BAYESIAN DAN NON-BAYESIAN TIME SERIES DATA COUNT (Studi Kasus : Banyaknya Pencari Kerja di Provinsi Kalimantan Tengah)
No Thumbnail Available
Date
2019-01-15
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Model ARIMA telah banyak dipergunakan untuk pemodelan data time series. Namun, ketika memodelkan data bilangan bulat yang tidak pernah bernilai negatif (non-negative integer-valued) model ini mungkin tidak tepat. Hal ini disebabkan karena hasil prediksi model ARIMA yang dapat bernilai negatif. Metode count time series dengan pendekatan GLM dan juga INLA menawarkan solusi alternatif untuk memodelkan data count tersebut. Kriteria model terbaik pada metode count time series pendekatan GLM menggunakan Quasi Information Criterion (QIC), sedangkan pada metode Bayesian dengan INLA digunakan Deviance Information Criterion (DIC) dan Watanabe-Akaike Information Criterion (WAIC). Model terbaik untuk data banyaknya pencari kerja terdaftar di Kalimantan Tengah dengan pendekatan GLM adalah Model dengan orde model P = {1,2}, Q={1}, dan link function identity. Sedangkan pada pendekatan INLA, model terbaiknya adalah Model AR(2) dengan penalized complexity (PC) prior.
Berdasarkan nilai MAPE dan RMSE dari hasil prediksi kedua metode, metode count time series pendekatan INLA memiliki nilai MAPE dan RMSE yang lebih kecil dibanding metode count time series pendekatan GLM untuk kasus data banyaknya pencari kerja terdaftar di Kalimantan Tengah. Nilai MAPE pendekatan INLA bahkan kurang dari 10 persen, atau dengan kata lain memberikan hasil prediksi yang sangat akurat.
Description
Keywords
Count Time Series, GLM, INLA