Daripada Data Bilangan kepada Ramalan: Aplikasi Model INGARCH

Penulis: Dr. Nurul Najihah binti Mohamad, Dr. Nur Fatihah binti Mohd Ali & Dr. Zulmaryan binti Embong

Pensyarah Kanan,
Jabatan Sains Pengkomputeran dan Teori, Kulliyyah Sains,
Universiti Islam Antarabangsa Malaysia, Kampus Kuantan

Setiap minggu, Kementerian Kesihatan Malaysia mengeluarkan laporan mengenai jumlah kes demam denggi di seluruh negara. Ada minggu yang mencatatkan peningkatan mendadak, manakala ada juga minggu yang menunjukkan penurunan. Persoalannya, adakah perubahan ini berlaku secara kebetulan, atau sebenarnya terdapat corak yang boleh dikenal pasti lebih awal?

Begitu juga dengan jumlah kemalangan jalan raya semasa musim perayaan, bilangan pesakit yang mendapatkan rawatan di hospital atau jumlah kejadian jenayah di sesuatu kawasan. Semua maklumat ini direkodkan dalam bentuk data bilangan, iaitu data yang mengira berapa banyak sesuatu kejadian berlaku dalam tempoh tertentu.

Walaupun data tersebut kelihatan seperti sekadar himpunan nombor, sebenarnya ia menyimpan pelbagai maklumat yang amat bernilai. Dengan menggunakan kaedah statistik yang sesuai, data ini mampu membantu kita memahami apa yang sedang berlaku, mengenal pasti corak perubahan, malah meramalkan apa yang mungkin berlaku pada masa hadapan.

Data Bilangan: Lebih Daripada Sekadar Nombor

Tidak semua data mempunyai ciri yang sama. Data seperti suhu badan, berat atau ketinggian boleh mengambil pelbagai nilai, termasuk nilai perpuluhan. Sebaliknya, data bilangan hanya terdiri daripada nombor bulat seperti 0, 1, 2, 3 dan seterusnya.

Contohnya, kita mungkin merekodkan sebanyak 25 kes denggi pada minggu pertama, 31 kes pada minggu kedua dan 42 kes pada minggu ketiga. Data seperti ini kelihatan mudah, namun ia mempunyai satu ciri penting, iaitu setiap pemerhatian direkodkan mengikut urutan masa.

Hubungan antara satu minggu dengan minggu berikutnya sering kali tidak berlaku secara rawak. Sekiranya sesuatu penyakit sedang menular, bilangan kes pada minggu ini lazimnya dipengaruhi oleh keadaan pada minggu-minggu sebelumnya. Corak seperti inilah yang cuba difahami oleh ahli statistik melalui pemodelan siri masa.
Daripada Data kepada Model

Sebelum sesuatu ramalan dapat dibuat, data perlu melalui beberapa proses analisis. Langkah pertama ialah memastikan data yang dikumpulkan lengkap dan berkualiti. Seterusnya, penyelidik akan meneliti sama ada terdapat trend peningkatan, penurunan atau corak bermusim dalam data tersebut.

Selepas corak dikenal pasti, model statistik yang sesuai akan dibangunkan. Pemilihan model amat penting kerana model yang tidak sesuai boleh menghasilkan ramalan yang mengelirukan.

Bagi data berbentuk bilangan yang direkodkan mengikut masa, salah satu model yang banyak digunakan oleh penyelidik ialah Integer-valued Generalized Autoregressive Conditional Heteroskedasticity (INGARCH) atau lebih dikenali sebagai INGARCH.

Kenali Model INGARCH

Idea di sebalik model INGARCH sebenarnya mudah difahami. Model ini dibina berdasarkan andaian bahawa bilangan kejadian pada masa kini dipengaruhi oleh kejadian-kejadian yang telah berlaku sebelum ini.

Bayangkan kita ingin meramal jumlah kes demam denggi bagi minggu hadapan. INGARCH akan meneliti data beberapa minggu sebelumnya untuk mengenal pasti corak peningkatan atau penurunan. Maklumat ini kemudiannya digunakan untuk menganggarkan jumlah kes yang berkemungkinan berlaku pada minggu berikutnya.

Dengan kata lain, model ini belajar daripada sejarah data sebelum menghasilkan ramalan. Oleh sebab itu, ramalan yang diperoleh lebih berpandukan corak sebenar berbanding sekadar membuat jangkaan secara rawak.

Bagaimana INGARCH Membantu Masyarakat?

Model INGARCH digunakan secara meluas dalam bidang kesihatan awam. Ramalan awal mengenai peningkatan kes penyakit boleh membantu pihak berkuasa merancang langkah pencegahan lebih awal, seperti mempergiatkan aktiviti kawalan nyamuk, menyediakan bekalan ubat atau menambah kapasiti hospital.

Selain itu, model ini juga digunakan dalam bidang lain. Dalam sektor keselamatan, INGARCH membantu mengkaji pola kejadian jenayah. Dalam bidang pengangkutan pula, model ini digunakan untuk memahami corak kemalangan jalan raya. Ahli ekonomi turut menggunakan model yang sama untuk menganalisis bilangan tuntutan insurans, transaksi kewangan dan pelbagai data ekonomi yang direkodkan mengikut masa.

Kepelbagaian aplikasi ini menunjukkan bahawa satu model statistik mampu memberikan manfaat kepada pelbagai sektor apabila digunakan dengan data yang sesuai.

Masa Depan Analisis Data

Hari ini, dunia menghasilkan data dalam jumlah yang jauh lebih besar berbanding sedekad yang lalu. Perkembangan teknologi digital, Internet Pelbagai Benda  dan kecerdasan buatan (Artificial Intelligence, AI) menyebabkan data dikumpulkan hampir setiap saat.

Perkembangan ini membuka ruang kepada model seperti INGARCH untuk menjadi lebih pintar. Penyelidik kini menggabungkan data cuaca, faktor persekitaran, mobiliti penduduk dan pelbagai sumber maklumat lain bagi meningkatkan ketepatan ramalan.

Gabungan statistik, matematik dan teknologi moden dijangka akan menghasilkan sistem ramalan yang lebih cekap, sekali gus membantu pembuat dasar membuat keputusan berdasarkan bukti yang lebih kukuh.

Statistik bukan sekadar menghasilkan graf atau jadual. Di sebalik setiap nombor tersimpan maklumat yang boleh membantu kita memahami sesuatu fenomena dengan lebih mendalam. Melalui model seperti INGARCH, data bilangan dapat dianalisis untuk mengenal pasti corak, meramalkan perubahan serta menyokong proses membuat keputusan yang lebih tepat.

Peranan statistik hari ini bukan lagi sekadar merekodkan apa yang telah berlaku, tetapi turut membantu menjangkakan apa yang mungkin berlaku pada masa hadapan. Inilah kekuatan analisis data moden, iaitu menukarkan data kepada maklumat, maklumat kepada pengetahuan, dan akhirnya pengetahuan kepada keputusan yang lebih berkesan.