Forecasting the Number of Dengue Fever Patients in Tak Province in 2023
Article Sidebar
Main Article Content
Abstract
In 2022, Tak Province has the 5th highest number of dengue fever patients in Thailand. Quantitative methods are an important tool in planning surveillance for determining appropriate measures. This study forecasts the number of monthly dengue fever cases in 2023 in Tak Province using the SARIMA or ARIMA(p, d, q)(P, D, Q)12 model compared with the Gray System Theory model to forecast total dengue fever cases in 2023 and then distribute the number of monthly cases with a seasonal index according to the pattern of the data shown. The results showed that the number of annual and monthly patients tends to decrease. The seasonality index shows the number of monthly cases spikes in May and peaks in July then decreased until March and April. Therefore, the annual forecasting method was used with the Gray system model. The GM(1,1) EPC model has an average percentage of The lowest absolute error (MAPE) is 2.51, so it is distributed with the seasonal index, which is called the Gray hybrid forecast. The ARIMA(2, 1, 2)(0, 1, 0)12 model has a MAPE value of 13.25. When validating with the number of patients January to October 2023, according to the Disease Surveillance Reporting System 506, it was found that the Gray hybrid forecast and ARIMA(2, 1, 2)(0, 1, 0)12 had MAPE values of 66.11 percent and 124.05, respectively, which were not very good at forecasting. However, quantitative predictions of seasonal indices have been shown to indicate periods of disease severity.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Articles in this journal are copyrighted by the x may be read and used for academic purposes, such as teaching, research, or citation, with proper credit given to the author and the journal.use or modification of the articles is prohibited without permission.
statements expressed in the articles are solely the opinions of the authors.
authors are fully responsible for the content and accuracy of their articles.
other reuse or republication requires permission from the journal."
References
กรมควบคุมโรค. (2562). รายงานพยากรณ์โรคไข้เลือดออก ปี 2562. [Online]. Available : https://ddc.moph.go.th/uploads/publish/ 1026720200625043825.pdf [2566, ตุลาคม 10].
กรมอุตุนิยมวิทยา. (2566). การเฝ้าระวังปรากฏการณ์เอลนีโญ/ลานีญา. [Online]. Available : https://www.tmd.go.th/media/climate/climate-events/เอลนโญ_ตุลาคม2566.pdf [2566, ตุลาคม 10].
ปรีชา เครือโสม, เฉลิมชัย ภูริพัฒน์, พิณรัตน์ นุชโพธิ์ และพรวิมล คล่องสั่งสอน. (2566). ตัวแบบระบบเกรย์สำหรับการพยากรณ์การแพร่ระบาดของโรคไข้เลือดออก : กรณีศึกษากรุงเทพมหานคร. วารสารควบคุมโรค, 49(2) 253-363.
วณิกเกียรติ์ ยิ่งพันธ์, บัววรุณ ศรีชัยกุล, จตุพร เหลืองอุบล และพุทธิไกร ประมวล. (2563). ตัวแบบทำนายอุบัติการณ์การเกิดโรคไข้เลือดออกของประชาชน จังหวัดอุบลราชธานี. วารสารวิจัยสาธารณสุขศาสตร์ มหาวิทยาลัยราชภัฏอุบลราชธานี, 9(2) 174-184.
วัฒนา ชยธวัช, เบญจรัตน์ พัฒนวิบูลย์ และรุ่งตะวัน เมืองมูล. ประมาณการจำนวนผู้ติดเชื้อโรคไข้เลือดออกจากสภาพอากาศ: กรณีศึกษาจังหวัดตาก. ใน การประชุมวิชาการและนำเสนอผลงานวิจัยระดับชาติและนานาชาติ ครั้งที่ 7 ประจำปี 2563 วันที่ 16 กุมภาพันธ์ 2563(หน้า 131-138). ปทุมธานี : อาคารหอประชุม มหาวิทยาลัยปทุมธานี.
สำนักข่าวกรมประชาสัมพันธ์. (2563). พยากรณ์โรคไข้เลือดออกในปี 2563. [Online]. Available : https://thainews.prd.go.th/th/news/detail/ TCATG200323123910879 [2563, มีนาคม 23].
สำนักระบาดวิทยา กรมควบคุมโรค. (2566). ระบบรายงานการเฝ้าระวังโรค 506>Dengue fever>ข้อมูลย้อนหลัง>สรุปสถานการณ์ประจำปี>ตารางข้อมูล>จำนวนและอัตราป่วย-ตายต่อแสนประชากร แยกรายจังหวัด. [Online]. Available : http://doe.moph.go.th/surdata/ disease.php? dcontent=old&ds=66 [2566, ตุลาคม 10].
Andrés, D. (2023). Machine Learning Pills : Error Metrics for Time Series Forecasting. [Online]. Available : https://mlpills.dev/time-series/error-metrics-for-time-series-forecasting/ [2023, October 20].
Bevans, R. (2020). Akaike Information Criterion | When & How to Use It (Example). [Online]. Scribbr. Available : https://www.scribbr.com/statistics/akaike-information-criterion/ [2023, March 26].
Chan, B. (2015). Classical Multiplicative Decomposition-YouTube. [Online]. Available : https://www.youtube.com/watch?v=S31b-vh0Ce0 [2023, March 20].
CRAN. (2023). Package forecast forecast: Forecasting Functions for Time Series and Linear Models. [Online]. Available : https://cran.r-project.org/web/packages/forecast/index.html[2023, October 20].
Hales, S, Weinstein P, Woodward A. (1996). Dengue fever epidemics in the South Pacific : driven by El Niño Southern Oscillation?. [Online]. Available : https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(05)65737-6/ppt. [2023, October 20].
Hii, Y.L., Zhu, H., Ng, N., Ng, L.C. & Rocklöv, J. (2012). Forecast of dengue incidence using temperature and rainfall. National Library of Medicine, 6(11), e1908.
Hyndman, R.J. & Athanasopoulos, G. (2021). Forecasting: principles and practice. (3 rd ed.). Melbourne : OTexts.
Hyndman, R.J. & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3), 1-22.
Leung, X.Y., Islam, R.M., Adhami, M., Ilic, D., McDonald, L., Palawaththa, S., Diug, B., Munshi, S.U. & Karim, M.N. (2023). A systematic review of dengue outbreak prediction models: Current scenario and future directions. National Library of Medicine, 17(2), e0010631.
Lewis, C.D. (1982). Industrial and business forecasting methods. London : Butterworths.
Liu, S. & Lin, Y. (2010). Grey systems theory and application. Verlag : Springer.
Santa, R. (2023). Introduction to SARIMA Model. [Online]. Available : https://medium.com/@ritusantra/introduction-to-sarima-model-cbb885ceabe8 [2023, November 1].
Shukla, G.K. & Trivedi, M. (2017). UNIT 14 SEASONAL COMPONENT ANALYSIS. [Online]. Available : https://www.egyankosh.ac.in/bitstream/ 123456789/20805/1/Unit-14.pdf [2023, November 1].
Strathmore University Business School. (2021). Analysis of Time Series. [Online]. Available : https://sbselearning.strathmore.edu/ pluginfile.php/177213/ mod_resource/content/1/Topic-4-Analysis-of-Time-Series.pdf [2023, November 1].
The R Foundation. (2023). The R Project for Statistical Computing. [Online]. Available : https://www.r-project.org/ [2023, November 1].
Wischke, A.F. (2018). Forecasting with R : Auto-ARIMA Step by Step. [Online]. Available : https://www.linkedin.com/pulse/forecasting-r-auto-arima-step-anton-figuerola-wischke [2023, November 1].
