Estimasi Parameter Pada Model Binomial Negatif Generalized Autoregressive Moving Average (Garma) Dengan Algoritma IRLS (Studi Kasus: Peramalan Jumlah Kecelakaan di Jalan Tol Gempol-Surabaya)

Habibi, Mada Aqil (2018) Estimasi Parameter Pada Model Binomial Negatif Generalized Autoregressive Moving Average (Garma) Dengan Algoritma IRLS (Studi Kasus: Peramalan Jumlah Kecelakaan di Jalan Tol Gempol-Surabaya). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 06111440000010-Undergraduate_Theses.pdf]
Preview
Text
06111440000010-Undergraduate_Theses.pdf - Accepted Version

Download (1MB) | Preview

Abstract

Model yang sering digunakan untuk data time series adalah model ARIMA. Untuk data time series yang merupakan data count, pada model klasik Gaussian tidak selalu tepat. Pada penelitian ini, data jumlah kecelakaan yang digunakan yaitu jumlah kecelakaan di jalan Tol Gempol-Surabaya. Data tersebut bersifat underdispersion (nilai varians lebih kecil dari pada nilai rata-rata variabel responnya) sehingga pada kasus ini tidak memenuhi asumsi equidispersion (nilai variansi dan nilai rata-rata variabel respon adalah sama). Untuk mengatasi data yang tidak memenuhi asumsi equidispersion dibentuk suatu model peramalan data count dengan pendekatan distribusi Binomial Negatif yaitu Model Binomial Negatif GARMA (1,1). Model tersebut didapatkan berdasarkan identifikasi model ARIMA. Penerapan model Binomial Negatif GARMA(1,1) menggunakan algoritma IRLS untuk memperoleh estimasi parameter. Parameter tersebut digunakan untuk mendapatkan hasil peramalan pada model Binomial Negatif GARMA(1,1). Hasil peramalan yang diperoleh dapat dikatakan akurat dengan RMSE sebesar 0,4231 (dibandingkan dengan model ARIMA(1,0,1).

============================================================
Time series model data is the ARIMA model. For time series data which is count data, Gaussian classical model is not always correct. In this study, data on the number of accidents used is the number of accidents in Gempol-Surabaya toll road. The data is underdispersion (the value of variance is less than the average value of the response variable) so in this case it does not meet the equidistpersion assumption (the value of variance and the mean value of the response variable are the same). To solve data that does not satisfy the assumption of equidispersion formed a count data forecasting model with Negative Binomial distribution approach that is Negative Binomial GARMA Model (1,1). The model was obtained based on ARIMA model identification. Application of Negative Binomial GARMA (1,1) model using algorithm IRLS to obtain parameter estimation. These parameters are used to obtain forecasting result in Negative Binomial GARMA(1,1) model. Forecasting results obtained can be said to be accurate with RMSE of 0.4231 (compared with ARIMA model (1,0,1)

Item Type: Thesis (Undergraduate)
Additional Information: RSMa 519.535 Hab e
Uncontrolled Keywords: Data count, ARIMA, Distribusi Binomial Negatif, Equisdispersion, Model Binomial Negatif GARMA, IRLS.
Subjects: Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry)
Q Science > QA Mathematics > QA280 Box-Jenkins forecasting
Divisions: Faculty of Mathematics, Computation, and Data Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User: Mada Aqil Habibi
Date Deposited: 20 Dec 2018 03:13
Last Modified: 21 Jan 2021 02:13
URI: http://repository.its.ac.id/id/eprint/59023

Actions (login required)

View Item View Item