<![CDATA[Malaria masih menjadi tantangan kesehatan global yang signifikan, dengan pola kematian yang menunjukkan dinamika temporal yang beragam antarwilayah. Oleh karena itu, pemodelan runtun waktu yang akurat diperlukan untuk mendukung perencanaan intervensi berbasis bukti. Penelitian ini bertujuan membandingkan kinerja model Seasonal Autoregressive Integrated Moving Average (SARIMA), Error–Trend–Seasonality (ETS), dan Neural Network Autoregressive (NNETAR) dalam meramalkan kematian malaria secara global dan regional. Data kematian malaria bulanan periode 2000–2024 dianalisis menggunakan pendekatan kuantitatif komparatif runtun waktu. Tahapan analisis meliputi pra-pemrosesan data, uji stasioneritas, identifikasi dan estimasi model, serta evaluasi kinerja menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE) pada data validasi. Hasil penelitian menunjukkan bahwa tidak terdapat satu model yang unggul secara universal. Model NNETAR memberikan akurasi terbaik pada wilayah dengan volatilitas tinggi dan pola non-linear, khususnya Afrika dan Asia Tenggara. Model SARIMA lebih optimal pada wilayah dengan pola musiman yang kuat seperti Pasifik Barat, sedangkan ARIMA cukup representatif untuk wilayah dengan tren yang relatif stabil. Temuan ini menegaskan pentingnya pemilihan model berbasis karakteristik data regional serta membuka peluang pengembangan pendekatan pemodelan hibrida untuk meningkatkan akurasi peramalan kematian malaria.]]>
Copyrights © 2026
