Hasil Pencarian  ::  Simpan CSV :: Kembali

"Runtun waktu bernilai bilangan bulat nonnegatif berkembang pada banyak penerapan. Model runtun waktu Integer-valued Autoregressive dengan order 1 (INAR(1)) dikonstruksi menggunakan binomial thinning operator untuk memodelkan runtun waktu bernilai bilangan bulat nonnegatif. Model runtun waktu INAR(1) bergantung satu periode dari proses sebelumnya. Parameter model dapat diestimasi menggunakan conditional least squares (CLS). INAR(1) memiliki spesifikasi mengikuti model Autoregressive dengan order 1 (AR(1)). Peramalan INAR(1) menggunakan metode peramalan nilai tengah atau dengan metode peramalan Bayes. Metode peramalan nilai tengah menghitung secara langsung bilangan bulat yang membuat fungsi kepadatan kumulatif lebih besar sama dengan 0.5. Metode peramalan Bayes meramalkan nilai untuk h periode ke depan dengan membangkitkan barisan parameter model dan parameter suku pembaharuan menggunakan Adaptive Rejection Metropolis Sampling within Gibbs sampling (ARMS), kemudian dengan mengambil sampel u pada distribusi Uniform(0,1), akan dicari bilangan bulat terkecil yang membuat fungsi kepadatan kumulatif melebihi u. Model runtun waktu INAR(1) diaplikasikan pada jumlah kasus polio di Amerika Serikat mulai Januari 1970 sampai Desember 1983 per bulan.

---

Nonnegative integer-valued time series arises in many applications. A time series model: first-order Integer-valued Autoregressive (INAR(1)) is constructed by binomial thinning operator to model nonnegative integer-valued time series. INAR(1) is depend on one period from the process before. Parameter of the model can be estimated by conditional least squares (CLS). Specification of INAR(1) is following the specification of AR(1). Forecasting in INAR(1) uses forecasting methodology or Bayes forecasting methodology. Median forecasting methodology obtains integer s, which is cumulative density function (cdf) until s is more than or equal to 0.5. Bayes forecasting methodology forecasts h step ahead by generate the parameter of the model and parameter of innovation term using Adaptive Rejection Metropolis Sampling within Gibbs sampling (ARMS), then finding the least integer where is more than or equal than u. u is a value taken from the Uniform (0,1) distribution. INAR(1) is applied on polio case in United States from January 1970 until December 1983 monthly."

"ABSTRAKPeramalan jumlah pasien pneumonia dapat membantu subjek medis untuk mempersiapkan keperluan obat, pekerja, atau dalam pencegahan dengan melakukan penyuluhan pada orang tua, lansia, dan perokok. Permasalahan ini menyangkut kehidupan banyak orang, maka dari itu akurasi yang baik diperlukan dalam proses peramalan. Fuzzy Time Series (FTS) merupakan salah satu metode alternative dalam melakukan peramalan. Dengan metode yang umum digunakan seperti ARIMA dan Exponential Smoothing, terdapat kesulitan dalam mendapatkan model terbaik. FTS pada penelitian ini, memodifikasi algoritma yang digunakan Cheng (2008), dengan menggunakan OrdeTinggi (dua atau lebih data historis) untuk meningkatkan akurasi peramalan dan dilihat dari nilai Mean Absolute Percentage Error (MAPE). Data diambil dari jumlah pasien pneumonia di Jakarta tahun 2008 hingga 2018. Penelitian ini menggunakan bantuan aplikasi R dan Microsoft Excel untuk perhitungan sederhana. Akurasi peramalan akan semakin berkurang apabila dilakukan untuk meramalkan periode yang jauh. Maka, penelitian ini hanya akan meramalkan 5 periode kedepan. Hasil yang diperoleh FTS dengan membandingkan 2 metode yang pada umumnya digunakan (ARIMA dan Exponential Smoothing) adalah nilai MAPE secara terurut, 9.70%, 16.85%, dan 18.55%.

---

ABSTRACTForecasting the amount of Pneumonia patients could help medical practitioners to prepare the required medicines, aid-workers, or even prevent it by sharing knowledge to parents, elders, and smokers. This problem poses great concerns on the lives of many people, therefore, adequate accuracy is required in forecasting. Fuzzy Time Series (FTS) is an alternative way to forecast data. By using ARIMA and Holts Exponential Smoothing, there are some problems that are difficult to obtain the best model. Using our FTS method, we modified the Cheng algorithm by using higher order (using two or more historical data) to make the accuracy better by seeing the Mean Absolute Percentage Error (MAPE). Data was selected from the amount of Pneumonia Patients in Jakarta from 2008 to 2018. We use R to carryout ARIMA and Holts Exponential Smoothing. Forecastings accuracy will decrease if theti meframe between these occurrences is lengthy. As a result of this, we made use of 5 periods which are January until May 2019. The result obtained was compared against ARIMA and Holts Exponential Smoothing, as well as the MAPE are 9.70%, 16.85%, and 18.55% respectively. "