Estimasi Parameter pada Model Poisson Generalized Autoregressive Moving Average (GARMA) dengan Algoritma IRLS Studi Kasus: Peramalan Jumlah Kecelakaan di Jalan Tol Surabaya-Gempol

Abstract

Peramalan adalah pengolahan data masa lalu untuk mendapatkan estimasi data masa depan. Data yang digunakan pada penelitian ini adalah data count. Pada kasus data count metode peramalan pada umumnya seperti ARIMA kurang tepat digunakan. Benjamin, dkk. mengembangkan sebuah model peramalan yaitu Generalized Autoregessive Moving Average (GARMA) dengan menggunakan fungsi penghubung (link function) dengan data diasumsikan mengikuti Distribusi Poisson sehingga disebut juga Poisson GARMA (p,q). Pada model tersebut terdapat beberapa parameter yang tidak diketahui. Parameter yang dimaksud diestimasi menggunakan metode Maximum Likelihood Estimation (MLE) dengan optimasi Algoritma Iteratively Reweighted Least Squares (IRLS). Model Poisson GARMA ini diterapkan pada data jumlah kejadian kecelakaan di jalan tol Surabaya-Gempol ruas Waru-Sidoarjo. Hasil yang didapat yaitu model khusus Poisson GARMA (1,1) dengan 3 parameter yaitu parameter konstanta (β_0), Autoregressive (ϕ), dan Moving Average (θ). Kriteria pemilihan model terbaik menggunakan AIC.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).