Seminar Hasil Tugas Akhir

1

Seminar Hasil Tugas Akhir

Kurniasari Aisyiah 1310 100 045

Pemodelan Konsentrasi Partikel Debu

(PM10) pada Pencemaran Udara di Kota

Surabaya dengan Metode Spatial-Temporal

Weighted Regression

Dosen Pembimbing Dr. Sutikno, S.Si., M.Si

Dosen Co-Pembimbing Dr. I Nyoman Latra, M.S

Seminar Hasil Tugas Akhir | Kurniasari Aisyiah | 1310100045 | 2014

Pemodelan Konsentrasi Partikel Debu (PM10) pada Pencemaran Udara di Kota Surabaya dengan Metode Spatial-Temporal Weighted Regression

3

Tinjauan Pustaka Metodologi Penelitian Pendahuluan



4


Jenis Polutan

Sulfur Dioksida (SO2) Karbon Monoksida (CO) Nitrogen Dioksida (NO2) Oksidan (O3) Partikel < 10 μm (PM10) Partikel < 2,5 μm (PM2,5) TSP Timah Hitam (Pb) Debu Jatuh



5




6




7




8


Penelitian Sebelumnya...

Dian Putri (2013) Estimasi Konsentrasi Nitrogen Dioksida (NO2) dan Karbon

Mokosida (CO) dengan Metode Interpolasi Cokigring.

Achmad Choiruddin (2013) Estimasi Kadar BOD Kali Surabaya menggunakan metode

Spatial-Temporal Weighted Regression (STWR)

Huang, Wu, Barry (2010) Model variasi harga rumah di Calgary, Canada menggunakan

metode Spatial-Temporal Weighted Regression (STWR)



9


Bagaimana deskripsi kondisi pencemaran udara di Kota Surabaya berdasarkan konsentrasi partikel debu (PM10) ?

Bagaimana pemodelan konsentrasi partikel debu (PM10) di Kota Surabaya dengan metode Spatial-Temporal Weighted Regression (STWR)?

Mendeskripsikan kondisi pencemaran udara di Kota Surabaya berdasarkan konsentrasi partikel debu (PM10)

Menyusun model konsentrasi partikel debu (PM10) di Kota Surabaya dengan metode Spatial-Temporal Weighted Regression (STWR)



10


Memberikan informasi kepada pemerintah Kota Surabaya mengenai faktor yang mempengaruhi pencemaran udara di Kota Surabaya berdasarkan adanya heterogenitas spasial dan temporal pada konsentrasi partikel debu (PM10).

Menambah pengetahuan dan mengembangkan wawasan mengenai metode Spatial-Temporal Weighted Regression (STWR) yang diaplikasikan pada bidang lingkungan. Sehingga hasil penelitian ini dapat menjadi rujukan penelitian selanjutnya.



11


Data kualitas udara ambien yang digunakan yakni partikel debu (PM10), kelembaban, suhu, kecepatan angin pada tiga lokasi yakni Taman Prestasi, Gayungan, dan Gebang Putih yang diperoleh dari Badan Lingkungan Hidup (BLH) Kota Surabaya tahun 2010 yang dimodelkan dengan metode STWR.



Regresi Linier Analisis regresi linier merupakan suatu metode untuk menjelaskan hubungan antara variabel respon dan variabel prediktor secara linier (Draper dan Smith, 1998).

Persamaan umum model regresi linier : 𝒀 = 𝑿𝜷 + 𝒆

𝒀 =

𝑌1𝑌2⋮𝑌𝑛

; 𝑿 =

1 𝑋111 𝑋21

𝑋12 ⋯ 𝑋1𝑝𝑋22 ⋯ 𝑋2𝑝

⋮ ⋮1 𝑋𝑛1

⋮ ⋱ ⋮𝑋𝑛2 ⋯ 𝑋𝑛𝑝

;𝜷 =

𝛽0𝛽1⋮𝛽𝑝

; 𝒆 =

𝑒1𝑒2⋮𝑒𝑛

𝑛 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎𝑝 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑡𝑜𝑟

Estimator parameter 𝜷: 𝜷 = (𝑿𝑻𝑿)−𝟏 𝑿𝑻𝒀

12




Pengujian Hipotesis

• Pengujian Serentak 𝑯𝟎 ∶ 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒑 = 𝟎 𝑯𝟏 ∶ minimal ada satu 𝜷𝒌 ≠ 𝟎 ; 𝒌 = 𝟏, 𝟐, … , 𝒑 Statistik Uji :

𝑭 =𝑴𝑺𝑹

𝑴𝑺𝑬=

𝒚 𝒊−𝒚 𝟐𝒏

𝒊=𝟏 /(𝒑)

𝒚𝒊−𝒚 𝒊𝟐𝒏

𝒊=𝟏 /(𝒏− 𝒑+𝟏

Tolak 𝑯𝟎 apabila 𝑭 > 𝑭𝜶;𝒑;(𝒏−𝒑−𝟏) atau 𝑷 − 𝒗𝒂𝒍𝒖𝒆 < 𝜶. Artinya, terdapat minimal satu parameter 𝜷 yang signifikan terhadap respon.

13


• Pengujian Parsial 𝑯𝟎 ∶ 𝜷𝒌 = 0 𝑯𝟏 ∶ 𝜷𝒌 ≠ 0 ; 𝒌 = 𝟏, 𝟐, … , 𝒑

Statistik Uji : 𝒕 =𝜷 𝒌

𝑺𝑬(𝜷 𝒌)

Tolak 𝑯𝟎 apabila 𝒕 > 𝒕𝜶

𝟐;(𝒏−𝒑−𝟏) atau

𝑷 − 𝒗𝒂𝒍𝒖𝒆 < 𝜶. Artinya, 𝜷𝒌 signifikan terhadap respon.



Pengujian Asumsi Residual

• Uji Glejser

𝑯𝟎 ∶ 𝝈𝟏𝟐 = 𝝈𝟐

𝟐 = ⋯ = 𝝈𝒏𝟐 = 𝝈𝟐

(residual bersifat identik) 𝑯𝟏 ∶ minimal ada satu 𝝈𝒊

𝟐 ≠ 𝜎2; 𝒊 = 𝟏, 𝟐,… , 𝒏 (residual tidak bersifat identik)

Statistik Uji : 𝑭 = 𝑴𝑺𝑹

𝑴𝑺𝑬=

𝒆 𝒊 − 𝒆 𝟐𝒏

𝒊=𝟏 /(𝒑)

𝒆𝒊 − 𝒆 𝒊𝟐𝒏

𝒊=𝟏 /(𝒏−𝒑−𝟏).

Daerah kritis : Tolak 𝑯𝟎apabila 𝑭 > 𝑭𝜶;𝒑;(𝒏−𝒑−𝟏) atau 𝑷 − 𝒗𝒂𝒍𝒖𝒆 < 𝜶

14


• Uji Kolmogorov-Smirnov

𝑯𝟎 ∶ 𝑭𝒏 𝒆 = 𝑭𝟎(𝒆) (residual berdistribusi normal) 𝑯𝟏 ∶ 𝑭𝒏 𝒆 ≠ 𝑭𝟎(𝒆) (residual tidak berdistribusi normal) Statistik Uji : 𝑫 = 𝒔𝒖𝒑 𝑭𝒏 𝒆 − 𝑭𝟎(𝒆) Daerah kritis : Tolak 𝑯𝟎 apabila 𝑫 > 𝑫𝜶;𝒏 atau

𝑷 − 𝒗𝒂𝒍𝒖𝒆 < 𝜶.

• Uji Durbin-Watson 𝑯𝟎 ∶ 𝝆 = 𝟎 (residual bersifat independen)

𝑯𝟏 ∶ 𝝆 ≠ 𝟎 (residual tidak bersifat independen)

Statistik Uji : 𝒅 = (𝒆𝒊−𝒆𝒊−𝟏)

𝟐𝒏𝒊=𝟏

𝒆𝒊𝟐𝒏

𝒊=𝟏

Daerah kritis : Tolak 𝑯𝟎 apabila 𝒅 > 𝒅𝑳;𝜶 atau

𝒅 > 𝟒𝒅𝑼;𝜶.



Pengujian Heterogenitas

15


• Uji Breusch-Pagan

𝑯𝟎 ∶ 𝝈𝟏𝟐 = 𝝈𝟐

𝟐 = ⋯ = 𝝈𝒏𝟐 = 𝝈𝟐 (homoskedasitisitas)

𝑯𝟏 ∶ minimal ada satu 𝝈𝒊𝟐 ≠ 𝝈 ; 𝒊 = 𝟏, 𝟐, … , 𝒏 (heteroskedasitisitas)

Statistik uji : 𝐵𝑃 = 1

2𝒇′𝒁(𝒁′𝒁)−1𝒁′𝒇 ; nilai vektor 𝒇adalah 𝑓𝑖 =

𝑒𝑖2

𝜎2− 1.

Daerah kritis : Tolak 𝐻0 apabila 𝐵𝑃 > 𝜒2𝛼;(𝑝+1)

Pengujian Multikolinearitas • Uji Variance Inflation Factor (VIF)

𝑽𝑰𝑭𝒋 =𝟏

𝟏−𝑹𝟐𝒋

dengan 𝑹𝟐𝒋 adalah koefisien determinasi antara variabel prediktor 𝑿𝒋 dan variabel prediktor yang lain. Apabila nilai

𝑽𝑰𝑭 lebih besar dari 10, maka dinyatakan adanya multikolinearitas.



Spatial-Temporal Weighted Regression Spatial-Temporal Weighted Regression (STWR) merupakan metode pengembangan dari Geographically Weighted Regression yang mengakomodasi adanya heterogenitas secara spatial (lokasi) dan secara temporal (waktu) (Huang, dkk, 2010).

Persamaan umum untuk model STWR adalah sebagai berikut.

𝒀𝒊 = 𝜷𝟎 𝒖𝒊, 𝒗𝒊, 𝒕𝒊 + 𝜷𝒌 𝒖𝒊, 𝒗𝒊, 𝒕𝒊𝒑

𝒌=𝟏𝑿𝒊𝒌 + 𝜺𝒊

Estimasi nilai parameter.

𝜷( 𝒖𝒊, 𝒗𝒊, 𝒕𝒊) = (𝑿𝑻𝑾(𝒖𝒊, 𝒗𝒊, 𝒕𝒊)𝑿)

−𝟏 𝑿𝑻𝑾(𝒖𝒊, 𝒗𝒊, 𝒕𝒊)𝒀

𝑾 𝒖𝒊, 𝒗𝒊, 𝒕𝒊 = 𝒅𝒊𝒂𝒈 (𝜶𝒊𝟏, 𝜶𝒊𝟐, … , 𝜶𝒊𝒏)

𝜶𝒊𝒋 (𝟏 ≤ 𝒋 ≤ 𝒏) = fungsi jarak ruang dan waktu dari (𝒖, 𝒗, 𝒕) sesuai dengan titik

pengamatan 𝒊

Fungsi jarak berdasarkan fungsi kernel gaussian : 𝛼𝑖𝑗 = 𝑒𝑥𝑝 −(𝑑𝑆𝑇𝑖𝑗)

2

ℎ𝑆𝑇2

16




Sistem koordinat spasial-temporal dalam 3 dimensi digambarkan dengan ellipsodial karena memiliki perbedaan skala. Fungsi jarak eucledian spasial-temporal adalah sebagai berikut.

(𝑑𝑆𝑇)2 = 𝜆(𝑑𝑆)2 + 𝜇(𝑑𝑇)2

(𝑑𝑆𝑇𝑖𝑗)2 = 𝜆 𝑢𝑖 − 𝑢𝑗

2+ 𝑣𝑖 − 𝑣𝑗

2+ 𝜇 𝑡𝑖 − 𝑡𝑗

2

dengan 𝜆 dan 𝜇 menyatakan faktor skala penyeimbang. Dimisalkan 𝜏 merupakan parameter rasio 𝜇/𝜆, maka

(𝑑𝑆𝑇𝑖𝑗)2

𝜆= 𝑢𝑖 − 𝑢𝑗

2+ 𝑣𝑖 − 𝑣𝑗

2+ 𝜏 𝑡𝑖 − 𝑡𝑗

2

Dengan bandwith spasial-temporal yang diperoleh dari,

ℎ2𝑆𝑇 = ℎ2𝑆 × 𝜆

maka

𝛼𝑖𝑗 = 𝑒𝑥𝑝 −𝜆 𝑢𝑖−𝑢𝑗

2+ 𝑣𝑖−𝑣𝑗

2+𝜇 𝑡𝑖−𝑡𝑗

2

ℎ2𝑆𝑇

17




Kriteria Kebaikan Model Kriteria 𝑅2 merupakan metode menemukan himpunan variabel prediktor terbaik dalam memprediksi variabel respon melalui model regresi. Model terbaik ditunjukkan dengan nilai 𝑅2 yang paling tinggi .

𝑅2 = 1 −SSE

SST

Sementara Mean Square Error (𝑀𝑆𝐸 ) digunakan untuk mengevaluasi tingkat kesalahan berdasarkan nilai residual. Maka untuk menentukan model terbaik ditunjukkan dengan nilai MSE yang paling kecil.

𝑦𝑖 − 𝑦 𝑖

2𝑛𝑖=1

𝑛 − (𝑝 + 1)=

𝑆𝑆𝐸

𝑑𝑒𝑟𝑎𝑗𝑎𝑡 𝑏𝑒𝑏𝑎𝑠

18




Pencemaran Udara

19


Pencemaran Udara Polusi atau pecemaran udara adalah masuknya atau dimasukkannya zat, energi, dan/atau komponen lain ke dalam udara ambien oleh kegiatan manusia, sehingga mutu udara ambien turun sampai ke tingkat tertentu yang menyebabkan udara ambien tidak dapat memenuhi fungsinya (Peraturan Pemerintah RI 1999)

Udara Ambien Udara bebas dipermukaan bumi pada lapisan troposfir yang berada di dalam wilayah yurisdiksi Republik Indonesia yang dibutuhkan dan mempengaruhi kesehatan manusia, makhluk hidup dan unsur lingkungan hidup lainnya (Peraturan Pemerintah RI 1999)



20


Zusana, dkk (2008) Faktor yang mempengaruhi konsentrasi partikel debu (PM10) adalah suhu, kelembaban, kecepatan angin, dan arah angin

Chaloulakou, dkk (2002) Perbedaan musim memberikan pengaruh pada konsentrasi partikel debu (PM10)

Aldrian (2001) Musim Hujan Desember, Januari, dan Februari Peralihan Musim Hujan - Kemarau Maret, April, Mei, dan Juni Musim Kemarau Juli, Agustus, dan September Peralihan Musim Kemarau - Hujan Oktober dan November



21


Kategori Variabel Satuan

Respon (dependen)

Y Partikel Debu (PM10)

μg/m3

Prediktor (independen)

X1 Kelembaban persen

X2 Suhu Derajat celcius

X3 Kecepatan Angin m/s

Kualitas udara ambien di Kota Surabaya pada tahun

2010 yang diperoleh dari Badan Lingkungan Hidup (BLH) Kota Surabaya.



22




23


Metode Analisis

Melakukan pemodelan Spatial-Temporal Weighted Regression (STWR)

Menghitung jarak euclidean pada koordinat 𝒖𝒊, 𝒗𝒊, 𝒕𝒊

Mendapatkan estimasi parameter 𝝉 optimum secara iteratif dengan nilai

awal 𝝉𝟎 = 0,005 dan hst = hs atau bandwith spasial, dengan

membandingkan nilai 𝑹𝟐

Mendapatkan estimasi

parameter 𝝁 dan 𝝀

Menentukan bandwith spasial-

temporal (hst )

Menghitung matriks pembobot model

STWR dengan fungsi kernel gaussian

Estimasi parameter

STWR

Melakukan uji heterogenitas spasial dan heterogenitas temporal

Melakukan pemodelan regresi linier berganda

Estimasi parameter.

Pengujian serentak parameter regresi.

Pengujian parsial parameter regresi.

Pengujian asumsi identik, independen, dan berdistribusi normal (IIDN) dan uji multikolinearitas.

Mengidentifikasi pola hubungan konsentrasi partikel debu (PM10) dengan variabel prediktor menggunakan analisi korelasi dan diagram pencar.

Mendeskripsikan tiap variabel untuk mengetahui karakteristik kondisi pencemaran udara



24

Kesimpulan Saran Analisis Pembahasan

Variabel Rataan Standar

Deviasi Minimum Maksimum

PM (mg/m3) 34.90 16.21 6.45 58.39

HUM (%) 79.51 3.58 73.69 83.68

TEMP (˚C) 28.13 0.48 27.22 28.68

FF (m/s) 2.50 1.27 0.819 5.30

Musim Rataan Standar


Hujan

(Bulan 12, 1, 2) 46.10 4.31 42.01 50.60

Hujan-Kemarau

(Bulan 3, 4, 5, 6) 46.91 9.98 40.33 58.39

Kemarau

(Bulan 7, 8, 9) 22.73 14.49 7.34 36.11

Kemarau-Hujan

(Bulan 10, 11) 23.90 17.5 6.50 41.50

Lokasi Rataan Standar


SUF 1 Taman

Prestasi 39.98 2.67 36.11 42.01

SUF 4 Gayungan 26.60 23.00 6.50 50.60

SUF 5 Gebang

Putih 38.12 16.90 23.65 58.39

Deskripsi Partikel Debu

(PM10)



25


85.082.580.077.575.0

60

50

40

30

20

10

0

HUM

PM

28.828.628.428.228.027.827.627.427.2

60

50

40

30

20

10

0

TEMP

PM

54321

60

50

40

30

20

10

0

FF

PM

Suhu Kecepatan Angin Kelembaban

Kelembaban

(HUM) Suhu

(TEMP) Kecepatan Angin

(FF)

Nilai Korelasi 0.769 -0.467 0.247

P-value 0.003 0.167 0.438

HUM TEMP FF

VIF 1.829 1.970 1.116

Pola Hubungan Partikel Debu (PM10)



26


Sumber Variasi

Jumlah Kuadrat (SS)

Derajat Bebas (DF)

Rata-rata Kuadrat (MS)

F P-value

Regresi 1934.7 3 644.9 5.41 0.025

Error 954.2 8 119.3

Total 2888.9 11

Prediktor Estimasi

Parameter T Hitung P-value

Constant -551.80 -1.58 0.152

HUM 4.19 3.37 0.010

TEMP 8.76 0.90 0.392

FF 2.82 1.27 0.239

𝒚 = −𝟓𝟓𝟏. 𝟖𝟎 + 𝟒. 𝟏𝟗𝒙𝟏 + 𝟖. 𝟕𝟔𝒙𝟐 + 𝟐. 𝟖𝟐𝒙𝟑

Artinya, setiap peningkatan 1 satuan pada kelembaban, suhu, dan kecepatan angin dapat meningkatkan konsentrasi partikel debu sebesar 4.19, 8.76, dan 2.82.

𝑹𝟐 : 67%

Uji Glejser

P-value : 0.602

- identik-

Uji Durbin-Watson

d : 1.567 *dL < 0.82

- independen-

Uji Kolmogorov-Smirnov

P-value : > 0.15

- berdistribusi normal -



27


Uji Breusch-Pagan P-value : 0.6225

- tidak heterogenitas spasial-

4321

60

50

40

30

20

10

0

Musim

PM

541

60

50

40

30

20

10

0

SUF

PM

Musim Lokasi

Pengujian Heterogenitas

Partikel Debu (PM10)



28


0.0 0.5 1.0 1.5 2.0 2.5

0.7

50

.80

0.8

50

.90

0.9

51

.00

tau

R.s

qu

are

0.0 0.4 0.8 1.2

0.70

0.75

0.80

0.85

0.90

0.95

1.00

miu

R.s

quar

e

0.0 0.4 0.8

0.70

0.75

0.80

0.85

0.90

0.95

1.00

lamda

R.s

quar

e

τ0 = 0.025 ; hs = 0.481

τoptimum = 1.2 dengan nilai R2

sebesar 0.99941

λ = 0.46 dan μ = 0.54 dengan nilai R2

sebesar 0. 90869

Bandwidth spasial-temporal (hst) = 0.32623 Pemodelan STWR



29


Model STWR lokasi SUF 1 Taman Prestasi pada Musim Hujan

𝑦 11 = 473.684 − 1.995𝑥111 − 9.379𝑥112 − 1.284𝑥113

Artinya, setiap penurunan 1 satuan pada kelembaban, suhu, dan kecepatan angin dapat meningkatkan konsentrasi partikel debu sebesar 1.995, 9.379, dan 1.284.

𝑹𝟐 = 96,415 % ; MSE = 8.631 LEBIH

AKURAT

Uji Glejser

P-value : 0.128

- identik-

Uji Durbin-Watson

d : 2.133 *dL < 0.82

- independen-

Uji Kolmogorov-Smirnov

P-value : > 0.15

- berdistribusi normal -



30


• Kondisi udara ambien Kota Surabaya tahun 2010 dinyatakan baik berdasarkan partikel debu (PM10) dengan rata-rata konsentrasi adalah 34.9 mg/m3.

• Rata-rata konsentrasi partikel debu cenderung tinggi dan nilai standar deviasi yang cenderung rendah terjadi pada musim hujan dan peralihan hujan-kemarau.

• Nilai rataan cenderung lebih rendah dan nilai standar deviasi yang cenderung tinggi pada musim kemarau dan peralihan kemarau-hujan.

• SUF 1 dan SUF 5 memiliki nilai rataan yang cenderung tinggi karena merupakan wilayah pusat kota, pemukiman, perkantoran, dan kampus.

• Metode STWR memberikan hasil yang lebih akurat dalam memprediksi konsentrasi partikel debu (PM10) di Kota Surabaya dengan R2 sebesar 0.96415 dan MSE sebesar 8.631.

• Efek heterogen secara temporal memberikan pengaruh yang lebih besar pada pemodelan konsentrasi partikel debu (PM10) di Kota Surabaya.



31


Melakukan kajian mengenai validitas data yang diperoleh dari pengukuran pada jenis data lingkungan.

Melakukan kajian mengenai statistik uji heterogenitas spasial dan temporal secara serempak.

Melakukan kajian mengenai perbedaan penggunaan fungsi pembobot agar dapat memberikan hasil yang optimum pada pemodelan STWR.

Menggunakan data minimal dua tahun agar dapat melakukan validasi model STWR.



Daftar Pustaka Badan Lingkungan Hidup. (2011). Laporan Status Lingkungan Hidup Provinsi Jawa Timur. Badan Lingkungan Hidup Provinsi Jawa

Timur.

Chaloulakou, A., Kassomenos, P., Spyrellis, N., Demokritou, P., dan Koutrakis P. (2002). Measurement of PM10 and PM2.5 particle concentration in Athens, Greece. Atmospheric Environment, 37, 649-660.

Chamidha. (2004). Policy For Air Pollution Control Strategy By Using The Air Pollutant Dispersion Model (PM10) In Surabaya. Dinas Lingkungan Hidup Kota Surabaya, Surabaya.

Choiruddin, A. (2013). Pemodelan Indikator Pencemar Biological Oxygen Demand di Kali Surabaya Menggunakan Pendekatan Spatial-Temporal Weighted Regression. Skipsi Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember Surabaya.

Draper, N.R, dan Smith, H. (1998). Applied Regression Analysis, Second Edition. Canada : John Wiley & Sons, Inc.

Huang, B., Wu, B., dan Barry, M. (2010). Geographically and temporally weighted regression for modeling spatio-temporal variation in house price. International Journal of Geographical Information Science, 24, 383-401.

Kusminingrum, N., dan Gunawan, G. (2008). Polusi Udara Akibat Aktivitas Kendaraan Bermotor di Jalan Perkotaan Pulau Jawa dan Bali. Pusat Penelitian dan Pembangunan Jalan dan Jembatan.

Putri, D. S. (2013). Estimasi Konsentrasi Nitrogen Dioksida (NO2) dan Karbon Monoksida (CO) di Udara Surabaya Menggunakan Interpolasi Cokriging. Skipsi Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember Surabaya.

World Bank. (1994). Indonesia Environtmen and Development, Washington DC, hal 67-93.

Zuzana, H., Jaroslav, M., Miroslav, K., dan Vitezslav, V. (2008). Identification of factor affecting air pollution by dust aerosol PM10 in Brno City, Czech Republic. Atmospheric Environment, 42, 8661-8673.

32


33

“If you can dream it, you can do it.” -Walt Disney-

Seminar Hasil Tugas Akhir

Kurniasari Aisyiah 1310 100 045

Pemodelan Konsentrasi Partikel Debu

(PM10) pada Pencemaran Udara di Kota

Surabaya dengan Metode Spatial-Temporal

Weighted Regression

Dosen Pembimbing Dr. Sutikno, S.Si., M.Si

Dosen Co-Pembimbing Dr. I Nyoman Latra, M.S

Documents

Seminar Hasil Tugas Akhir