PROPOSAL PENELITIAN LABORATORIUM DANA ITS TAHUN 2020

PROPOSAL

PENELITIAN LABORATORIUM DANA ITS TAHUN 2020

PERAMALAN PENCEMARAN UDARA (NO2 DAN SO2) SEBAGAI PERINGATAN DINI TERHADAP KUALITAS UDARA

DI KOTA SURABAYA

Tim Peneliti:

Muhammad Sjahid Akbar, M.Si Dr. Setiawan Dr. Suhartono Dr. Achmad Choiruddin

(Departemen Statistika/FMKSD/ITS Surabaya) (Departemen Statistika/FMKSD/ITS Surabaya) (Departemen Statistika/FMKSD/ITS Surabaya) (Departemen Statistika/FMKSD/ITS Surabaya)

DIREKTORAT PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA 2020

ii DAFTAR ISI

DAFTAR ISI ... ii

DAFTAR TABEL ... iii

DAFTAR GAMBAR ... iv

DAFTAR LAMPIRAN ... v

BAB I RINGKASAN ... 1

BAB II LATAR BELAKANG ... 2

2.1 Latar Belakang ... 2

2.2 Rumusan Masalah ... 3

2.3 Tujuan Penelitian ... 4

2.4 Relevansi ... 4

2.5 Target Luaran ... 4

BAB III TINJAUAN PUSTAKA ... 5

3.1 Teori Penunjang ... 5

3.1.1 GSTAR ... 5

3.1.2 GSTMA ... 5

3.1.2 GSTARMA ... 6

3.2 Studi Hasil Penelitian Sebelumnya (State of the Art) ... 8

BAB IV METODE PENELITIAN... 10

4.1 Sumber Data dan Variabel Penelitian ... 10

4.2 Kerangka dan Tahapan Analisis ... 10

4.3 Flow Chart ... 11

BAB V JADWAL DAN RANCANGAN ANGGARAN BIAYA ... 12

5.1 Jadwal Penelitian ... 12

5.2 Anggaran Biaya ... 13

BAB VI DAFTAR PUSTAKA ... 15

iii DAFTAR TABEL

Tabel 4.1 Variabel Penelitian ... 10

Tabel 4.2 Struktur Data Penelitian... 10

Tabel 5.1 Jadwal Pelaksanaan Penelitian ... 13

iv DAFTAR GAMBAR

v DAFTAR LAMPIRAN

Lampiran 1 Biodata Tim Peneliti ... 17 Lampiran 2 Surat Pernyataan Kesediaan Anggota Tim ... Error! Bookmark not defined.

1 BAB I

RINGKASAN

Pada tahun 2018 Universitas Yale menyusun Environmental Performance Index (EPI) yang menunjukkan kualitas udara Indonesia berada di posisi 147 dari 180 negara. Permasalahan buruknya kualitas udara menunjukkan perlu mendapat perhatian lebih karena akan berdampak pada manusia dan lingkungan sekitarnya. Polusi udara di kota-kota besar di Indonesia berdampak pada penurunan kualitas udara secara nasional. Kota Surabaya merupakan salah satu kota metropolitan di Indonesia dan menjadi pusat perekonomian di Indonesia bagian timur. Jumlah penduduk di Kota Surabaya yang terus meningkat menyebabkan penggunaan kendaraan bermotor juga ikut meningkat dan akan berdampak pada pencemaran udara. Pada sektor transportasi, kendaraan menyumbang 25% Karbon Dioksida (CO2), 90% Karbon Monoksida (CO), dan 50% Nitrogen Oksida (NOx). Selain melalui asap kendaraan bermotor, banyaknya wilayah perindustrian tentu menyebabkan permasalahan polusi udara semakin kompleks seperti adanya kandungan Sulfur Dioksida (SO2) dari proses industri pemurnian petroleum, industri asam sulfat, industri peleburan baja, dan sebagainya yang diproduksi secara rutin dalam industri logam dan akan terdapat di udara. Penelitian ini akan memberikan informasi awal (early warning) tingkat polusi udara di Surabaya dengan mengetahui pola datanya sehingga dapat dilakukan prediksi atau peramalan kandungan polutan khususnya NO2 dan SO2. Dengan mengetahui pola data dan ramalan polutan NO2 dan SO2, pemerintah dapat memanfaatkannya sebagai bahan pertimbangan untuk mengambil kebijakan selanjutnya. Data polutan memiliki unsur spasial karena melibatkan 3 stasiun monitoring udara, yaitu Taman Prestasi, Wonorejo, dan Kebon Sari. Sistem yang digunakan untuk monitoring kualitas udara adalah Air Quality Monitoring System (AQMS). GSTARMA adalah pemodelan statistika yang digunakan untuk peramalan data yang mempunyai dependensi dengan waktu dan lokasi sehingga pemilihan GSTARMA sebagai metode peramalan kandungan polutan (NO2 dan SO2) sesuai dengan permasalahan tersebut. Penelitian ini juga bertujuan untuk mengkaji pemodelan GSTARMA beserta karakteristik estimasi parameternya.

2 BAB II

LATAR BELAKANG 2.1 Latar Belakang

Berbagai kegiatan manusia menyebabkan pencemaran udara. Udara merupakan komponen penting dalam kehidupan makhluk hidup sehingga kualitas udara harus tetap dijaga. Polusi udara di kota-kota besar di Indonesia berdampak pada penurunan kualitas udara secara nasional. Universitas Yale menyusun Environmental Performance Index (EPI) pada tahun 2018 yang menunjukkan secara umum bahwa kualitas lingkungan Indonesia berada di urutan 133, sedangkan untuk kategori kualitas udara Indonesia berada di posisi 147 dari 180 negara [1]. Indonesia secara resmi menggunakan Indek Standar Pencemar Udara (ISPU) sebagai indeks standar kualitas udara dengan 5 parameter meliputi Partikulat (PM10), Karbon Monoksida (CO), Sulfur Dioksida (SO2), Nitrogen Dioksida (NO2), dan Ozon (O3) [2]. Menurut Keputusan Menteri Negara Lingkungan Hidup No. 45 Tahun 1997, ISPU adalah angka penggambaran kondisi kualitas udara ambien di lokasi dan waktu tertentu yang didasarkan kepada dampak terhadap kesehatan manusia, nilai estetika dan makhluk hidup lainnya. Berdasarkan data ISPU SUF-7 pada 15 September 2017 Kota Surabaya memiliki indeks 66 dengan status sedang dan belum mencapai level baik [3].

Kota Surabaya merupakan salah satu kota metropolitan di Indonesia dan menjadi pusat perekonomian di Indonesia bagian timur [4]. Keberadaan Kota Surabaya sebagai ibu kota provinsi Jawa Timur membuat banyak kaum urban dari berbagai daerah datang ke Surabaya, maka tidak heran jika perkembangan bisnis, perdagangan, industri, dan pendidikan tumbuh pesat. Jumlah penduduk di Kota Surabaya yang terus meningkat menyebabkan penggunaan kendaraan bermotor ikut meningkat. Terdapat beberapa faktor yang menyebabkan pencemaran udara, salah satunya yang sering dijumpai adalah asap kendaraan bermotor. Sektor transportasi memiliki kontribusi sebesar 60% sebagai penyebab pencemaran udara, dimana kendaraan menyumbang 25% Karbon Dioksida (CO2), 90% Karbon Monoksida (CO), dan 50% Nitrogen Oksida (NOx) terhadap total emisi di seluruh dunia (Kusuma, 2010). Selain melalui asap kendaraan bermotor, banyaknya wilayah perindustrian tentu menyebabkan permasalahan polusi udara semakin kompleks seperti adanya kandungan Sulfur Dioksida (SO2) dari proses industri pemurnian petroleum, industri asam sulfat, industri peleburan baja, dan sebagainya yang diproduksi secara rutin dalam industri logam dan terdapat di udara. Polutan yang berasal dari asap kendaraan bermotor dan industri yang menggunakan bahan bakar minyak dan batubara tersebut akan membentuk asam sulfat (H2SO4) dan asam nitrat (HNO3) yang akhirnya jatuh ke tanah sebagai hujan asam [5].

Sumber utama SO2 adalah pembakaran bahan bakar fosil seperti arang, kayu, dan pembangkit listrik tenaga batu bara, serta gunung berapi [6]. SO2 akan menghasilkan rasa pada konsentrasi 0,3 ppm dan menghasilkan bau pada konsentrasi 0,5 ppm. SO2 dianggap sebagai pencemar yang berbahaya bagi kesehatan terutama pada orang tua dan penderita penyakit kronis pada sistem pernafasan kardiovaskular dan bersifat iritan kuat pada kulit dan lendir, pada konsentrasi 6-12 ppm mudah diserap oleh selaput lendir saluran pernafasan bagian atas, dan pada kadar rendah dapat menimbulkan spesme tergores otot-otot polos pada bronchioli, speme ini dapat menjadi hebat pada keadaan dingin dan pada konsentrasi yang lebih besar terjadi produksi lendir di saluran pernafasan bagian atas, dan apabila kadarnya bertambah besar maka akan terjadi reaksi peradangan yang hebat pada selaput lendir disertai dengan paralycis cilia, dan apabila pemaparan ini terjadi berulang kali, maka iritasi yang berulang-ulang dapat menyebabkan terjadi hyper plasia dan meta plasia sel-sel epitel dan dicurigai dapat menjadi kanker [7].

Ada beberapa dampak yang ditimbulkan oleh pencemaran NO2 di udara. Dampak langsung NO2 terhadap lingkungan salah satunya adalah hujan asam. Selanjutnya efek yang ditimbulkan

3 pada lingkungan ekosistem adalah kerusakan lingkungan ekosistem tempat tinggal berbagai macam makhluk hidup seperti kebakaran hutan yang dapat merusak tumbuh-tumbuhan dan hewan. Menurut World Health Organization (WHO), dampak NO2 terhadap kesehatan manusia pada paparan dalam waktu 10-15 menit dapat menyebabkan terjadinya perubahan pada fungsi paru-paru dan bronchitis, serta asma pada paparan selama satu jam.

Upaya pengendalian kualitas dan pencemaran udara dilakukan dengan menggunakan Air

Quality Monitoring System (AQMS) seperti yang tertera dalam PP No. 41 Tahun 1997 tentang

Pengelolaan Kualitas Udara. AQMS di Kota Surabaya dilakukan dengan mengumpulkan data di beberapa stasiun yang tersebar di 3 wilayah di Kota Surabaya kemudian ditampilkan dalam data display [8]. Pengumpulan data menggunakan AQMS hanya mencatat kondisi udara pada saat itu saja, sehingga memerlukan peran ilmu statistika untuk memperkirakan kondisi udara untuk beberapa waktu kedepan. Melalui ilmu statistika didapatkan model yang nantinya dapat digunakan untuk meramalkan kualitas udara dalam beberapa waktu ke depan [9].

Penelitian ini, akan dilakukan peramalan kualitas udara yaitu Sulfur Dioksida (SO2) dan Nitrogen Dioksida (NO2) di 3 stasiun SUF di Kota Surabaya, yaitu SUF-1 di Taman Prestasi Kantor Gubernur Surabaya, SUF-6 di Wonorejo, dan SUF-7 di Kebonsari. Kajian mengenai penurunan emisi CO2, CO, dan PM10 pada program car free day di jalan utama Kota Surabaya pernah dilakukan oleh Agustri [10] yang menyimpulkan bahwa beban emisi CO dan PM10 pada saat car free day menurun. Penelitian tentang kualitas udara telah banyak dilakukan, seperti yang pernah dilakukan oleh Chrisdayanti dan Suharsono yang meneliti tentang Peramalan Kandungan Particulate Matter (PM10) dalam Udara Ambien Kota Surabaya Menggunakan Double Seasonal

Autoregressive Moving Average (DSARIMA). Penggunaan metode ini dikarenakan pengamatan

yang dilakukan menggunakan data kandungan PM10 per jam, sehingga akan ditemukan 2 pola musiman pada data, yaitu harian dan mingguan [9]. Terdapat beberapa hal yang perlu diperbaiki dari penelitian tersebut, salah satunya adalah perlu dilakukan pemodelan kandungan PM10 menggunakan DSARIMA dengan didekati percentile error bootsrap untuk mengatasi interval hasil ramalan yang lebar. Di tahun 2012, penelitian mengenai Aplikasi Model Generalized Space

Time Autoregressive (GSTAR) pada Data Pencemaran Udara di Kota Surabaya dilakukan dengan

menggunakan zat polutan PM10. Data yang digunakan menunjukkan adanya pola yang merujuk ke model Autoregressive Moving Average (ARMA), namun dengan pendekatan model GSTAR, pola Moving Average tidak bisa diakomodasikan, sehingga memerlukan penelitian lebih lanjut agar didapatkan model yang lebih baik [11]. Beberapa penelitian tentang polusi udara di Surabaya membahas tentang kandungan CO, CO2, dan PM10. Tetapi masih sedikit penelitian yang membahas tentang kandungan SO2 dan NO2 pada polutan di Surabaya. Oleh sebab itu penelitian ini akan memodelkan meramalkan kandungan SO2 dan NO2 sebagai bentuk peringatan dini terhadap kualitas udara di Kota Surabaya.

Melalui penelitian sebelumnya, dapat diambil kesimpulan bahwa data kualitas udara di Kota Surabaya memiliki pola musiman dan penelitian menggunakan metode GSTAR tidak dapat digunakan karena tidak menunjukkan pola model ARMA. Oleh karena itu, dalam penelitian ini akan digunakan metode Generalized Space Time Autoregressive Moving Average (GSTARMA) yang merupakan pengembangan dari metode GSTAR yang diberi pola Moving Average. Diharapkan melalui penelitian ini didapatkan model terbaik yang sesuai dan dapat digunakan untuk meramalkan polusi udara di Kota Surabaya.

2.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, permasalahan yang dibahas adalah bagaimana pola data pencemaran udara di Kota Surabaya, khususnya NO2 dan SO2. Selain itu,

4 permasalahan yang dibahas adalah bagaimana model peramalan yang terbaik terhadap NO2 dan SO2 sebagai bentuk peringatan dini terhadap kualitas udara di Kota Surabaya.

2.3 Tujuan Penelitian

Berdasarkan rumusan masalah yang ada, tujuan yang dapat dicapai dalam melakukan penelitian ini adalah sebagai berikut:

1. Mendapatkan pola data pencemaran udara di Kota Surabaya, khususnya NO2 dan SO2. 2. Mendapatkan model peramalan GSTARMA data polutan NO2 dan SO2 di Kota Surabaya. 3. Mendapatkan hasil peramalan model GSTARMA data polutan NO2 dan SO2 sebagai bentuk

peringatan dini di Kota Surabaya.

4. Membuktikan sifat estimasi parameter Model GSTARMA, bersifat unbiased. 2.4 Relevansi

Kota Surabaya merupakan salah satu kota besar di Indonesia yang tak lepas dari permasalahan pencemaran udara. Sehingga, perlu adanya kegiatan monitoring (early warning) kualitas udara di Kota Surabaya untuk mengurangi dampak yang disebabkan oleh pencemaran udara. Salah satu cara yang bisa dilakukan adalah dengan meramalkan kualitas udara menggunakan metode statistik. Peramalan dilakukan dengan memodelkan data kualitas polusi udara di Kota Surabaya yang dicatat di 3 lokasi monitoring yang berbeda. Metode statistik yang digunakan adalah Generalized Space Time Autoregressive Moving Average (GSTARMA) yang banyak dipakai untuk memodelkan data Spatio-Temporal [12]. Metode ini digunakan karena dapat diterapkan untuk kasus dengan lokasi yang heterogen. Metode tersebut relevan mengingat data yang digunakan berasal dari sumber terpercaya, yaitu Dinas Lingkungan Hidup Kota Surabaya dan memiliki pola dependensi waktu dan lokasi. Selain itu, pada penelitian ini juga membuktikan bahwa sifat estimasi parameter bersifat Unbiased.

2.5 Target Luaran

Target luaran dari penelitian ini adalah hasil penelitian dapat dipublikasikan pada jurnal internasional Applied Mathematics & Information Sciences, Print ISSN: 1935-0090 | Electronic ISSN: 2325-0399, http://dx.doi.org/10.18576/amis, Publisher: Natural Sciences Publishing USA (NSP), New York.

5 BAB III

TINJAUAN PUSTAKA 3.1 Teori Penunjang

3.1.1 GSTAR

Model space-time autoregressive (STAR) dari Pfeifer & Deutsch, 1980 dapat digunakan untuk lokasi-lokasi yang homogen dengan mengasumsikan parameter Autoregressive dan parameter space time adalah sama untuk setiap lokasi, maka untuk lokasi-lokasi yang heterogen, Ruchjana (2002) mengembangkan model STAR menjadi model GSTAR. Model umum GSTAR dengan orde p dalam time dan orde l = 0,1,…,λk dalam space dinotasikan GSTAR(l,p) dituliskan

sebagai: (1) , ,( ) , 1 0 . k p i t kl i t k i t k l     



W  z  z a (1)

Model GSTAR dengan orde satu, baik dalam time maupun space (GSTAR(11)) dinyatakan sebagai berikut :         (1) , 10 , 1 11 , 1 , (1) ( ) (1) ( ) ( ) , 1 , 1 , 10 10 11 11 ( ,..., ) ( ,..., ) , i t i t t i t t i t m m l i t t i t t i t diag  diag            W W z z z a z z a    (2) dengan , i t  z : i t,   z 



(1) ( )



10,..., 10 m

diag   : matriks diagonal parameter autoregressive time lag 1



(1) ( )



11,..., 11

m

diag   : matriks diagonal parameter space-time spasial lag 1 dan

time lag 1

W : matriks bobot

t

a : vektor error model GSTAR yang berdistribusi normal dengan vektor rata-rata

error nol dan matriks varians-kovarians error _2

I 3.1.2 GSTMA

Jika error pada persamaan (1) dimodelkan menjadi Generalized space time moving average (GSTMA) seperti persamaan (3)

(1) , ,( ) , 1 0 . k r q i t kl i t k i t k l    



 W  a a a (3)

Model GSTMA dengan orde satu, baik dalam time maupun space (GSTMA(11)) dinyatakan sebagai berikut :         (1) , 10 , 1 11 , 1 , (1) ( ) (1) ( ) ( ) , , , 10 10 1 11 11 1 ( ,..., ) ( ,..., ) , i t i tt i tt i t m m l i tt i tt i t diag  diag             W W a a a u a a a  (4) dengan



(1) ( )



10,..., 10 m

diag   : matriks diagonal parameter moving average time lag 1



(1) ( )



11,..., 11

m

diag   : matriks diagonal parameter space-time spasial lag 1 dan time lag 1

6 t

u : vektor error model GSTMA yang berdistribusi normal dengan vektor rata-rata serror nol dan matriks varians-kovarians error _2_I

3.1.2 GSTARMA

Jika persamaan (1) dan (3) digabung menjadi model GSTARMA



,



k rk

p_ q . Penelitian ini dibatasi pada orde spasial = 1. Sehingga model GSTARMA



p q₁, ₁



seperti persamaan (5)

1 1 ( ) ( ) , ,( ) ,( ) , 1 0 1 0 . p q l l i t kl i t k kl i t k i t k l k l       



W 



 W  z  z a a (5)

Model GSTARMA dengan orde satu, baik dalam time maupun space (GSTARMA(p1,q1)) dinyatakan sebagai berikut :

                    (1) (1) , 10 , 1 0 , 11 , 1 1 , (1) (1) 10 , 1 0 , 11 , 1 1 , , (1) ( ) (1) ( ) , 1 , 10 10 0 0 ( ,..., ) ( ,..., ) ( i t i t t p i t t p i t t p i t t p i tt q i tt q i t t q i tt q i t m m i t t p p i t t p diag diag diag                                    W W W W z z z z z a a a a a z z             _{ }   (1) ( ) ( ) (1) ( ) ( ) , 1 , 11 11 1 1 (1) ( ) (1) ( ) , , 10 10 1 0 0 (1) ( ) ( ) (1) ( ) ( ) , 11 11 1 1 1 ,..., ) ( ,..., ) ( ,..., ) ( ,..., ) ( ,..., ) ( ,..., ) m l m l i t t p p i t t p m m i tt q q i tt q m l m l i tt q q i diag diag diag diag diag                           W W W W z z a a a a_{,tt q }a_{i t,}, (6)

Model GSTARMA(11,11) dapat ditulis dalam bentuk matriks seperti persamaan (7)

( ) ( ) ( ) ( ) (1) (1) 1, 10 1, 1 0 1, ( ) ( ) 10 0 , , 1 , 0 0 0 0 t t p t p m m p m t m t m t p z z z z z z f f f f - -- -æ ö æ ö æ ö_{÷ æ öç ÷ æ öç ÷} ç _{÷ ÷ç ÷ ÷ç ÷} ç ÷ ç ÷ç ÷ ç ÷ç ÷ ç ÷ ç ÷ç ÷ ç ÷ç ÷ ç ÷= ç ÷ç ÷+ +ç ÷ç ÷ ç ÷ ç ÷_ç ÷_÷ ç ÷_ç ÷_÷ ç ÷ ç ÷_{ç ÷} ç ÷_{ç ÷} ç ÷ ç_÷ ÷_{ç ÷} ç ÷_{ç ÷} ç _÷ ç_ç ÷_{÷ç ÷} ç_ç ÷_{÷ç ÷} ç ÷ è ø ÷ è ø ç ç ÷ ç è ø è ø è ø g g g g g g L L M M O M M L M O M M L L ( ) ( ) ( ) ( ) (1) (1) 1, 1 1, 11 1 ( ) ( ) 11 , 1 1 , (1) 1, 10 ( ) 10 0 0 0 0 0 0 t _p t p m m p m t m t p t m v v v v a f f f f q q - -- -+ ÷÷ æ ö æ ö æ ö_{÷ç ÷} æ ö_{÷ç ÷} ç _{÷ç ÷} ç _{÷ç ÷} ç ÷ç ÷ ç ÷ç ÷ ç _÷ç ÷_{+ +}ç _÷ç ÷₊ ç ÷_ç ÷_÷ ç ÷_ç ÷_÷ ç ÷_{ç ÷} ç ÷_{ç ÷} ç ÷_{ç ÷} ç ÷_{ç ÷} ç ÷_÷ ç ÷_÷ ç ç ÷ ç ç ÷ è øè ø è øè ø æ _ö÷ ç _÷ ç _÷ ç _÷ - ç_{ç ÷÷} ç ÷ ç _÷÷ çè ø L L M O M M L M O M M L L L M O M L ( ) ( ) ( ) ( ) ( ) ( ) 1 1, 1 (1) (1) 1, 1, 1 0 11 ( ) ( ) 0 1, 11 , 1 (1) 1 0 0 0 0 0 t t q t q m m q t q m t q a a R a R q q q q q -- -- -æ _ö÷ ç _÷ ç _÷ ç _÷ ç ÷- + ç ÷ ç ÷ ç _÷÷ ç ÷ çè ø æ ö æ ö æ ö_{÷ç ÷} æ ö_{÷ç ÷} ç _÷ç ÷ ç _÷ç ÷ ç _÷ç ÷ ç _÷ç ÷ ç ÷ç ÷ ç ÷ç ÷ - ç_{ç ÷÷ç ÷}÷- ç_{ç ÷÷ç ÷}÷+ ç ÷ ç ÷ ç ÷_{ç ÷} ç ÷_{ç ÷} ç ÷_÷ ç ÷_÷ ç çç ÷÷ ç ç ÷ è øè ø è øè ø - -M L L L M O M M M O M M L L L L M ( ) ( ) 1, _1, ( ) 1 , , , 0 t q _t m q m t q m t R _a R a q -æ ö æ ö_{÷ç ÷} æ ö_÷ ç _÷ç ÷ ç _÷ ç _÷ç ÷ ç _÷ ç ÷ç ÷+ç ÷ ç _÷ç ÷ ç_{÷ ÷} ç ÷ç ÷ ç ÷ ç ÷_{ç ÷} ç ÷ ç ÷÷ çç ÷÷ ç ç ÷ è ø è øè ø O M M M L (7)

7 dengan                        1 1 2, 1 , 1 12 1 1, 1 1 1 1, 1 1 , 1 1 , 1 1 t m m t t t m t m m t m m w w w w               v z z v z z                        1 1 2, , 12 1 1, 1 1 1, 1 , 1 , 1 t p m m t p t p t p m t p m m t p m m w w w w               v z z v z z                        1 1 12 1 1, 1 2, 1 , 1 1 1 1 , 1 1, 1 1 1 , 1 m t t m t m m t t m m m t w w w w               R a a R a a                        1 1 12 1 1, 2, , 1 1 1 , 1, 1 1 , m t p t p m t p m m t p t p m m m t p w w w w               R a a R a a

Misalkan d dapat dinyatakan sebagai berikut:





, d = A B C D (8) dengan         1, 1 1, , 1 , 0 0 , 0 0 t t p m t m t p                 A = z z z z         1, 1 1, , 1 , 0 0 , 0 0 t t p m t m t p               B = v v v v         1, 1 1, , 1 , 0 0 , 0 0 t t q m t m t q               C = a a a a         1, 1 1, , 1 ,, 0 0 , 0 0 t t q m t m t q               D = R R R R

Jika vektor  dapat dinyatakan sebagai berikut:





     δ = f g k m , (9) dengan



(1) ( ) (1) ( )



10 10 0 0 m m p p        f , g 



₁₁(1) ₁₁( )m (1)_p1 _p( )₁m







(1) ( ) (1) ( )



10 10 0 0 m m q q        k , m 



₁₁(1) ₁₁( )m _q(1)₁ _q( )₁m





Matrix C diperoleh dari error model GSTAR (De Frutos & Serrano, 2002). Model GSTARMA



p q

1

,

1



pada persamaan (5) dapat ditulis seperti persamaan (10) dengan penjelasan di atas.

d +

z =  u. (10)

8 seperti proses estimasi parameter pada persamaan (11) sebagai berikut:



₁



1 ₁ SUR ˆ _{ }   _  d d d z    . (11)

3.2 Studi Hasil Penelitian Sebelumnya (State of the Art)

Studi mengenai pencemaran udara yang pernah dilakukan, diantaranya oleh Firdaus dan Sulistyorini [13] melakukan penelitian tentang kadar SO2 dan kejadian ISPA di Surabaya menurut tingkat pencemaran yang berasal dari kendaraan. Hasil penelitian menunjukkan bahwa terdapat korelasi antara SO2 dengan kejadian ISPA di Kecamatan Rungkut dan Jambangan. Selain itu Gusnita [14] melakukan penelitian mengenai karakteristik temporal pencemar udara ambien di kota surabaya. Gusnita menyatakan Pola konsentrasi polutan selama 24 jam menunjukkan polutan di kota Surabaya memiliki karakteristik tidak sama. Polutan CO dan NOx menunjukan 2 peak yaitu pagi hari dan pukul 20.00. Polutan SO2 peak pada sekitar pukul 08.00 WIB pagi hari. Polutan PM10 peak pada siang hari. Polutan NOx dan CO memiliki konsentrasi yang lebih tinggi pada musim peralihan. Polutan PM10, SO2 dan O3 memiliki konsentrasi tertinggi pada musim kering. Selanjutnya Constantya meneliti Studi pola konsentrasi kualitas udara ambien kota surabaya (parameter: NO, NO2, O3). Masito [15] melakukan penelitian yang bertujuan untuk mengetahui risiko kualitas udara ambien (NO2 dan SO2) dan gangguan pernapasan pada masyarakat di wilayah Kalianak Surabaya.. Hasil penelitian menunjukkan bahwa NO2 dan SO2 di Kalianak Surabaya terdapat pada konsentrasi maksimal, artinya tingkat risiko ini tidak aman untuk penduduk di wilayah tersebut. Hasil pemeriksaan gangguan pernapasan menunjukkan bahwa terdapat 68,4% responden di wilayah Kalianak Surabaya mengalami penurunan fungsi paru. Darmawan [16] juga pernah melakukan analisis risiko kesehatan lingkungan kadar NO2 serta keluhan kesehatan petugas pemungut karcis Tol Dupak 1 Kota Surabaya yang menyimpulkan bahwa keluhan kesehatan yang paling banyak dialami petugas pemungut karcis gerbang Tol Dupak 1 Kota Surabaya yaitu batuk, mata merah, dan perih pada mata. Hal ini didukung dengan pernyataan Sandra [17] bahwa NO2 terasa pedih jika mengenai mata, hidung, dan pada konsentrasi NO2 yang tinggi dapat mengganggu system pernafasan dengan menurunkan fungsi paru, serta melemahkan sistem pernafasan paru. Penelitian oleh Hikmiyah [18] juga dilakukan untuk meneliti tentang kadar debu dan NO2 di udara ambien serta keluhan pernapasan pada pekerja penyapu di Terminal Purabaya Kabupaten Sidoarjo. Kadar debu dan NO2 yang terukur di terminal kedatangan dan keberangkatan pada pagi, siang, dan sore hari melebihi baku mutu yang telah ditetapkan sesuai Peraturan Gubernur Jawa Timur Nomor 10 tahun 2009 tentang Baku Mutu Udara Ambien dan Emisi Sumber Tidak Bergerak di Jawa Timur. Keluhan pernapasan yang dialami oleh responden penyapu di Terminal Purabaya yaitu sebagian besar mengalami keluhan berupa batuk dan napas cepat sedangkan sebagian kecil telah mengalami keluhan berupa adanya dahak dan sesak napas.

Penelitian mengenai polusi udara yang telah menerapkan peramalan menggunakan metode statistika telah dilakukan oleh Carolina [19] yang membahas estimasi penyebaran polusi udara di Bandung yang mengimplementasikan spasial waktu dengan metode Generalized Space Time

Autoregressive (GSTAR). Hasil peramalan tingkat penyebaran polusi udara pada tahun 2015-2024

menunjukkan hasil yang tidak jauh berbeda dengan data pada periode sebelumnya. Nilai RMSE yang dihasilkan yaitu 0.0067 untuk polutan NO2 dan 0.0035 untuk polutan SO2. Berdasarkan nilai RMSE tersebut, model GSTAR (1;1) dengan bobot normalisasi korelasi silang layak digunakan untuk peramalan. Titik penyebaran polutan NO2 paling ekstrim akan berada di daerah Dago dan untuk polutan SO2 akan berada di daerah Martadinata, Tanjungsari, Padalarang dan Tanjungwangi. Wutsqa, Suhartono, dan Sutijo, [11] yang menganalisis data pencemaran udara (PM10) di Kota

9 Surabaya dengan menggunakan metode Generalized Space Time Autoregressive (GSTAR). Data didapatkan dari 3 stasiun pemantau kualitas udara di Kota Surabaya. Pembentukan model dilakukan dengan identifikasi order autoregressive dengan kriteria Akaike Information Criterion (AIC), estimasi bobot antar lokasi dengan normalisasi korelasi silang Hasil penelitian menunjukkan bahwa terdapat kecenderungan hubungan antar waktu muncul pada data PM10 untuk semua stasiun dan terdapat hubungan spasial pada data PM10 muncul di stasiun 1 dan 3. Di awal analisis, data telah menunjukkan pola model Autoregressive Moving Average, namun karena pendekatan yang dilakukan menggunakan model GSTAR, maka pola moving average tidak bisa diakomodasi. Diperlukan prosedur Generalized Autoregressive Moving Average untuk penelitian lebih lanjut agar didapatkan model yang terbaik meskipun tidak mudah untuk pengembangaan prosedur pembentukan model baik secara teoritis maupun perhitungannya serta sifat-sifat estimasi parameternya (unbiased).

10 BAB IV

METODE PENELITIAN 4.1 Sumber Data dan Variabel Penelitian

Data yang digunakan dalam penelitian ini adalah data kualitas polusi udara khususnya untuk kandungan NO2 dan SO2. Data ini diperoleh dari dinas lingkungan hidup pemerintahan kota Surabaya. Pengambilan data kualitas polusi udara (NO2 dan SO2) menggunakan AQMS yang terletak di 3 stasiun SUF di Kota Surabaya, yaitu SUF-1 di Taman Prestasi Kantor Gubernur Surabaya, SUF-6 di Wonorejo, dan SUF-7 di Kebonsari.

Variabel penelitian seperti pada Tabel 4.1:

Tabel 4.1 Variabel Penelitian

Variabel Keterangan Skala

NO2 Nitrogen Dioksida Rasio

SO2 Sulfur Dioksida Rasio

Struktur data penelitian disajikan pada Tabel 4.2:

Tabel 4.2 Struktur Data Penelitian

Pengamatan Nitrogen Dioksida Sulfur Dioksida

Tanggal dan Bulan Jam (NO2) (SO2)

1 Januari … 00.00 Y1(1) Y2(1) 00.30 Y1(2) Y2(2) 01.00 Y1(3) Y2(3) ⋮ ⋮ ⋮ 23.30 Y1(47) Y2(47) 24.00 Y1(48) Y2(48) ⋮ ⋮ ⋮ ⋮ 31 Desember … 00.00 Y1(335) Y2(335) 00.30 Y1(336) Y2(336) 01.00 Y1(337) Y2(337) ⋮ ⋮ ⋮ 23.30 Y1(364) Y2(364) 24.00 Y1(365) Y2(365)

4.2 Kerangka dan Tahapan Analisis

Tahapan analisis data yang dilakukan adalah sebagai berikut:

1. Pengambilan data kualitas polusi udara (NO2 dan SO2) pada ketiga stasiun SUF di Kota Surabaya, yaitu Taman Prestasi Kantor Gubernur, Wonorejo, dan Kebonsari.

2. Melakukan preprocessing dengan ketentuan: data NO2 dan SO2 per setengah jam. 3. Pendugaan missing data.

4. Melakukan analisis data untuk mengetahui pola data NO2 dan SO2.

5. Melakukan pemodelan data NO2 dan SO2 metode GSTARMA dengan tahapan sebagai berikut:

- Identifikasi ordo time dengan Matrix Cross Correlation Function (MCCF). - Estimasi parameter model GSTARMA dengan metode OLS.

- Diagnostic checking residual model GSTARMA. - Peramalan data NO2 dan SO2.

6. Membuktikan estimasi parameter model bersifat unbiased

11 4.3 Flow Chart

Gambar 4.1 Flow Chart Data kualitas polusi udara (NO2 dan SO2)

pada ketiga stasiun

Preprocessing data NO2 dan

SO2

Pendugaan

missing data

Analisis data untuk mengetahui pola data NO2 dan SO2

Pemodelan data NO2 dan

SO2 dengan GSTARMA

Selesai Peramalan data

12 BAB V

JADWAL DAN RANCANGAN ANGGARAN BIAYA 5.1 Jadwal Penelitian

Penelitian ini dijadwalkan akan berlangsung selama delapan bulan dengan rencana dan alokasi waktu sebagaimana ditunjukkan dalam Tabel 5.1 berikut:

Tabel 5.1 Jadwal Pelaksanaan Penelitian

No Kegiatan A p r Mei Ju n Ju l A gs S_ep Ok t N op Luaran _PJ*) 1 Kajian literatur Informasi tentang polusi udara di Surabaya, missing data, dan GSTARMA

MSA, SET, SHT

2

Pengumpulan data kualitas polusi udara (NO2 dan SO2) dan

preprocessing data

Data siap olah,

Statistika deskriptif AC

3

Pendugaan missing

data dan analisis

Pola data (NO2 dan

SO2)

Pendugaan data

hilang AC

4

Pola data dan Identifikasi orde

time

Pola data NO2 dan

SO2 seasonal 1, 2, ...,

n. Outlier, dll. Serta

orde AR & MA pada model GSTARMA MSA 5 Menentukan bobot spasial yang digunakan Bobot uniform, invers jarak, normalisasi korelasi silang MSA

6 Mendapatkan model _{GSTARMA terbaik} Model GSTARMA MSA, _SET

7 Melakukan peramalan model GSTARMA Ramalan kadar NO2 dan SO2 pada n periode selanjutnya di wilayah Surabaya MSA, SHT 8 Membuktikan sifat unbiased pada estimasi parameter GSTARMA

Sifat unbiased pada estimasi parameter model GSTARMA MSA, AC 9 Pembuatan laporan akhir, draft laporan,

submit dan revisi

Laporan Akhir,

Draft Jurnal

MSA, SHT, SET,AC

10 Pengumpulan _{laporan akhir} Laporan Akhir MSA

13 5.2 Anggaran Biaya

Tabel 5.2 Anggaran Biaya

No. Uraian Jumlah (Rp)

1. Belanja Bahan 33.750.000,00

2. Belanja Barang Non Operasional Lainnya 4.500.000,00 3. Belanja Perjalanan Lainnya 9.750.000,00

4. Belanja Honorarium 2.000.000,00

Jumlah 50.000.000,00

Uraian Anggaran Biaya 1. Belanja Bahan

No. Item Bahan Volume Satuan Harga Satuan

(Rp) Total (Rp) Pajak PPh PPn (Rp) 21 (Rp) 22 (Rp) 23 (Rp) 1. Kertas HVS A4 5 Rim 40.000,00 200.000,00 2. HD Portable 1 Terrabyte 2 Buah 800.000,00 1.600.000,00 3. ATK 2 Paket 220.000,00 440.000,00 4. Catridge EPSON (Black) 2 Buah 180.000,00 360.000,00 5. Catridge EPSON (Warna) 2 Buah 185.000,00 370.000,00 6. Fotokopi Pustaka dan Materi Rapat 20 Kegiatan 40.000,00 1.600.000,00 7. Fotokopi dan

jilid laporan 12 Bendel 40.000,00 480.000,00 8. Registrasi Seminar 1 Kali 9.500.000,00 9.500.000,00 9. Subunit Jurnal Internasional 1 Kali 13.200.000,00 13.200.000,00 10. Proofreading Manuscript 2 Kali 3.000.000,00 6.000.000,00 Total 33.750.000,00

2. Belanja Barang Non Operasional Lainnya

No. Item

Bahan Volume Satuan

Harga Satuan (Rp) Total (Rp) Pajak PPh PPn (Rp) 21 (Rp) 22 (Rp) 23 (Rp) 1. Konsumsi Rapat 20 Kegiatan 100.000,00 2.000.000,00 2. Sewa LCD 2 Unit 750.000,00 1.500.000,00 3. Sewa Laptop 2 Unit 500.000,00 1.000.000,00

14 3. Belanja Perjalanan Lainnya

No. Item Bahan Volume Satuan Harga Satuan

(Rp) Total (Rp) Pajak PPh PPn (Rp) 21 (Rp) 22 (Rp) 23 (Rp) 1. Perjalanan Seminar PP 3 Orang 1.400.000,00 4.200.000,00 2. Akomodasi Seminar 3 Orang 1.100.000,00 3.300.000,00 3. Uang Harian Seminar 3 Orang 750.000,00 2.250.000,00 Total 9.750.000,00 4. Belanja Honorarium

No. Item Bahan Volume Satuan Harga Satuan

(Rp) Total (Rp) Pajak PPh PPn (Rp) 21 (Rp) 22 (Rp) 23 (Rp) 1. Honorarium 2 Metode 1.000.000,00 2.000.000,00 100.000,00 Total 15.000.000,00

15 BAB VI

DAFTAR PUSTAKA

[1] Z. Wendling, A. de Sherbinin, M. A. Levy, J. W. Emerson and D. C. Esty, "2018 Environmental Performance Index," epi.yale.edu, New Haven, United States, 2018.

[2] Kepmenlh, "Keputusan Menteri Negara Lingkungan Hidup," 1997. [Online]. Available: https://baristandsamarinda.kemenperin.go.id/. [Accessed 7 March 2020].

[3] KLHK, "ISPU KLHK," 2020. [Online]. Available: http://iku.menlhk.go.id/. [Accessed 5 March 2020].

[4] BPS, "BPS Kota Surabaya," 2018. [Online]. Available: https://surabayakota.bps.go.id/. [Accessed 7 March 2020].

[5] I. S. Arty, "Pendidikan Lingkungan Hidup Tentang Bahaya Polutan Udara," Cakrawala

Pendidikan, vol. XXIV, no. 3, pp. 385-404, 2005.

[6] M. Z. Jacobson, Air Pollution and Global Warming: History, Science, and Solutions, 2nd ed., Cambridge: Cambridge University Press, 2012.

[7] K. Prabowo and B. Muslim, Penyehatan Udara, Jakarta: Kementrian Kesehatan Republik Indonesia, 2018.

[8] D. A. Sektiawan, Anjarwati, A. C. Hati, D. A. Sari, M. Prihatini, L. Suska, A. P. Sandy, F. Indarto, D. T. Agustini and G. D. Pratiwi, "Dokumen Informasi Kinerja Pengelolaan Lingkungan Hidup Daerah Provinsi Jawa Timur Tahun 2017," Dinas Lingkungan Hidup Provinsi Jawa Timur, Surabaya, 2017.

[9] B. Chrisdayanti and A. Suharsono, "Peramalan Kandungan Particulate Matter (PM10) dalam Udara Ambien Kota SurabayaMenggunakan Double Seasonal ARIMA (DSARIMA),"

Jurnal Sains dan Seni ITS, vol. IV, no. 2, pp. 242-247, 2015.

[10] G. F. Agustri and A. D. Syafei, "Kajian Penurunan Emisi CO2, CO, dan PM10 pada Program Car Free Day di Jalan Utama Kota Surabaya," Surabaya, 2016.

[11] D. U. Wutsqa, Suhartono and B. Sutijo, "Aplikasi Model Generalized Space Time Autoregressive pada Data Pencemaran Udara di Kota Surabaya," Pythagoras, vol. VII, no. 2, pp. 17-30, 2012.

[12] R. Hapsari, "Pengembangan Ramalan Interval pada Model GSTARx untuk Peramalan Indeks Harga Konsumen Kelompok Bahan Makanan," Institut Teknologi Sepuluh Nopember, Surabaya, 2017.

[13] A. P. Firdaus and L. Sulistyorini, "Kadar SO2 dan Kejadian ISPA di Kota Surabaya menurut Tingkat Pencemaran yang berasal dari Kendaraan Bermotor," Surabaya, 2016.

[14] D. Gusnita, "Karakteristik Temporal Pencemar Udara Ambien di Kota Surabaya," Jurnal

Kimia dan Pendidikan Kimia (JKPK), vol. I, no. 3, pp. 174-179, 2016.

[15] A. Masito, "Analisis Risiko Kualitas Udara Ambien (NO2 dan SO2) dan Gangguan Pernapasan pada Masyarakat di Wilayah Kalianak Surabaya," Jurnal Kesehatan

16 [16] R. Darmawan, "Analisis Risiko Kesehatan Lingkungan Kadar NO2 serta Keluhan Kesehatan

Petugas Pemungut Karcis Tol," Jurnal Kesehatan Lingkungan, vol. X, no. 1, pp. 116-126, 2018.

[17] C. Sandra, "Pengaruh Penurunan Kualitas Udara Terhadap Fungsi Paru dan Keluhan Pernafasan pada Polisi Lalu Lintas POLWILTABES Surabaya," Jurnal IKESMA, vol. IX, no. 1, pp. 1-8, 2013.

[18] A. F. Hikmiyah, "Analisis Kadar Debu dan NO2 di Udara Ambien serta Keluhan Pernapasan pada Pekerja Penyapu di Terminal Purabaya Kabupaten Sidoarjo," Jurnal Kesehatan

Lingkungan, vol. X, no. 2, pp. 138-148, 2018.

[19] S. Carolina, "Implementasi Spasial Waktu dengan Metode Generalized Space Time Autoregressive untuk Estimasi Penyebaran Polusi Udara di Bandung," Universitas Telkom, Bandung, 2016.

17 BAB VII

LAMPIRAN Lampiran 1 Biodata Tim Peneliti

1. Ketua

a. Nama Lengkap : Muhammad Sjahid Akbar, M.Si

b. NIP/NIDN : 19720705 199802 1 001

c. Fungsional/Pangkat/Gol. : Lektor Kepala

d. Bidang Keahlian : Statistika Ekonomi, Finansial, dan Aktuaria e. Departemen/Fakultas : Statistika/Fakultas Sains dan Analitika Data f. Alamat Rumah dan No. Telp. : Keputih gang makam Blok E1 no.2 Surabaya/

0817595710 g. Riwayat Penelitian/Pengabdian

- Penelitian Program Hibah Penelitian Laboratorium, 2012, Analisis

Conditional Value at Risk untuk distribusi besar kerugian Pareto (Studi Kasus

Bursa Efek Indonesia).

- Penelitian Program Hibah Penelitian Laboratorium, 2014, Penyelesaian kasus multirespon pada metode permukaan respon dengan pendekatan multiobjective decision making (MODM).

- Penelitian Program Hibah Doktor, 2017 Pengembangan Model Generalized

Space-Time Autoregresive (GSTAR) yang Melibatkan Variabel Eksogen

dengan Pendekatan Generalized Least Square (GLS).

- IbM Kelompok Petambak Tambak Wedi Kenjeran Surabaya, 2013 - IbM Kelompok Peternak Kambing di Plandaan Jombang, 2014

- Peningkatan Ekonomi Kelompok Petani Tambak Keputih Sukolilo Surabaya Melalui Produksi Pakan Ikan Mandiri, 2017

- Pemberdayaan Ekonomi Kelompok Pembatik Kampung Wisata Ex Lokalisasi Dolly Surabaya, 2017

- Pembuatan Pakan Ikan untuk Ketersediaan Berkala bagi Petani Tambak Keputih dengan Metode Fermentasi berbasis Bahan Lokal, 2018

h. Publikasi (2) yang paling relevan (dalam bentuk makalah atau buku)

- Two-level seasonal model based on hybrid ARIMA-ANFIS for forecasting

short-term electricity load in Indonesia, 2012 International Conference on

Statistics in Science, Business and Engineering (ICSSBE).

- GSTARX-GLS model for spatio-temporal data forecasting, 2016 Malaysian Journal of Mathematical Sciences, 10(S) March : 91-103

- GSTAR-SUR Modeling With Calendar Variations And Intervention To

Forecast Outflow Of Currencies In Java Indonesia, 2018, Journal of Physics:

Conference Series, Volume 974. i. Tugas Akhir

- Peramalan Penjualan Mobil di Indonesia dengan Model Hybrid ARIMAX -

Deep Learning Neural Network dengan Hierarchy Time Series, Rizky Nanda

Noverianto, 2018

- Model multivariate generalized space time autoregressive untuk monitoring kualitas udara di Surabaya, Nurun Nahdliyah, 2019

18 2. Anggota 1

a. Nama Lengkap : Dr. Suhartono, M.Sc b. NIP/NIDN : 19710929 199512 1 001 c. Fungsional/Pangkat/Gol. : Lektor

d. Bidang Keahlian : Statistika Komputasi, Analisis

e. Departemen/Fakultas : Statistika/Fakultas Sains dan Analitika Data f. Alamat Rumah dan No. Telp. : Perumdos ITS Blok U - 71 / 081938647167 g. Riwayat Penelitian/Pengabdian

- Penerapan Model Intervensi Fungsi Step Ganda untuk Evaluasi Dampak Krisis dan Kebijakan Larangan Perjudian terhadap Pariwisata di Batam, 2013 - Kajian Bobot dan Metode Estimasi pada Spatial Durbin model danSpatial Error Model (Studi Kasus: Pemodelan Pertumbuhan Ekonomi Jawa Timur), 2014

- Optimasi parameter untuk Sintesis Zeolitic Imidazolate Frameworks menggunakan Metode Taguchi dengan Neural Network, 2015

- Peramalan Permintaan Uang Kartal Dengan Pendekatan Model Ekono-metrika Spasial- Temporal Sebagai Landasan Strategi Bank Indonesia Untuk Kebijakan Peredaran Uang, 2016

- Model hybrid GSTARX dan RNN untuk peramalan data spatio-temporal yang mengandung trend, seasonal, dan calendar variation, 2019

- Development of seasonal GSTAR model with exogenous variables for

forecasting space- time data with calendar variation effect, 2019

- Pengembangan model peramalan data spatiotemporal multi output berdasarkan pendekatan multivariate gstar dan deep learning, 2019

- Peningkatan Ekonomi Kelompok Petani Tambak Keputih Sukolilo Surabaya Melalui Produksi Pakan Ikan Mandiri, 2017

- Pemberdayaan Ekonomi Kelompok Pembatik Kampung Wisata Ex Lokalisasi Dolly Surabaya, 2017

- Pembuatan Pakan Ikan untuk Ketersediaan Berkala bagi Petani Tambak Keputih dengan Metode Fermentasi berbasis Bahan Lokal, 2018

h. Publikasi (2) yang paling relevan (dalam bentuk makalah atau buku)

- Hybrid model for forecasting space-time data with calenda variation

effects, 2019 Telecommunication Computing Electronics and

Control (TELEKOMNIKA)

- VAR and GSTAR-Based Feature Selection in Support Vector Regression

for Multivariate Spatio-Temporal Forecasting, 2019 Soft Computing in

Data Science : 4th International Conference, SCDS 2018, Bangkok, Thailand, August 15-16, 2018

- A Hybrid Singular Spectrum Analysis and Neural Networks for

Forecastin Inflow and Outflow Currency of Bank Indonesia, 2018 Soft

Computing in Data Science : 4th International Conference, SCDS 2018, Bangkok, Thailand, August 15-16, 2018

i. Tugas Akhir

- Peramalan polusi udara (PM10) kota Surabaya dengan menggunakan GSTAR, FFNN, dan ANFIS, 2019

- Model multivariate generalized space time autoregressive untuk monitoring kualitas udara di Surabaya, Nurun Nahdliyah, 2018

- S-GSTAR-SUR model for seasonal spatio temporal data forecasting, Mike Prastuti, 2015

19 3. Anggota 2

a. Nama Lengkap : Dr. Setiawan, MS

b. NIP/NIDN : 19601030 198701 1 001/0030106007 c. Fungsional/Pangkat/Gol. : Lektor Kepala/Pembina/IVa

d. Bidang Keahlian : Ekonometrika, Statistika Spasial

e. Departemen/Fakultas : Statistika/Fakultas Sains dan Analitika Data

f. Alamat Rumah dan No. Telp. : Perumdos ITS Keputih Blok D-23/0852 5725 6562 g. Riwayat Penelitian/Pengabdian

- Pengembangan model spasio temporal untuk peramalan kebutuhan pangan sebagai landasan kebijakan menuju swasembada pangan (2019) (Tahap II)

- Peramalan Pertumbuhan Ekonomi, Konsumsi Energi, dan Emisi Karbon dengan Pendekatan Sistem Persamaan Simultan Spasial Dinamis sebagai Landasan Kebijakan Pembangunan Berwawasan Lingkungan (2019)

- Pengembangan model spasio temporal untuk peramalan kebutuhan pangan sebagai landasan kebijakan menuju swasembada pangan (2018) (Tahap I)

- Strategi Pemberdayaan Masyarakat Melalui Pengembangan Ekonomi Lokal Kawasan Dolly Kota Surabaya (2018)

- Model inkubasi bisnis untuk peningkatan perekonomian masyarakat di sekitar ITS (2017)

- Peramalan permintaan uang kartal dengan pendekatan model ekonometrika spasial-temporal sebagai landasan strategi bank indonesia untuk kebijakan peredaran uang (2016)

h. Publikasi (2) yang paling relevan (dalam bentuk makalah atau buku)

- Implementation of Generalized Space Time Autoregressive (GSTAR)-Kriging Model

for Predicting Rainfall Data at Unobserved Locations in West Java, 2018. Applied

Mathematics & Information Sciences, 12 (3), pp. 607-615, DOI:10.18576/amis/120316.

- Spatial Vector Autoregressive Model with Calendar Variation for East Java

Inflation and Money Supply, 2018. Applied Mathematics & Information Sciences,

12(6), pp. 1157-1163, DOI:10.18576/amis/120610 i. Tugas Akhir dan Tesis

- Peramalan Inflasi Kota Surabaya dengan Pendekatan ARIMA, Variasi Kalender dan Intervensi (Tugas Akhir)

- Pemodelan Indeks Harga Saham Gabungan (IHSG), Kurs, dan Harga Minyak Dunia dengan Pendekatan Vector Autoregressive (Tugas Akhir)

- Quasi-Maximum Likelihood Estimation Method on Spatial Autoregressive Fixed

Effect for Modeling the Economic Growth of ASEAN Countries (Tesis)

- Efficient Estimation of Simultaneous Equations of Spatial Durbin Panel Data Model (Tesis)

20 4. Anggota 3

a. Nama Lengkap : Dr. Achmad Choiruddin, S.Si., M.Sc

b. NIP/NIDN : 1991201911101/0010129102

c. Fungsional/Pangkat/Gol. : -/III/C

d. Bidang Keahlian : Spatial and Statistics, Computational Statistics, dBiostatistics

e. Departemen/Fakultas : Statistika/Fakultas Sains dan Analitika Data f. Alamat Rumah dan No. Telp. : Sukolilo Dian Regency, Jl. Makmur V/11/

0081318548102 g. Riwayat Penelitian/Pengabdian

- Feature selection for spatial point process. Grant to conduct PhD research from French Ministry of Higher Education and Research. 2014-2017. Member. PI: Jean-François Coeurjolly.

- Statistics for point processes in space and beyond. The Danish Council for Independent Research | Natural Sciences, grant DFF - 7014-00074. 2017-2019. Member. PI: Jesper Møller.

h. Publikasi

- Choiruddin, A., Coeurjolly, J. F., & Letué, F. (2018). Convex and non-convex regularization methods for spatial point processes intensity estimation. Electronic

Journal of Statistics (Q1 Journal), 12(1), 1210-1255.

- Choiruddin, A., Cuevas-Pacheco, F., Coeurjolly, J. F., & Waagepetersen, R. (2020). Regularized estimation for highly multivariate log Gaussian Cox processes. Statistics and Computing (Q1 Journal), 30(2), 649–662.

DATA USULAN DAN PENGESAHAN PROPOSAL DANA LOKAL ITS 2020

1. Judul Penelitian

Peramalan Pencemaran Udara (NO2 dan SO2) Sebagai Peringatan Dini Terhadap Kualitas Udara di Kota Surabaya

Skema : PENELITIAN LABORATORIUM

Bidang Penelitian : Infrastruktur dan Lingkungan Berkelanjutan Topik Penelitian : Pengendalian Pencemaran

2. Identitas Pengusul Ketua Tim

Nama : Muhammad Sjahid Akbar S.Si.,M.Si.

NIP : 197207051998021001

No Telp/HP : 0817595710

Laboratorium : Laboratorium Statistika Ekonomi, Finansial dan Aktuaria

Departemen/Unit : Departemen Statistika

Fakultas : Fakultas Sains dan Analitika Data

Anggota Tim

No Nama Lengkap Asal Laboratorium Departemen/Unit Perguruan

Tinggi/Instansi 1 Muhammad Sjahid Akbar S.Si.,M.Si. Laboratorium Statistika Ekonomi, Finansial dan

Aktuaria

Departemen Statistika ITS

2 Dr Suhartono

S.Si., M.Sc

Laboratorium Statistika Ekonomi, Finansial dan

Aktuaria

Departemen Statistika ITS

3 Dr. , Ir. Setiawan

M.S.

Laboratorium Statistika Ekonomi, Finansial dan

Aktuaria

Departemen Statistika ITS

4 Dr. Achmad Choiruddin S.Si., M.Sc Laboratorium Statistika Lingkungan dan Kesehatan

Departemen Statistika ITS

3. Jumlah Mahasiswa terlibat : 2

4. Sumber dan jumlah dana penelitian yang diusulkan

a. Dana Lokal ITS 2020 :

b. Sumber Lain :

50.000.000,-Tanggal Persetujuan Nama Pimpinan Pemberi Persetujuan Jabatan Pemberi Persetujuan Nama Unit Pemberi Persetujuan QR-Code 09 Maret 2020 I D A A Warmadewanthi ST, MT, Ph.D Kepala Pusat Penelitian/Kajian/Unggulan Iptek Infrastruktur dan Lingkungan Berkelanjutan 09 Maret 2020 Agus Muhamad Hatta , ST, MSi, Ph.D Direktur Direktorat Riset dan Pengabdian Kepada Masyarakat