Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tulisan ini membahas metode peramalan dengan pendekatan model runtun waktu Box-Jenkins yang merupakan proses pengembangan dari kombinasi proses Autofegresive (AR) dan proses Moving Average (MA) untuk runtun waktu tidak stasioner menjadi proses Autoregresive Integrated Moving Average (ARIMA). Pembahasan dimulai dengan unsur-unsur yang merupakan konsep analisa runtun waktu Box-Jenkins yaitu : Analisa runtun waktu stasioner dan tidak stasioner, Fungsi Autokovariansi, Fungsi Autokorelasi, Fungsi Autokorelasi parsial, Operator Back—Shift, dan Operator Diferensi. Dilanjutkan dengan menerangkan langkah-langkah penentuan model peramalan dengan metode runtun waktu Box-Jenkins yaitu : Identifikasi model, Estimasi parameter, dan Verifikasi."

"Tingkat mortalitas merupakan komponen penting dalam analisis kesehatan masyarakat yang diperlukan oleh banyak institusi seperti pemerintah, organisasi kesehatan, hingga perusahaan asuransi. Akan tetapi, data tingkat mortalitas merupakan data yang terus berubah seiring berjalannya waktu sehingga dibutuhkan peramalan tingkat mortalitas. Untuk melakukan peramalan tingkat mortalitas, diperlukan kesesuaian dari berbagai metode dan model untuk dapat memaksimalkan tingkat akurasi dari nilai hasil ramalan. Untuk mencapai hal tersebut, skripsi ini melakukan simulasi peramalan dengan model Cairns-Blake-Dowd (CBD) yang diaplikasikan terhadap data Tingkat Mortalitas Indonesia untuk jenis kelamin laki-laki yang bersifat tahunan. Model CBD sendiri memiliki dua parameter yang diestimasi menggunakan metode Least Square. Lalu, dikarenakan sifat parameter yang merupakan deret waktu multivariat, akan digunakan metode peramalan berupa Vector Autoregressive Integrated Moving Average (VARIMA). Hasil ramalan tersebut kemudian disubstitusikan kembali ke dalam model CBD untuk mendapatkan nilai tingkat mortalitas pada tahun-tahun berikutnya. Dalam menentukan akurasi hasil peramalan dari metode VARIMA dan estimasi parameter dari metode Least Square tersebut, digunakan metode Mean Squared Error (MSE).......Mortality rate is a crucial component in the analysis of public health which is required by various institutions such as the government, health organizations, and insurance companies. However, mortality rate data is constantly changing over time, necessitating the forecasting of mortality rates. Therefore, to forecast mortality rates, the alignment of various methods and models is necessary to maximize the accuracy of the forecasted values. To achieve this, this thesis will conduct a forecasting simulation using the Cairns-Blake-Dowd (CBD) model applied to Indonesian Mortality Rate data for males on an annual basis. The CBD model itself has two parameters to be estimated using the Least Square method. Then, due to the nature of the parameters as a multivariate time series, the Vector Autoregressive Integrated Moving Average (VARIMA) forecasting method will be employed. The forecasted results will be substituted back into the CBD model to obtain mortality rate values for the upcoming years. In determining the accuracy of the forecasting results from VARIMA and estimation from Least Square, the Mean Squared Error (MSE) method will be utilized."

"Pemodelan runtun waktu banyak digunakan dalam berbagai bidang seperti keuangan, kesehatan, dan asuransi. Model runtun waktu yang sering digunakan adalah model runtun waktu kontinu. Akan tetapi di dunia nyata, diperlukan model runtun waktu yang bisa memodelkan data diskrit. Model INAR(1) adalah salah satu model runtun waktu yang bisa menangani data diskrit dengan asumsi inovasi atau error berdistribusi Poisson. Namun, distribusi Poisson mempunyai mean yang sama dengan variansinya sehingga distribusi Poisson memiliki asumsi equidispersi. Hal ini membatasi fleksibilitas model runtun waktu yang dapat dikonstruksi untuk data diskrit karena bisa terjadi overdispersi. Dalam artikel ini dikonstruksi sebuah model yang dapat mengatasi masalah overdispersi, yaitu model BL-INAR (1), yang merupakan model INAR(1) dengan inovasi yang berdistribusi Bell serta sifat dari model BL-INAR(1). Distribusi Bell adalah distribusi yang menggunakan satu parameter dengan basis ekspansi deret dari bilangan Bell. Parameter model BL-INAR(1) diestimasi menggunakan metode Conditional Least Squares. Model BL-INAR(1) selanjutnya diimplementasikan pada data mogok kerja di Amerika Serikat.......Time series models are used frequently in other field such as finance, medicine, and insurance. Models that were often used for time series are continuous time series models. Nonetheless, time series models that can handle discrete data are also needed. INAR(1) is one example of time series models that is able to deal with discrete data and its innovation are using Poisson distribution. However, Poisson distribution has a mean of same value with its variance which means Poisson distribution assumed equidispersion. This assumption limits the flexibility of time series models that can be built because overdispersion happen often in time series. In this paper, we will analyse a model that will solve overdispersion, BL-INAR(1)model which is an INAR(1) model with Bell inovations. Bell distribution is a distribution that use one parameter with the basis of series expansion of Bell numbers. Parameters of BL-INAR(1) model will be estimated using Conditional Least Squares. As an example, BL-INAR(1) model will be tested using strikes data in United States."