7009 PDF
7009 PDF
tugas akhir
disajikan sebagai salah satu syarat
untuk memperoleh gelar Ahli Madya
Program Studi Statistika Terapan dan Komputasi
oleh
Dimas Setyo Dwitanto
4151307017
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2011
PENGESAHAN
Tugas Akhir yang berjudul
Analisis Runtun Waktu Untuk Meramalkan Jumlah Pasien yang Berobat di
Puskesmas Blora
disusun oleh
Nama : Dimas Setyo Dwitanto
NIM
: 4151307017
telah dipertahankan di hadapan sidang Panitia Ujian Tugas Akhir FMIPA Unnes
pada tanggal 27 Januari 2011
Panitia:
Ketua
Sekretaris
195111151979031001
195604191987031001
Ketua Penguji
Anggota Penguji
195004251979031001
196412231988031001
ii
Dengan ini saya menyatakan bahwa yang ditulis dalam tugas akhir ini
benar-benar hasil karya sendiri, bukan merupakan jiplakan dari karya tulis orang
lain. Pendapat atau temuan orang lain dalam Tugas Akhir ini dikutip atau dirujuk
berdasarkan kode etik ilmiah.
iii
ABSTRAK
Dimas Setyo Dwitanto, 2011. Analisis Runtun Waktu Untuk Meramalkan Jumlah
Pasien yang Berobat di Puskesmas Wilayah Blora dengan Menggunakan
Software Minitab 14. Tugas Akhir, Jurusan Matematika, FMIPA Universitas
Negeri Semarang. Pembimbing I: Drs. Zaenuri Mastur, SE, Akt, M.Si
Pembimbing II: Dr. Hardi Suyitno, M.Pd.
Agar masyarakat Blora dapat berobat di puskesmas dan hidup sehat, maka
puskesmas di wilayah Blora perlu meningkatkan kinerja pelayanan kesehatan.
Peramalan jumlah pasien merupakan salah satu dasar untuk menentukan rencana
peningkatan kualitas pelayanan kesehatan masyarakat ke depannya. Salah satu
metode peramalan yang dapat dipergunakan adalah metode peramalan analisis
runtun waktu (time series). Software Minitab 14 merupakan salah satu software
program pengolahan data statistik yang dapat membantu mempermudah
perhitungan peramalan analisis runtun waktu (time series)
Tujuan Kegiatan ini adalah untuk mengetahui model analisis runtun waktu
yang tepat untuk peramalan jumlah pasien yang berobat di Puskesmas Blora dan
selanjutnya diketahui besar peramalan jumlah pasien yang berobat di Puskesmas
wilayah Blora pada periode yang telah ditentukan ke depannya.
Metode yang digunakan pada Tugas Akhir ini adalah metode Literatur
yaitu mengumpulkan, memilih serta menganalisis bacaan yang berhubungan
dengan permasalahan yang telah diteliti yaitu mengenai peramalan, analisis runtun
waktu dan software Minitab 14. Metode Dokumentasi yaitu mengumpulkan data
jumlah pasien yang berobat di Puskesmas wilayah Blora bulan Januari 2006
sampai Oktober 2010. Data dianalisis dengan analisis runtun waktu dan dalam
pengolahan datanya dilakukan dengan bantuan program software Minitab 14
Hasil dari kegiatan ini adalah diperoleh model ARIMA (1,1,1) sebagai
model yang tepat untuk peramalan jumlah pasien yang berobat di Puskesmas
wilayah Blora. Hasil peramalan jumlah yang berobat di Puskesmas wilayah Blora
tahun 2010 pada bulan November sebesar 3842, bulan Desember sebesar 3850,
pada tahun 2011 bulan Januari sebesar 3862, bulan Februari sebesar 3876, bulan
Maret sebesar 3891, bulan April sebesar 3907, bulan Mei sebesar 3823, bulan Juni
sebesar 3939, bulan Juli sebesar 3955, bulan Agustus sebesar 3971, bulan
September sebesar 3987 dan bulan Oktober yaitu sebesar 4003 pasien.
Saran yang dapat diberikan kepada pihak Puskesmas Blora adalah agar
dapat melakukan tindakan antisipasi terhadap naiknya jumlah pasien yang berobat
dengan menambah fasilitas keshatan maupun alat alat kesehatan. Selain itu,
pihak puskesmas juga dapat mengefektifkan tenaga medis yang ada.
iv
Motto:
KATA PENGANTAR
Puji syukur kehadirat Allah SWT penulis panjatkan karena dengan rahmat
dan ridho-Nya penulis dapat menyelesaikan Tugas Akhir ini dengan baik. Semua
hambatan dan tantangan dalam penyusunan Tugas Akhir ini merupakan suatu
pengalaman tersendiri bagi penulis.
Dalam mengerjakan dan menyusun Tugas Akhir ini, penulis telah banyak
mendapatkan bantuan, bimbingan dan dorongan yang sangat bermanfaat dari
berbagai pihak. Oleh karena itu pada kesempatan ini penulis mengucapkan
terimakasih kepada:
1.
2.
3.
4.
Drs. Zaenuri Mastur, SE, Akt, M.Si, Dosen Pembimbing pertama yang telah
memberikan bimbingan dan arahan dalam penyusunan Tugas Akhir.
5.
Prof. Dr. Hardi Suyitno, M.Pd, Dosen Pembimbing kedua yang telah
memberikan bimbingan dan arahan dalam penyusunan Tugas Akhir.
6.
Komputasi
Jurusan Matematika.
7.
vi
8.
Ayahanda dan Ibunda serta kakakku yang selalu memberikan dukungan, doa,
kasih sayang dan perhatian yang sangat besar bagi penulis.
9.
Semarang,
Januari 2011
Penulis
vii
DAFTAR ISI
Halaman
HALAMAN JUDUL...............................................................................
PENGESAHAN ......................................................................................
ii
iii
ABSTRAK ..............................................................................................
iv
vi
viii
DAFAR GAMBAR.................................................................................
xi
xii
BAB I PENDAHULUAN
1.1 Latar Belakang .....................................................................
10
11
13
16
24
26
viii
39
42
42
42
43
43
43
43
4. Verifikasi ........................................................................
44
5. Peramalan ........................................................................
44
46
56
56
60
65
4. Peramalan ........................................................................
67
BAB V PENUTUP
5.1 Kesimpulan ..........................................................................
71
71
72
LAMPIRAN
ix
DAFTAR TABEL
Halaman
Tabel 4.1. Jumlah pasien yang berobat di Puskesmas Blora...................
46
65
DAFTAR GAMBAR
Halaman
Gambar 4.1.1
47
Gambar 4.1.2
47
Gambar 4.1.3
48
Gambar 4.1.4
49
Gambar 4.1.5
50
Gambar 4.1.6
50
Gambar 4.1.7
51
Gambar 4.1.8
52
Gambar 4.1.9
53
53
54
55
xi
DAFTAR LAMPIRAN
Halaman
Lampiran I.
73
74
75
76
77
xii
BAB I
PENDAHULUAN
1.1
Latar Belakang
Kemajuan ilmu teknologi semakian berkembang dalam era
globalisasi pada saat ini semakian dirasakan kegunaannya dan
manfaatnya dalam kehidupan manusia. Hal tersebut terjadi karena hasil
dari kemajuan teknologi yang semakin besar pengaruhnya terhadap
kebutuhan manusia yang tidak terbatas.
Masalah ekonomi menjadi salah satu permasalahan yang penting
bagi negara yang sedang berkembang seperti Indonesia. Kemajuan suatu
perekonomian dipengaruhi oleh banyak sektor, salah satu sektor yang
sangat penting dalam pembangunan Indonesia adalah pembangunan
sektor
kesehatan.
Pembangunan
kesehatan
adalah
bagian
dari
merupakan salah satu syarat yang harus dipenuhi oleh suatu negara.
Negara akan dikatakan maju apabila seluruh masyarakatnya memperoleh
jaminan kesehatan dari pemerintah. Tanpa manusia yang sehat jasmani
dan rohani bangsa indonesia akan sulit bersaing diantara bangsa-bangsa
di dunia. Hal ini karena kesehatan merupakan syarat bagi suatu negara
1
bertanggungjawab
menyelenggarakan
pembangunan
dengan
kemajuan
teknologi
informasi
dengan
komputer
semakin
diperlukan
kegunaannnya
agar
peramalan
atau
perencanaan
Puskesmas
Blora
masih
sehingga
proses
untuk
mendapatkan
hasil
peramalan
1.2
Rumusan Masalah
Berdasarkan uraian latar belakang di atas dapat dirumuskan
masalah sebagai berikut :
1.
2.
1.2.2
Pembatasan Masalah
Penulisan Tugas Akhir ini membahas dan mengolah data
mengenai jumlah pasien yang berobat di Puskesmas wilayah
Blora. Dengan adanya data tersebut, maka akan di buat
forecasting (peramalan) jumlah pasien yang berobat di
Puskesmas Blora dan menentukan model analisis runtun waktu
(Time Series) yang tepat dengan menggunakan software Minitab
14.
1.3
Tujuan
Tujuan penulisan laporan Tugas Akhir ini adalah sebagai
berikut.
1.
2.
1.3.2
Manfaat
Manfaat penulisan
sebagai berikut.
1.
Bagi Penulis
a.
b.
c.
2.
b.
10
3.
1.4
Penegasan Istilah
1.4.1
Runtun Waktu
Runtun waktu (time series) adalah himpunan observasi
terurut dalam waktu atau dalam dimensi lain. Data time series
yaitu data yang dikumpulkan dari waktu ke waktu untuk melihat
perkembangan suatu kegiatan (misal perkembangan penjualan,
produksi, harga dan lain sebagainya), bila data digambarkan
akan menunjukkan fluktuasi dan dapat digunakan untuk dasar
penarikan trend yang dapat digunakan untuk dasar peramalan
yang
berguna
untuk
dasar
perencanaan
dan
penarikan
Peramalan
Peramalan didefinisikan sebagai perkiraan munculnya
sebuah kejadian di masa yang akan dating, berdasarkan data
historis atau data yang ada di masa lampau (Subagyo, 1984: 1).
Peramalan (forecasting) adalah suatu usaha menguji keadaan di
11
Software Minitab
Minitab adalah suatu program yang dibuat untuk membantu
dan mempermudah perhitungan pengolahan data peramalan.
Dari pemasukan atau input data, analisis sampai pada peramalan
dari data dapat dengan mudah dilakukan. (Iriawan, 2000: 21).
1.5
Sistematika Penulisan
Secara garis besar Tugas Akhir ini dibagi menjadi tiga bagian yaitu
bagian awal, bagian isi, dan bagian akhir. Bagian awal meliputi halaman
sampul, halaman judul, abstrak, halaman pengesahan, motto dan
persembahan, kata pengantar, daftar isi, daftar gambar, daftar tabel,
daftar lampiran.
Bagian Isi terdiri dari 3 bab : Bab I meliputi pendahuluan yang berisi
latar belakang, rumusan masalah, pembatasan masalah, tujuan dan
manfaat, penegasan istilah dan sistematika penulisan. Bab II meliputi
landasan teori yang berisi deskripsi tentang Puskesmas Blora, peramalan,
runtun waktu, metode ARIMA, penggunaan software MINITAB dalam
analisis time series. Bab III meliputi metode kegiatan yang berisi langkah
langkah untuk memecahkan masalah, variabel yang digunakan, metode
pengumpulan data dan analisis data. Bab IV meliputi hasil kegiatan dan
pembahasan yang berisi analisis penentuan model dan hasil peramalan
12
BAB II
LANDASAN TEORI
14
Data Time Series yaitu data yang dikumpulkan dari waktu ke waktu
untuk melihat perkembangan suatu kegiatan (misal perkembangan penjualan,
harga dan lain sebagainya), apabila data digambarkan akan menunjukkan
fluktuasi dan dapat digunakan untuk dasar penarikan trend yang dapat
digunakan untuk dasar peramalan yang berguna untuk dasar perencanaan dan
penarikan kesimpulan (Supranto, 2001: 15). Menurut Makridakis dan
Wheelwrigt (1999: 21), pola data time series dapat dibedakan menjadi empat
jenis yaitu :
1.
2.
3.
15
4.
dengan A himpunan bilangan asli, maka runtun waktu ini dinamakan runtun
waktu diskrit. Jika t R dengan R himpunan bilangan real maka runtun
waktu tersebut dinamakan runtun waktu kontinu (Soejoeti, 1987: 2.2)
Ciri yang menonjol dari analisis runtun waktu adalah bahwa deretan
observasi pada suatu variabel dipandang sebagai realisasi dari variabel
random berdistribusi bersama, yaitu dianggap bahwa adanya fungsi
probabiliti bersama pada variabel random Z1 ....Z n , misal f1 ,...., n ( Z1....Zn )
(Soejoeti, 1987: 1.9)
Dasar pemikiran Time Series adalah pengamatan sekarang (Xt)
tergantung pada satu atau beberapa pengamatan yang dilakukan sebelumnya
(Xt-1). Dengan kata lain, model Time Series dibuat karena secara statistik
terdapat korelasi antar deret pengamatan. Untuk melihat adanya korelasi antar
pengamatan, kita dapat melakukan uji korelasi antar pengamatan yang sering
dikenal dengan Autocorrelation Function (ACF).
16
umum
model
Box
Jenkins
dirumuskan
dengan
notasi
ARIMA(p,d,q).
Dalam hal ini:
p = Orde atau derajat AR (Autoregressive)
d = Orde atau derajat pembeda (Differencing)
q = Orde atau derajat MA (Moving Average)
Hubungan antara metode ARIMA dengan model ARIMA adalah model
ARIMA merupakan bagian dari metode ARIMA (Sugiarto dan Harijono,
2000:177). Menurut model Box Jenkins secara umum model ARIMA
terdiri dari :
1.
Model AR ( Autoregressive )
Model AR adalah model yang menerangakan bahwa variabel
dependent dipengaruhi oleh variabel dependent itu sendiri (Sugiarto dan
17
Dimana:
= nilai variabel dependent pada waktu t
= intersep
,
Dimana :
= nilai variabel dependent pada waktu t
,
,
,
,
18
3.
model
+.+
Penggabungan
+ W1
tersebut
W2
diharapkan
- Wq
model
ARIMA
bisa
19
Bila
koefisien
korelasi
mengalami
penurunan
secara
20
3)
>
21
Dalam penulisan Tugas akhir ini Thitung diperoleh dari hasil output
dari software Minitab.
T tabel dapat dilihat pada tabel distribusi student.
4)
Verifikasi model
Langkah berikutnya setelah melakukan estimasi parameter
terhadap model yaitu verifikasi model. Pada langkah ini dilakukan
pemeriksaan apakah model yang telah diestimasi cocok dengan
data yang
Overfitting
Overfitting dilakukan apabila menggunakan beberapa
parameter model lebih banyak dari pada yang diperlukan.
Tetapi dalam hal ini perlu diperhatikan bahwa dalam metode
ARIMA berlaku prinsip PARSIMONY artinya model yang
dipilih adalah model yang paling ekonomis dan parameter
yang nilainya kecil.
b)
22
Dimana :
n
derajat
kebebasan
m-p-q
dimana
dan
Koefisien Autokorelasi
23
dan
hubungan
antara
variabel
yang
dapat
Dimana :
n = banyaknya data
Koefisien autokorelasi dapat disimpulkan tidak berbeda
secara signifikan daripada 0 apabila nilainya berada pada
rentang nilai :
s/d
Dari rentang nilai tersebut dapat diamati distribusi
koefisien autokorelasi, cara mengidentifikasikan pola data
koefisien autokorelasi menurut Sugiarto dan Harijono (2000:
184) dengan menggunakan pedoman umum sebagai berikut :
24
Autokorelasi Parsial
Koefisien autokorelasi parsial yaitu mengukur tingkat
keeratan hubungan antara Xt dengan Xt-k, sedangkan
pengaruh dari time lag 1,2,3dan seterusnya sampai k-1
dianggap tetap. Dengan demikian koefisien autokorelasi
parsial yaitu mengukur derajat hubungan antara nilai yang
sekarang dengan nilai yang sebelumnya (untuk time lag
tertentu), sedangkan pengaruh nilai variabel time lag yang
lain dianggap tetap.
25
b.
26
smoothing,
dekomposisi
dan
teknik
box-jenkis.
Menurut
komputer
sebagai
seperangkat
alat
yang
diciptakan
untuk
27
2.
3.
28
test dan
analisis
runtun
waktu
yang
meliputi:
trend,
Output yang dihasilkan dengan Minitab lebih lengkap dan valid karena
dalam Minitab 14 terdapat penggambaran awal data menggunakan plot
data dan grafik trend data, sehingga dari awal dapat diketahui bentuk
data seperti apa, apakah membentuk trend, musiman ataukah yang lain.
2.
29
Menu Bar
Window
Session
Window
Data
a.
Menu Bar
Menu File
Dalam menu file ini, terdapat submenu yang terdiri dari New
Worksheet dan Project, Open Worksheet/Project,Merge
Worksheet,
Query
Database(ODBC),
Save
30
Menu Edit
Pada menu edit terdapat submenu yang disediakan yaitu
Undo, Redo, Clear Cells, Delete Cells, Copy Ce, Cut,
Paste/Insert Cells, Paste/Replace Cells, Paste Link, Select All
Cells, Edit Last Command Dialog, Command Line Editor dan
Save Prefences.
3)
Menu Data
Fungsi dari menu ini adalah menyediakan submenu-submenu
yang berfungsi mengubah susunan data seperti perintah
menggabungkan data menjadi beberapa kolom, memberi
kode pada data tertentu dan mengganti tipe data.
4)
Menu Calc
Menu ini menyediakan beberapa submenu untuk menghitung
pernyataan
pernyataan
matematika
dan
melakukan
Menu Stat
Pada menu ini kita dapat menggunakan beberapa metode
statistik untuk mengolah data seperti statistik deskriptif,
31
Menu Graph
Pada menu Graph, kita dapat dengan mudah menyajikan data
hasil perhitungan dengan grafik statistik.
7)
Menu Editor
Menu editor dalam Minitab sangat dinamis tergantung pada
Window yang sedang aktif seperti Next and Previous
Command, Find, Replace, Select Form, Apply I/O Font, Title
Font dan Comment Font.
8)
Menu Windows
Submenu yang ada pada menu Window adalah Cascade, Tile,
Minimize All, Restore, Arrange Icons, Refresh, Hide
Toolbar, Hide Status Bar, Manage Graph, Close All Graph
dan Set Graph Size/Location.
9)
Menu Help
Menu Help disediakan untuk memberi pandangan pada
pengguna dalam mengoperasikan Minitab. Secara lebih
lanjut,
Minitab
juga
memberikan
contoh
dan
cara
Toolbar
32
Window Data
Window data memiliki worksheet-worksheet (lembar kerja) yang
berisi data-data. Ada lebih dari 1 worksheet dalam 1 project. Dalam
Window Data dapat dimasukkan kolom data ke dalam worksheet,
memberi nama kolom, mengubah ukuran dan memformat kolom,
memindah lokasi sel, dan membuat salinan (cut, copy, paste).
2.
33
b.
34
35
Menggambar
grafik
fungsi
autokorelasi
(fak)
dan
fungsi
36
37
e.
data
tidak
stasioner,
maka
untuk
menentukan
kestasioneran data runtun waktu digunakan data selisih. Langkahlangkah pembuatannya adalah sebagai berikut.
1)
2)
f.
3)
4)
Klik OK.
38
1)
2)
3)
39
4)
g.
Melakukan Peramalan
Setelah langkah-langkah seperti di atas selesai, maka tinggal
melakukan peramalan. Langkah-langkah melakukan peramalan
adalah sama seperti proses Pembandingan model yang paling baik,
hanya saja model mana yang sudah tepat untuk forecast yang sudah
dihasilkan, kemudian klik Forecast, kemudian akan muncul
tampilan sebagai berikut :
1)
2)
Klik OK
40
2.5 Puskesmas
2.5.1 Pengertian Puskesmas
Puskesmas
adalah
Organisasi
fungsional
yang
41
dengan
pertumbuhan
ekonomi
yang
terus
42
berperan
dalam
kehidupan
masyarakat.
Sehingga
dapat
2.
3.
4.
BAB III
METODE KEGIATAN
3.1
Ruang Lingkup
Ruang lingkup kegiatan dalam tugas akhir ini adalah data jumlah
pasien yang berobat pada bulan Januari 2006 sampai Oktober 2010 di
Puskesmas Blora. Data jumlah pasien yang berobat tersebut akan dibuat
nilai peramalan pada bulan November 2010 sampai bulan Oktober 2011.
Dalam tugas akhir ini, data diperoleh dari Puskesmas Blora.
Puskesmas Blora merupakan salah satu usaha dari pemetintah
kabupaten Blora yang bergerak di bidang kesehatan serta unit teknis yang
mempunyai tugas menyelenggarakan pelayanan bagi pasien yang sedang
berobat di Puskesmas Blora tersebut, agar para pasien mendapatkan
pelayanan yang memuaskan yang diberikan oleh petugas medis.
3.2
Variabel
Variabel yang digunakan dalam tugas akhir ini adalah jumlah
pasien yang berobat di Puskesmas wilayah Blora pada bulan Januari
2006 sampai bulan Oktober 2010
44
3.4
Analisis Data
Data akan dianalisis menggunakan analisis runtun waktu dengan
menggunakan software Minitab 14.0. Tahap-tahap dalam menganalisis
data adalah sebagai berikut.
1.
Kestasioneran Data
Data stasioner adalah data yang mempunyai rata-rata dan
varians yang konstan sepanjang waktu (Soejoeti, 1987: 2.25).
Dengan kata lain data stasioner adalah data yang tidak mengalami
kenaikan atau penurunan. Dalam tahap ini data harus stasioner,
apabila data tidak stasioner maka data harus dimodifikasi supaya
data menjadi stasioner.
2.
Identifikasi Model
Pada tahap ini Identifikasi model sementara dilakukan
dengan cara membandingkan distribusi koefisien autokorelasi dan
koefisien autokorelasi parsial aktual dengan distribusi teoritis.
3.
45
Verifikasi
Pada tahap verifikasi ini dilakukan pemeriksaan apakah
model yang diestimasi cocok dengan data yang diperoleh.
Pengujian kelayakan model dapat dilakukan dengan beberapa cara :
a. Overfitting
b. Menguji residual (Error term)
c. Melakukan uji dengan statistik Box-pierce Q
5.
Peramalan
Setelah diproses model memadai, peramalan pada satu atau
lebih periode ke depan dapat dilakukan. Pemilihan model dalam
metode ARIMA dilakukan dengan mengamati distribusi koefisien
autokorelasi dan koefisien autokorelasi parsial.
Dari hasil analisis data tersebut dapat disimpulkan bahwa data
pasien Puskesmas wilayah Blora pada bulan Januari 2006 sampai bulan
Oktober 2010 akan dianalisis runtun waktu dengan software Minitab 14.0
dengan langkah langkah sebagai berikut : langkah pertama yaitu
menstationerkan data, pada langkah ini data distasionerkan agar data
mempunyai rata-rata dan varians yang sama sepanjang waktu. Langkah
yang kedua yaitu mengidentifikasi model, pada langkah ini data
46
BAB IV
HASIL KEGIATAN DAN PEMBAHASAN
4.1
Hasil Kegiatan
Data yang dianalisis adalah data jumlah pasien yang berobat di
Puskesmas wilayah Blora sebanyak 58 data runtun waktu dari bulan Januari
2006 sampai dengan bulan Oktober 2010, disajikan pada tabel 4.1.
Tabel 4.1 jumlah pasien yang berobat di Puskesmas Blora
Bulan
Jumlah Pasien
2006
2007
2008
2009
2010
Januari
2976
3993
3290
2927
3537
Februari
3126
4143
3238
3334
3704
Maret
2895
3668
3644
3793
5154
April
3259
3033
3176
3846
4109
Mei
2794
3384
3130
3447
4230
Juni
2699
3116
2793
3488
4220
Juli
3076
2884
3080
3151
4042
Agustus
2998
2925
3353
3350
4212
September
3110
2717
3487
3571
3625
Oktober
3032
2837
3448
2798
3842
November
3009
3046
3361
3160
Desember
2791
2990
3243
3135
48
49
c)
T
4,84
2,73
1,52
1,14
0,68
0,45
0,14
-0,45
0,03
0,09
0,54
0,57
0,68
0,47
0,38
0,42
0,33
0,51
0,20
-0,02
LBQ
24,66
39,13
44,83
48,39
49,74
50,35
50,41
51,05
51,05
51,07
52,06
53,21
54,89
55,70
56,24
56,95
57,40
58,47
58,64
58,65
50
PACF
0,635573
0,131877
-0,085505
0,058763
-0,036212
-0,011227
-0,042347
-0,178225
0,242193
0,016928
0,097661
0,037778
-0,008381
-0,030415
-0,036133
0,013147
0,046305
0,076504
-0,054490
-0,077724
T
4,84
1,00
-0,65
0,45
-0,28
-0,09
-0,32
-1,36
1,84
0,13
0,74
0,29
-0,06
-0,23
-0,28
0,10
0,35
0,58
-0,41
-0,59
51
2.
52
c)
ACF
-0,285711
-0,000209
-0,146019
0,008004
-0,069824
0,045295
0,023404
-0,245842
0,132431
-0,099016
0,114563
0,046489
0,066155
-0,045203
-0,058354
0,038172
-0,092256
0,119395
-0,025925
0,054413
T
-2,16
-0,00
-1,02
0,06
-0,48
0,31
0,16
-1,68
0,86
-0,64
0,73
0,29
0,42
-0,28
-0,37
0,24
-0,58
0,74
-0,16
0,34
LBQ
4,90
4,90
6,23
6,23
6,55
6,68
6,72
10,87
12,10
12,80
13,76
13,92
14,26
14,42
14,69
14,81
15,52
16,75
16,81
17,08
53
PACF
-0,285711
-0,089114
-0,188288
-0,106636
-0,139757
-0,063848
-0,017333
-0,323197
-0,088401
-0,201322
-0,115656
-0,021083
-0,022709
-0,016757
-0,103962
-0,075089
-0,132028
-0,038879
0,003847
0,062230
T
-2,16
-0,67
-1,42
-0,81
-1,06
-0,48
-0,13
-2,44
-0,67
-1,52
-0,87
-0,16
-0,17
-0,13
-0,78
-0,57
-1,00
-0,29
0,03
0,47
54
3.
55
c)
ACF
-0,603566
0,158390
-0,109275
0,086871
-0,078984
0,065898
0,074181
-0,240520
0,235379
-0,168790
0,098544
-0,018611
0,046166
-0,037238
-0,043762
0,088762
-0,129833
0,133796
-0,090035
0,100915
T
-4,52
0,90
-0,61
0,48
-0,44
0,36
0,41
-1,32
1,26
-0,88
0,50
-0,09
0,24
-0,19
-0,22
0,45
-0,66
0,67
-0,45
0,50
LBQ
21,51
23,02
23,75
24,23
24,62
24,90
25,27
29,18
33,01
35,02
35,73
35,75
35,91
36,02
36,17
36,81
38,21
39,74
40,46
41,37
56
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
PACF
-0,603566
-0,323895
-0,313180
-0,213593
-0,244870
-0,203482
0,055872
-0,233667
-0,106480
-0,194122
-0,245148
-0,179359
-0,135025
-0,016843
-0,052751
0,006585
-0,065765
-0,064093
-0,076939
0,065063
T
-4,52
-2,42
-2,34
-1,60
-1,83
-1,52
0,42
-1,75
-0,80
-1,45
-1,83
-1,34
-1,01
-0,13
-0,39
0,05
-0,49
-0,48
-0,58
0,49
57
4.2
Pembahasan
1.
Mengidentifikasi model
a)
0,131
0,131 s/d
0,131
58
0.299 > 0.257 maka nilai koefisien autokorelasi pada lag 3 berbeda
signifikan dari nol atau signifikan. Karena ada trend, maka data
, karena banyaknya
0,133
0,133 s/d
0,133
59
60
, karena banyaknya
0,134
Batas rentang koefisien autokorelasi dapat diketahui tidak
berbeda secara signifikan daripada 0 atau tidak signifikan adalah
s/d
0,134 s/d
0,134
61
62
2.
SSE
23851929
17291838
16105854
14796049
13352645
11793156
10888400
10422423
9499679
9003431
8907372
8907245
8906549
0,100
-0,050
0,024
0,083
0,122
0,138
0,126
0,106
-0,044
-0,194
-0,284
-0,290
-0,290
Parameters
0,100
1,167
0,250 -3,279
0,400 -3,033
0,550 -2,732
0,700 -2,221
0,850 -1,178
0,925 -0,457
0,959 -0,084
0,958 -0,119
0,958 -0,011
0,961
0,140
0,960
0,009
0,961
0,031
Coef
-0,2905
0,9607
0,031
SE Coef
0,1391
0,1164
5,241
T
-2,09
8,26
0,01
P
0,042
0,000
0,995
63
Residuals:
excluded)
SS =
8875044 (backforecasts
MS =
167454
DF = 53
Lag
Chi-Square
DF
P-Value
12
9,5
9
0,394
24
14,8
21
0,832
36
28,0
33
0,714
48
51,6
45
0,231
a. Hipotesis
H0 :
H1 :
b. Kriteria Uji
H0 diterima apabila
= 2,09
=
= 2,09 >
c. Kesimpulan
Karena
64
H 1 : W1
b. Kriteria uji
H0 diterima apabila
= 8,26
=
= 8,26 >
c. Kesimpulan
Karena
SSE
257607934
166208525
154167540
142158252
130193850
118096964
107228215
90543530
71360450
56235397
45126769
37985549
34681213
33522117
33409646
33350232
33286343
33227217
33179187
33140982
Parameters
0,100 0,100
9,840
-0,050 0,250 -4,753
0,030 0,400 -4,861
0,100 0,550 -4,821
0,159 0,700 -4,529
0,206 0,850 -3,837
0,192 0,925 -3,093
0,042 0,986 -1,322
-0,108 0,986 -1,052
-0,258 0,986 -0,773
-0,408 0,986 -0,454
-0,558 0,987 -0,074
-0,708 0,991
0,335
-0,709 1,028
0,127
-0,709 1,028
0,199
-0,708 1,030
0,245
-0,708 1,032
0,274
-0,708 1,034
0,291
-0,708 1,035
0,302
-0,708 1,036
0,310
65
20
21
22
23
24
25
33110013
33084200
33062107
33042772
33025548
33009991
-0,708
-0,708
-0,708
-0,708
-0,708
-0,708
1,037
1,038
1,039
1,039
1,040
1,040
0,316
0,321
0,325
0,330
0,333
0,337
Coef
-0,7075
1,0403
0,3369
SE Coef
0,1008
0,2281
0,2027
T
-7,02
4,56
1,66
P
0,000
0,000
0,103
12
26,0
9
0,002
24
31,3
21
0,069
36
48,7
33
0,038
48
87,6
45
0,000
a. Hipotesis
H0 :
H1 :
b. Kriteria Uji
66
H0 diterima apabila
= 7,02
=
= 7,02 >
c. Kesimpulan
Karena
b. Kriteria uji
H0 diterima apabila
= 4,56
=
= 4,56 >
c. Kesimpulan
Karena
3.
Verifikasi model
Setelah kedua
maka langkah
67
MSE
ARIMA (1,1,1)
167454
ARIMA (1,2,1)
638152
68
dengan data selisih 1 yang hasil proses dari data asli yang menghasilkan
data berfluktuasi kecil, maka data selisih 2 lebih kasar atau lebih lebar
dibandingkan dengan data selisih 1.
Dalam verifikasi model bertujuan untuk memperoleh model yang
terbaik dipakai nilai rata - rata standar error yang lebih kecil untuk
meminimumkan kesalahan standarnya. Oleh karena itu nilai dari hasil
peramalan tersebut dapat menunjukkan bahwa model yang dipakai
dapat menghasilkan data ramalan yang mendekati dengan data yang
sesungguhnya.
4.
Period
59
60
61
62
63
64
65
Forecast
3841,45
3849,61
3861,91
3876,17
3891,37
3907,01
3922,86
95 Percent
Limits
Lower
Upper
3132,48 4550,43
3055,97 4643,26
3046,01 4677,81
3052,93 4699,41
3064,99 4717,74
3078,87 4735,14
3093,48 4752,24
Actual
69
66
67
68
69
70
3938,81
3954,81
3970,83
3986,87
4002,90
3108,40
3123,47
3138,60
3153,77
3168,95
4769,22
4786,15
4803,07
4819,97
4836,86
70
71
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil kegiatan dan pembahasan pada BAB IV, maka dapat
diambil kesimpulan sebagai berikut:
1.
2.
5.2 Saran
Saran yang dapat diberikan sesuai dengan materi yang bersangkutan
pada Tugas Akhir di atas adalah :
1.
2.
72
73
3.
DAFTAR PUSTAKA
diakses
http://id.wikipedia.org/wiki/Pusat_Kesehatan_Masyarakat.
internet pada tanggal 29 November 2010
melalui
74
diakses
Lampiran I
Data jumlah pasien yang berobat di Puskesmas Blora
Bulan
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
2006
2976
3126
2895
3259
2794
2699
3076
2998
3110
3032
3009
2791
2007
3993
4143
3668
3033
3384
3116
2884
2925
2717
2837
3046
2990
Jumlah Pasien
2008
2009
3290
2927
3238
3334
3644
3793
3176
3846
3130
3447
2793
3488
3080
3151
3353
3350
3487
3571
3448
2798
3361
3160
3243
3135
2010
3537
3704
5154
4109
4230
4220
4042
4212
3625
3842
-
75
76
Lampiran II
Data selisih pertama jumlah pasien yang berobat di Puskesmas Blora
Bulan
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
2006
*
150
-231
364
-465
-95
377
-78
112
-78
-23
-218
Jumlah Pasien
2007
2008
2009
1202
300
-316
150
-52
407
-475
406
459
-635
-468
53
351
-46
-399
-268
-337
41
-232
287
-337
41
273
199
-208
134
221
120
-39
-773
209
-87
362
-56
-118
-25
2010
402
167
1450
-1045
121
-10
-178
170
-587
217
-
Keterangan :
Data selisih 1 diperoleh dari hasil perhitungan data asli pada data bulan Februari
dikurangi data bulan Januari dan seterusnya
: n = 58, karena data tersebut menggunakan data selisih 1, maka 58 1 = 57
: data tidak ada, hasil data diperoleh dari bulan Januari 2006 sampai bulan
Oktober 2010 sehingga jumlah n = 58. Data bulan November 2010 dan
Desember 2010 belum tercatat.
77
Lampiran III
Data selisih kedua jumlah pasien yang berobat di Puskesmas Blora
Bulan
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
2006
*
*
-381
595
-829
370
472
-455
190
-190
55
-195
Jumlah Pasien
2007
2008
2009
1420
356
-198
-1052
-352
723
-625
458
52
-160
-874
-406
986
422
-452
-619
-291
440
36
624
-378
273
-14
536
-249
-139
22
328
-173
-994
89
-48
1135
-265
-31
-387
2010
427
-235
1283
-2495
1166
-131
-168
348
-757
804
-
Keterangan :
Data selisih 2 diperoleh dari hasil perhitungan data selisih 1pada data bulan Maret
dikurangi data bulan Februari dan seterusnya.
: n = 58, karena data tersebut menggunakan data selisih 2, maka 58 2 = 56
: data tidak ada, hasil data diperoleh dari bulan Januari 2006 sampai bulan
Oktober 2010 sehingga jumlah n = 58. Data bulan November 2010 dan
Desember 2010 belum tercatat.
78
Lampiran IV
Output Minitab 14 Model ARIMA (1,1,1)
ARIMA Model: Data pasien selisih 1
Estimates at each iteration
Iteration
SSE
Parameters
23851929
0,100
0,100
1,167
17291838
-0,050
0,250
-3,279
16105854
0,024
0,400
-3,033
14796049
0,083
0,550
-2,732
13352645
0,122
0,700
-2,221
11793156
0,138
0,850
-1,178
10888400
0,126
0,925
-0,457
10422423
0,106
0,959
-0,084
9499679
-0,044
0,958
-0,119
9003431
-0,194
0,958
-0,011
10
8907372
-0,284
0,961
0,140
11
8907245
-0,290
0,960
0,009
12
8906549
-0,290
0,961
0,031
Coef
SE Coef
AR
-0,2905
0,1391
-2,09
0,042
MA
0,9607
0,1164
8,26
0,000
0,031
5,241
0,01
0,995
Constant
SS =
MS =
167454
DF = 53
12
24
36
48
9,5
14,8
28,0
51,6
21
33
45
0,394
0,832
0,714
0,231
79
Lampiran V
Output Minitab 14 Model ARIMA (1,2,1)
ARIMA Model: Data pasien selisih 2
Estimates at each iteration
Iteration
SSE
Parameters
257607934
0,100
0,100
9,840
166208525
-0,050
0,250
-4,753
154167540
0,030
0,400
-4,861
142158252
0,100
0,550
-4,821
130193850
0,159
0,700
-4,529
118096964
0,206
0,850
-3,837
107228215
0,192
0,925
-3,093
90543530
0,042
0,986
-1,322
71360450
-0,108
0,986
-1,052
56235397
-0,258
0,986
-0,773
10
45126769
-0,408
0,986
-0,454
11
37985549
-0,558
0,987
-0,074
12
34681213
-0,708
0,991
0,335
13
33522117
-0,709
1,028
0,127
14
33409646
-0,709
1,028
0,199
15
33350232
-0,708
1,030
0,245
16
33286343
-0,708
1,032
0,274
17
33227217
-0,708
1,034
0,291
18
33179187
-0,708
1,035
0,302
19
33140982
-0,708
1,036
0,310
20
33110013
-0,708
1,037
0,316
21
33084200
-0,708
1,038
0,321
22
33062107
-0,708
1,039
0,325
23
33042772
-0,708
1,039
0,330
24
33025548
-0,708
1,040
0,333
25
33009991
-0,708
1,040
0,337
80
Type
Coef
SE Coef
AR
-0,7075
0,1008
-7,02
0,000
MA
1,0403
0,2281
4,56
0,000
0,3369
0,2027
1,66
0,103
Constant
SS =
32545768 (backforecasts
MS =
638152
DF = 51
12
24
36
48
26,0
31,3
48,7
87,6
21
33
45
0,002
0,069
0,038
0,000