ANALISIS DATA POLUSI UDARA DENGAN MODEL DERET WAKTU BINER

ANALYSIS OF AIR POLLUTION DATA WITH BINARY TIME SERIES MODELS

Polusi udara adalah keadaan dimana terdapat zat atau energi lain yang masuk di udara sehingga mengakibatkan menurunnya kualitas udara. Salah satu zat yang paling berbahaya di udara adalah PM₁₀.  Indeks Standar Pencemaran Udara (ISPU) dengan parameter PM₁₀ digunakan untuk mengukur kualitas udara berdasarkan banyaknya kadar PM₁₀ di udara. ISPU parameter PM₁₀ yang diukur setiap hari dapat menunjukkan level kualitas udara berbahaya atau tidak sehingga data kualitas udara Kota Surabaya yang dilihat dari level ISPU parameter PM₁₀ bersifat deret waktu biner. Analisis data biner biasanya dilakukan mengunakan regresi logistik. Namun, regresi logistik belum mampu mengakomodasi adanya faktor waktu sehingga diperlukan pendekatan khusus. Penelitian ini akan mengeksplorasi model untuk data deret waktu biner yaitu Generalized Linear Autoregressive Moving Average (GLARMA) dan Generalized Autoregressive Moving Average (GARMA) untuk menganalisis data polusi udara serta mengetahui pengaruh faktor-faktor meteorologi dan ketergantungan seri waktu terhadap variabel respon. Hasilnya menunjukkan bahwa model GARMA dipilih menjadi model terbaik dengan nilai AIC terkecil serta terdapat pengaruh yang signifikan antara variabel meteorologi dan ketergantungan seri waktu terhadap variabel respon.

Air pollution is a condition where there are substances or other energy that enters the air resulting in decreased air quality. One of the most dangerous substances in the air is PM₁₀. Indeks Standar Pencemaran Udara (ISPU) with PM₁₀ parameters is used to measure air quality based on the amount of PM₁₀ in the air. ISPU with PM₁₀ parameter which is measured every day can indicate the level of air quality is dangerous or not so that the Surabaya City air quality data seen from the ISPU level PM₁₀ parameters are binary time series. Binary data analysis is usually done by using logistic regression. However, logistic regression has not been able to accommodate the time factor so a special approach is needed. This study will explore models for binary time series data, namely Generalized Linear Autoregressive Moving Average (GLARMA) and Generalized Autoregressive Moving Average (GARMA) to analyze air pollution data and determine the effect of meteorological factors and time series dependence on response variables. The results show that the GARMA model chosen to be the best model with the smallest AIC value. Furthermore, there is a significant influence between the meteorological variables and the time series dependence on the response variable.