Simulasi Perbandingan Metode Peramalan Model Generalized Seasonal Autoregressive Integrated Moving Average (GSARIMA) dengan Seasonal Autoregressive Integrated Moving Average (SARIMA)

Asrirawan Asrirawan

Abstract


Salah satu topik utama dalam kajian pemodelan peramalan deret waktu (time series) pada tiga dekade terakhir ini adalah peramalan data jumlahan (count data). Peramalan data jumlahan berbasis model stokastik masih belum banyak dilakukan dan menggunakan distri-busi Gaussian (normal). Salah satu model stokastik dan non-Gaussian (negatif binomial) untuk peramalan data jumlahan adalah model generalized autoregressive moving average (GARMA). Model GARMA menghubungkan komponen ARMA dengan variabel pred-iktor ke transformasi parameter rata-rata dari distribusi data dengan menggunakan fungsi link (link function) tetapi tidak melibatkan efek stasioner dan musiman. Model generalized seasonal autoregressive integrated moving average (GSARIMA) merupakan model pengembangan dari GARMA dengan melibatkan efek stasioner dan musiman (seasonal). Model GSARIMA diterapkan pada data simulasi dengan membandingkan tingkat akurasi peramalan model tersebut dengan model seasonal autoregressive integrated moving aver-age (SARIMA). Berdasarkan analisis yang dilakukan dengan menggunakan simulasi hasil model dan peramalan dengan menggunakan model GSARIMA relatif lebih baik dibandingkan dengan model SARIMA dengan menggunakan nilai AIC dan Maref.

Full Text:

PDF (Indonesian)

References


Benjamin, M. A., Rigby R. A., dan Stasinopoulos, D. M. (1998) Fitting Non-Gaussian Time Series Models.COMPSTAT Proceedings in Computationel Statistics, eds. R. Payne dan P.Green, Heldelburg: Physica-Verlag, 191-196.

Benjamin, M. A., Rigby R. A., dan Stasinopoulos, D. M. (2003). Generalized Autoregressive Moving Average Models.Journal of the American Statistical Association, 98, 214-224.

Bowerman, B. L., dan O’Connell, R. T. (2003). Forecasting and Time Series: An Applied Approach, 3th eds. New Jersey: Prentice Hall.

Briet, J. T. O., (2009). Toward Malaria Prediction in Sri Lanka: Modelling Spatial and Temporal Variability of Malaria Case Counts. Disertasi Doktor. Netherland: Universitas Basel.

Briet, J. T. O., Amerasinghe, H. P., dan Vounatsou, P. (2013). Generalized Seasonal Autoregressive Integrated Moving Average Models for Count Data with Application to Malaria Time Series with Low Case Numbers. Malaria Journal, PLoS ONE, 8(6): e65761.

Croston, J. D. (1972). Forecasting and Stock Control for Intermittent Demands. Operational Research Quarterly, 23, 289– 303.

Cryer, J. D. (1986). Time Series Analysis. Boston: PWS-KENT Publishing Company.

Enders, W. (2004). Applied Econometric Time Series, 2nd eds. John Wiley & Sons, Inc., New York.

Garbhi, M., Quenel, P., dan Marrama, L. (2011). Time Series Analysis of Dengue Incidence in Guadeloupe, French West Indies: Forecasting Models Using Climate Variables as Predictors. BMC Infect Disease, 11, 166.

Gooijer, G. J., Hyndman, J. R. (2006). 25 Years of Time Series Forecasting. International Journal of Forecasting, 22, 443-473.


Refbacks

  • There are currently no refbacks.