahwa kunjungan wisatawan pada ketiga kebupaten ini memberikan efek yang berbeda. Sedangkan jumlah penderita HIV/AIDS tidak ada kaitannya dengan pengaruh kunjungan wisatawan ke tiga kabupaten ini.13 dummy tetap menunjukkan hanya terdapat satu variable yang siginifikan.34. dalam penaksiran parameter dengan bobot lokasi invers jarak juga ditambahkan variable dummy pada masing-masing kabupaten. Untuk menentukan model yang sesuai maka perlu dilakukan pemilihan model terbaik dengan metode stepwise.005 yang lebih kecil dibandingkan α (0. Nilai penaksir parameter β dari variabel ini adalah 0. yaitu satu variable. Maka model dugaan dengan bobot invers jarak adalah sebagai berikut. Sehingga model dugaan untuk bobot seragam adalah I.

85448 1. Tabel 7 Hasil Forecast Bulan Januari Februari Maret April Mei Juni Juli Badung Denpasar Gianyar 7.7456 7.41205 28 3.20998 14 1.12785 3.35755 10 5.7456 2.8785 13.3552 17 6.5364* Model yang baik adalah model dengan nilai RMSE yang kecil. Tabel 6 Nilai RMSE dari kedua model Lokasi HIV/AIDS Kab.8253 8.9282 2.9282 2.22652 .8626 13. Hasil peramalan dari model dugaan dengan bobot invers jarak dari bulan Januari sampai Juli 2011 adalah sebagai berikut. Gianyar Total RMSE Out-Sampel Bobot Bobot Seragam Invers Jarak 2.67755 17 3. Badung Kodya Denpasar Kab.91091 5.82312 8.37271 16 3.5524 7.14 I.06861 4.6 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. Dari tabel di atas dapat diketahui bahwa model dugaan dengan bobot invers jarak merupakan model yang lebih baik daripada dengan bobot seragam.84765 17 2.

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.433 atau 7 orang per bulan. J. KESIMPULAN DAN SARAN J. 2. . Sedangkan di Kabupaten Badung rata-rata jumlah penderita HIV/AIDS per bulannya sebanyak 6. Denpasarm dan Gianyar menunjukkan bahwa jumlah penderita HIV/AIDS pada bulan ini hanya memiliki keterkaitan dengan jumlah penderita HIV/AIDS pada 1 bulan sebelumnya. dan Kabupaten Gianyar sebanyak 2.48 atau 21 orang per bulan.15 J.1 Kesimpulan Adapun kesimpulan yang diperoleh dari hasil penelitian ini adalah sebagai berikut. Rata-rata jumlah penderita HIV/AIDS terbanyak terdapat di Kota Denpasar. yaitu sebanyak 20.75 atau 3 orang per bulan. 1. Sedangkan jumlah penderita HIV/AIDS di ketiga kabupaten tersebut tidak memiliki keterkaitan dengan pengaruh kunjungan wisatawan di ketiga kabupaten tersebut. yakni yang terlihat hany puncaknya saja. Hasil pemodelan jumlah penderita HIV/AIDS di Kabu[aten Badung. Sedangkan masih terdapat banyak kasus yang tidak tercatat oleh pemerintah.

22.. Ketshabile. “Data Objek dan Daya Tarik Wisata Tahun 2010. Box. “Metode dan Aplikasi Peramalan”. 44-52. 13. pp. Utilising Tourism Potential in Combating the Spread of HIV/AIDS through Poverty Allevaiation in Rural Areas of Botswana.C. Farai (2008). 1.A. dan Deutsch. (2007). H. (1980). Dinas Pariwisata Bali (2010).1.” tidak dipublikasikan. Vol. . In M Stasinopoulos and G Touloumi (Eds. Dorrington. Vol. S.541-574”. “Data Objek dan Daya Tarik Wisata Tahun 2004”. Pfeifer.. S. “Journal of the Indonesian Mathematical Society. (2008). 22. Tugas Akhir Statistika FMIPA-ITS. (2009). ITS. (1976). P. 35-47”. No.E. pp. Surabaya. Johnson. W. P.M. (2006).P. Makridakis. A. dan Jenkins. Tugas Akhir Statistika FMIPA-ITS. (2005). S. Some Comments On The Theorem Providing Stationarity Condition For GSTAR Models In The Paper by Borovkova et al. Modelling the Deographic Impact of HIV/AIDS in South Africa and the Likely Impact of Interventions. Lopuhaa.J. DAFTAR PUSTAKA Borovkova. “E3 Journal of Business Management and Economics. “Pemodelan Jumlah Kunjungan Wisatawan Pada Lima lokasi Wisata di Bali dengan Menggunakan GSTAR Musiman”. Bali. Proceedings of the 17th International Workshop on Statistical Modelling”. Seminar Nasional Statistika. No. V. Rob E.E.M. G.E. “Pemodelan Spatio-Temporal dengan metode GSTAR Pada Data Curah Hujan Bulanan di Kabupaten Ngawi”. Leigh F. Tugas Akhir Statistika FMIPA-ITS. United State of America: Addison-Wesley Publishing Company inc.). No. Dinas Pariwisata Bali (2004). S. Surabaya. P. Vol. Nyabadza. Suhartono dan Subanar. R. Jakarta: Erlangga. “Data Objek dan Daya Tarik Wisata Tahun 2008”. “Technometrics. pp. Lisbon S. pp. (1999). “International Journal of Biological and Life Science 4:2”. 001-11”. 139-147. San Francisco: Holden-Day. dan McGee. G. tidak dipublikasikan..W. “Time Series Analyss: Univariate and Multivariate Methods”. 2nd Edition”.S. S. Ningrum. pp.16 K.. (MIHMI)”. (2011). 1. (2009). “Generalized STAR model with experimental weights. “Time Series Analysis Forecasting and Control. Prayoga. (ISSN: 0854-1380). B. Rosmanicke. Bali. tidak dipublikasikan. A Three Stage Iterative Procedure for Space-Time Modeling. Dinas Pariwisata Bali (2008). dan Nurani. Wheelwright..A. Modeling HIV/AIDS Prevention by Defense. 2. Suhartono dan Atok. (2006). “Peramalan Indeks Harga Konsumen 4 Kota di Jawa Timur Menggunakan Model Generalized Space Time Autoregresive”. Surabaya. No. “Perbandingan Antara Model VARIMA dan GSTAR untuk Peramalan Data Deret Waktu dan Lokasi”. (2010). Chania.Y.. Bali.14. Surabaya. Vol. “Demographic Research. Wei.P.

Fakultas/ Program Studi d. NRP c. Fakultas/ Program Studi : MIPA / Statistika d. Waktu untuk Kegiatan PKM : 12 jam/ minggu Surabaya. NAMA KETUA DAN BIODATA KELOMPOK Berikut merupakan biodata ketua pelaksana kegiatan dan anggota pelaksana. 17 Oktober 2011 Ketua Pelaksana Kegiatan (Nyoman Pandu Wiradarma) 2. NRP : 1308 100 052 c. NRP c. Anggota pelaksana Pelaksana I a. Perguruan Tinggi Ayuk Putri Sugiantari 1309 100 047 MIPA/ Statistika Institut Teknologi Sepuluh Nopember Surabaya e. Waktu untuk Kegiatan PKM : 21 jam/ minggu Surabaya. LAMPIRAN 1). Fakultas/ Program Studi d. Nama : Nyoman Pandu Wiradarma b. Nama b. Perguruan Tinggi Kadek Ardya Novi Diani 1309 100 0065 MIPA/ Statistika Institut Teknologi Sepuluh Nopember Surabaya e. Perguruan Tinggi : Institut Teknologi Sepuluh Nopember Surabaya e. Waktu untuk Kegiatan PKM : 12 jam/ minggu Surabaya. Nama b. 17 Oktober 2011 Pelaksana I : : : : (Kadek Ardya Novi Diani) Pelaksana II a. 1. Ketua Pelaksana Kegiatan a. 17 Oktober 2011 Pelaksana II : : : : (Ayuk Putri Sugiantari) .17 L.

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->