Pemilihan Metode Optimal Untuk Prediksi Angka Kemiskinan Di Provinsi Gorontalo: Perbandingan Double Exponential Smoothing dan Bayesian Structural Time Series
DOI:
https://doi.org/10.55657/rmns.v4i1.202Keywords:
Forecasting,Double Exponential Smoothing, Bayesian Structural Time Series, Poverty FiguresAbstract
Kajian ini mengevaluasi angka kemiskinan di Indonesia yang masih tinggi dengan fokus pada Provinsi Gorontalo yang menjadi urutan kelima sebagai provinsi termiskin di Indoneisa. Meskipun angka kemiskinan ekstrem nasional menurun menjadi 1,12% pada Maret 2023, Gorontalo mencatat masih 183,71 ribu penduduk miskin dengan garis kemiskinan per kapita sebesar Rp 442.194. Tujuan penelitian ini untuk membandingkan dua teknik peramalan, yaitu Bayesian Structural Time Series (BSTS) dan Double Exponential Smoothing (DES) untuk menilai efektivitas masing-masing metode dalam memprediksi angka kemiskinan di Provinsi Gorontalo. Hasil analisis menunjukkan bahwa model Double Exponential Smoothing (DES) memiliki Mean Absolute Percentage Error (MAPE) sebesar 6,6%, lebih rendah dibandingkan MAPE Bayesian Structural Time Series (BSTS) yang mencapai 7,39%. MAPE yang lebih rendah pada Double Exponential Smoothing (DES) menunjukkan kemampuannya yang lebih baik dalam mengidentifikasi pola data dan menghasilkan perkiraan yang lebih akurat. Meskipun BSTS mampu menangkap komponen musiman dan Trend dengan teknik probabilistik yang canggih, hasil ini menegaskan bahwa Double Exponential Smoothing (DES) adalah metode yang lebih efektif untuk memprediksi angka kemiskinan di Provinsi Gorontalo.
Downloads
References
[1] G. R. Shinde, A. B. Kalamkar, P. N. Mahalle, N. Dey, J. Chaki, and A. E. Hassanien, “Forecasting Models for Coronavirus Disease (COVID-19): A Survey of the State-of-the-Art,” SN Comput. Sci., vol. 1, no. 4, pp. 1–15, 2020.
[2] J. Homepage, A. Emiro, I. K. Hasan, N. Achmad, P. Korespondensi, and K. Kunci, “Research in the Mathematical and Natural Sciences Perbandingan Model ARIMA-RBF dan ARIMA-GARCH dalam Peramalan Time Series Inflasi Provinsi Gorontalo,” Res. Math. Nat. Sci, vol. 2, no. 1, pp. 9–17, 2023, doi: 10.55657/rmns.v2i1.76.
[3] Bps.go.id, “Badan Pusat Statistik. Profil kemiskinan di indonesia maret 2023,” bps.go.id, 2023. https://www.bps.go.id/id/pressrelease/2023/ (accessed Jul. 18, 2024).
[4] Bps.go.id, “Badan Pusat Statistik. Badan pusat statistik provinsi gorontalo.,” bps.go.id. https://gorontalo.bps.go.id/id/pressrelease/2023/07/17/919/
[5] G. Dana and M. Irfa’i, “Analisis Parameter Mold Temperature Pada Tutup Botol 200 Ml Terhadap Cacat Sink Mark Material Polypropylene (Pp) Menggunakan Solidwork 2022,” J. Tek. Mesin, vol. 12, no. 03, pp. 133–140, 2024.
[6] A. Adryan, S. S. Sururin, W. S. Akbar, and E. Widodo, “Peramalan Garis Kemiskinan Provinsi Daerah Istimewa Yogyakarta Menggunakan Metode Double Exponential Smoothing,” J. Lebesgue J. Ilm. Pendidik. Mat. Mat. dan Stat., vol. 3, no. 2, pp. 338–343, 2022, doi: 10.46306/lb.v3i2.135.
[7] M. RIZAL and Sri Utami Zuliana, “Forecasting Using Sarima and Bayesian Structural Time Series Method for Range Seasonal Time,” Proc. Int. Conf. Data Sci. Off. Stat., vol. 2023, no. 1, pp. 382–391, 2023, doi: 10.34123/icdsos.v2023i1.402.
[8] S. Nurman, M. Nusrang, and Sudarmin, “Analysis of Rice Production Forecast in Maros District Using the Box-Jenkins Method with the ARIMA Model,” ARRUS J. Math. Appl. Sci., vol. 2, no. 1, pp. 36–48, 2022, doi: 10.35877/mathscience731.
[9] D. W. Wichern, S. Makridakis, and S. C. Wheelwright, “Forecasting: Methods and Applications.,” J. Am. Stat. Assoc., vol. 74, no. 367, p. 733, 1979, doi: 10.2307/2287014.
[10] nufriani, “Jurnal Ilmiah INTECH: Information Technology Journal of UMUS,” Umus, vol. 1, no. 02, pp. 1–12, 2019.
[11] J. Liu et al., “Bayesian structural time series for biomedical sensor data: A flexible modeling framework for evaluating interventions,” PLoS Comput. Biol., vol. 17, no. 8, pp. 1–21, 2021, doi: 10.1371/journal.pcbi.1009303.
[12] P. Amini, A. Almasi-Hashiani, M. A. Sahraian, M. Najafi, and S. Eskandarieh, “Multiple sclerosis projection in Tehran, Iran using Bayesian structural time series,” BMC Neurol., vol. 21, no. 1, pp. 1–6, 2021, doi: 10.1186/s12883-021-02281-x.
[13] H. T. S. Kurniawati, D., “Faktor-Faktor yang Mempengaruhi Anemia Remaja Putri dengan Menggunakan Bayesian Regresi Logistik dan Algoritma Metropolis-Hasting,” J. Ilm. Mat., vol. 7, no. 1, pp. 1–6, 2019, [Online]. Available: https://media.neliti.com/media/publications/249234-model-infeksi-hiv-dengan-pengaruh-percob-b7e3cd43.pdf
[14] H. Hijrawati, G. Adi Wibawa, I. Yahya, B. Baharuddin, G. Arviana Rahman, and A. Agusrawati, “Analisis Regresi Data Panel Pada Faktor-Faktor Yang Mempengaruhi Tingkat Kemiskinan Sulawesi Tenggara Tahun 2017-2020,” J. Mat. Komputasi dan Stat., vol. 2, no. 3, pp. 187–195, 2022, doi: 10.33772/jmks.v2i3.25.
[15] W. A. Medyanti, M. Faisal, and H. Nurhayati, “Optimasi Metode Single Exponential Smoothing Dengan Grid Search Pada Prediksi Nilai Ekspor Migas,” SINTECH (Science Inf. Technol. J., vol. 7, no. 1, pp. 59–69, 2024, doi: 10.31598/sintechjournal.v7i1.1526.
[16] A. Sauddin, T. Azisahnurman, and R. Wahyuni, “Perkebunan Rakyat Kabupaten Bulukumba Menggunakan,” J. MSA, vol. 6, no. 2, pp. 51–60, 2018.
[17] Anita, “Pemodelan Generalized space time autoregressive,” universitas muhammadiyah semarang, 2022.
[18] G. Box, G., Jenkins, G., Reinsel, “Box - Time Series Analysis 3rd ed.pdf.” 1994.
[19] N. Ning and J. Qiu, “The mbsts package: Multivariate Bayesian Structural Time Series Models in R,” pp. 1–12, 2021, [Online]. Available: http://arxiv.org/abs/2106.14045
[20] donald b. rubi. Andrew, “inference from itrative simulation using moltiple sequences,” vol. 7(4), pp. 457–472, 1992, doi: 10.1214/ss/1177011136.
[21] L. Xie, “The analysis and forecasting COVID-19 cases in the United States using Bayesian structural time series models,” Biostat. Epidemiol., vol. 6, no. 1, pp. 1–15, 2022, doi: 10.1080/24709360.2021.1948380.
[22] T. Wiecki, “mcmc sampling for dummies,” 2015. https://twiecki.io/blog/2015/11/10/mcmc-sampling/
[23] A. P. A. Masa, A. Prafanto, and H. J. Setyadi, “Peramalan Ekspor Batu Bara Indonesia Menggunakan Metode Double Exponential Smoothing Brown,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 3, pp. 1139–1147, 2024, doi: 10.57152/malcom.v4i3.1552.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Meitasya wolah, Salmun K. Nasib, Armayani Arsal, Isran K. Hasan, Asriadi, Siti Nurmardia Abdussamad
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
