INTISARI
Rumah sakit Muhammadiyah Gresik menyediakan jasa layanan dalam bidang kesehatan yang diantaranya
terdapat rawat jalan dan rawat inap. Dalam proses rawat jalan, rumah sakit harus mempunyai manajemen yang baik
agar dapat meningkatkan pengelolahan rumah sakit. Permasalahan pada rawat jalan di RS. Muhammadiyah Gresik,
pihak rumah sakit tidak dapat mengetahui berapa jumlah pasien yang akan datang. Memprediksi jumlah pasien rawat
jalan sangat penting untuk mengelolah rumah sakit, mengatur sumber daya manusia, sarana dan prasarana seperti
penambahan tenaga medis, alat medis dan ruangan. Sistem prediksi jumlah pasien rawat jalan di RS.
Muhammadiyah Gresik bertujuan untuk mengetahui jumlah pasien rawat jalan pada bulan yang akan datang.
Penelitian ini menggunakan metode Triple Exponential Smoothing (Brown). Pengujian dilakukan pada 6 poli rawat
jalan yaitu jumlah pasien rawat jalan per periode dari bulan Desember 2014 – November 2017 pengujian dengan 9
nilai alpha yang berbeda yaitu alpha 0,1 – 0,9 dengan menggunakan acuan 3 bulan, 6 bulan, dan 12 bulan
sebelumnya. Hasil prediksi akan dijadikan nilai pembanding dengan data aktual jumlah pasien rawat jalan untuk
menentukan nilai error dalam prediksi dengan menggunakan Mean Absolute Deviation (MAD) dan Mean Absolute
Percentage Error (MAPE). Dari rata-rata ketiga analisa pengujian prediksi, menghasilkan rata-rata nilai MAPE
terkecil yaitu acuan 3 bulan dengan nilai alpha terbanyak 0,2.
Kata Kunci : Triple Exponential Smoothing (Brown), Mean Absolute Deviation, Mean Absolut Percentage Error.
1
dapat digunakan untuk meramalkan data dengan terdapat data masa lalu yang dijadikan dasar untuk
suatu pola trend dasar. Bentuk pemulusan yang melakukan prakiraan. Sedangkan prediksi
lebih tinggi ini dapat digunakan bila dasar pola dilakukan bila proses produksi baru akan berjalan,
datanya adalah kuadratik, kubik, atau orde yang dalam hal ini perusahaan belum mempunyai data
lebih tinggi. masa lalu untuk dijadikan dasar untuk membuat
Sistem prediksi jumlah pasien rawat jalan suatu prakiraan. Sedangkan pengertian peramalan
diharapkan dapat membantu rumah sakit dalam menurut Roger G. Scroeder (2003:205)
mengetahui jumlah pasien rawat jalan untuk mendefinisikan: “Forecasting is the art and
mengelolah rumah sakit, mengatur sumber daya science of prodicting future events “. Artinya:
manusia, sarana dan prasarana. Sehingga dapat “Peramalan adalah seni dan ilmu dalam
digunakan sebagai dasar dalam perencanaan dan memprediksi kejadian di masa yang akan datang.”
pengambilan keputusan bagi pengelolah rumah Sejalan dengan itu menurut Jay Heizer dan Barry
sakit. Maka penulis tertarik untuk melakukan Rounder yang telah diterjemahkan “Peramalan
penelitian skripsi dengan judul “Implementasi adalah seni dan ilmu dalam memprediksi kejadian
Metode Triple Exponential Smoothing (Brown) masa yang akan datang dengan menggunakan data
untuk Prediksi Jumlah Pasien Rawat Jalan di masa lalu dalam menentukan kejadian yang akan
RS. Muhammadiyah Gresik”. datang dengan pendekatan matematis.”
Dari uraian yang telah dipaparkan penulis
II. LANDASAN TEORI maka dapat ditarik sebuah kesimpulan bahwa
2.1 Pengertian Peramalan (Forecasting) peramalan adalah ilmu atau seni yang digunakan
Peramalan (forecasting) diperlukan untuk sebuah manajemen dalam memprediksi kejadian di
menetapkan patokan dalam membuat rencana. masa yang akan datang dengan menggunakan data
Tanpa adanya patokan (dasar), tidak mungkin masa lalu yang diolah menggunakan metode-
rencana bisa dibuat. Ramalan diperlukan untuk metode tertentu.
menentukan jumlah produksi baik jasa maupun
barang yang harus dipersiapkan. Peramalan dapat 2.2 Triple Exponential Smoothing: Metode
dilakukan secara kuantitatif dan kualitatif. Kuadratik Satu-Parameter Dari Brown
Pengukuran secara kuantitatif yaitu dengan Metode ini sebagaimana halnya dengan
mengguanakan metode statistik sedangkan pemulusan eksponensial liniear yang dapat
pengukuran secara kualitatif yaitu dengan digunakan untuk meramalkan data dengan suatu
berdasarkan pendapat. Berdasarkan uraian tersebut pola trend dasar, bentuk pemulusan yang lebih
peramalan dikenal dengan istilah prakiraan dan tinggi ini dapat digunakan bila dasar pola datanya
prediksi. adalah kuadratik, kubik, atau orde yang lebih
Untuk lebih memahami definisi tinggi. Untuk berangkat dari pemulusan kuadratik,
mengenai peramalan, penulis mengemukakan pendekatan dasarnya adalah memasukkan tingkat
beberapa pendapat para ahli, yaitu: Pengertian pemulusan tambahan (pemulusan triple) dan
prediksi menurut Eddy Herjanto (2008:78) memberlakukan persamaan peramalan kuadratik.
mendefinisikan: “prediksi adalah proses peramalan Berikut adalah persamaan matematis untuk
di masa datang dengan lebih mendasarkan pada pemulusan Triple Exponential Smoothing
pertimbangan intuisi, dalam prediksi juga sering (Brown):
digunakan data kuantitatif sebagai pelengkap Pemulusan Tunggal
informasi dalam melakukan peramalan”. 𝑆 ′𝑡 = 𝛼𝜒𝑡 + (1 − 𝛼) 𝑆 ′𝑡−1 ………….(2.1)
Sedangkan “prakiraan didefinisikan sebagai proses Pemulusan Ganda
peramalan (kejadian) di masa datang dengan 𝑆 ′′𝑡 = 𝛼𝑆′𝑡 + (1 − 𝛼) 𝑆 ′′𝑡−1 ………....(2.2)
berdasarkan data variabel di masa sebelumnya”. Pemulusan Triple
Dari uraian tersebut dapat disimpulkan bahwa 𝑆𝑡′′′ = 𝛼𝑆𝑡′′ + (1 − 𝛼)𝑆 ′′′𝑡−1 ,………..(2.3)
terdapat perbedaan antara peramalan dan prediksi. Pemulusan Total
Peramalan dilakukan perusahaan bilamana kondisi 𝑎 𝑡 = 3𝑆𝑡′ − 3𝑆 ′′𝑡 + 𝑆 ′′′
𝑡 ,…………....(2.4)
perusahaan sudah berjalan sebagaimana mestinya
atau proses produksi telah berjalan sehingga
2
Pemulusan Tren III. ANALISIS DAN PERANCANGAN SISTEM
𝛼 ′
𝑏𝑡 = 2 [(6 − 5𝛼) 𝑆 𝑡 −
(10 − 8𝛼)𝑆 ′′𝑡 + 3.1 Analisis Sistem
2( 1− 𝛼 )
Analisis sistem dilakukan untuk mempelajari
(4 − 3𝛼)𝑆 ′′′
𝑡 ………………….........(2.5)
dan menganalisa kebutuhan sistem yang akan
Pemulusan Kuadratik
𝛼2
dibuat sehingga dapat dilakukan perancangan
𝐶𝑡 = (𝑆 ′𝑡 − 2𝑆 ′′𝑡 + 𝑆 ′′′𝑡 ),......(2.6) sistem dengan kriteria dan perangkat-perangkat
( 1− 𝛼 )2
Peramalan yang ditentukan. Analisis sistem bertujuan untuk
1 2 mengklasifikasi permasalahan-permasalahan yang
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚 + 𝑐𝑚 ...........(2.7)
2 𝑡
ada pada sistem yang akan dibangun meliputi
perangkat lunak (software), pengguna (user) serta
Keterangan : 𝑆′𝑡 = Nilai pemulusan tunggal
hasil analisis terhadap sistem dan elemen-elemen
𝑆′′𝑡 = Nilai pemulusan ganda
yang terkait. Analisis ini diperlukan sebagai dasar
𝑆𝑡′′′ = Nilai pemulusan triple bagi tahapan perancangan sistem.
Xt = Data aktual pada waktu Berdasarkan hasil wawancara dengan petugas
ke-t rekam medis RS. Muhammadiyah Gresik, pihak
𝑎𝑡 = Pemulusan total rumah sakit tidak dapat mengetahui berapa jumlah
𝑏𝑡 = Pemulusan tren pasien yang akan datang. Salah satu faktor
𝐶𝑡 = Pemulusan kuadratik pendukung dalam pengelolahan manajemen yang
𝐹𝑡+𝑚 = Nilai ramalan bulan depan baik pada rumah sakit adalah dengan mengetahui
𝑚 = Periode masa mendatang jumlah pasien pada masa yang akan datang.
𝛼 =konstanta dengan nilai Memprediksi jumlah pasien rawat jalan sangat
antara 0 dan 1 penting untuk dapat mengelolah rumah sakit,
mengatur sumber daya manusia, sarana dan
2.3 Pengukuran Kesalahan Peramalan prasarana. Oleh karena itu, perlu dilakukan
Satu metode untuk mengevaluasi metode prediksi jumlah pasien rawat jalan di RS.
peramalan menggunakan jumlah dari kesalahan- Muhammadiyah Gresik pada masa yang akan
kesalahan yang absolut. Mean Absolute Deviation datang agar pimpinan RS. Muhammadiyah Gresik
(MAD) mengukur ketepatan ramalan dengan dapat melakukan perencanaan untuk kebutuhan
merata-rata kesalahan dugaan (nilai absolut manajemen selanjutnya sehingga dapat dijadikan
masing-masing kesalahan). MAD paling berguna sebagai dasar dalam perencanaan dan pengambilan
ketika orang yang menganalisa ingin mengukur keputusan bagi pengelolah rumah sakit RS.
kesalahan ramalan dalam unit yang sama dengan Muhammadiyah Gresik memiliki beberapa
deret asli. beberapa bagian maupun poli, namun dalam
𝑛
1 penelitian ini poli yang akan dilakukan sebagai
MAD = ∑|𝑋𝑡 − 𝐹̂𝑡 | … … … … … (2.8) objek penelitian diantaranya Poli Klinik Umum,
𝑛
𝑡=1
Poli Anak, Poli Internis, IGD, Kunjungan
Persamaan berikut sangat berguna untuk
Laboratorium dan Poli Gigi.
menghitung kesalahan-kesalahan peramalan dalam
Di akhir bulan semua perencanaan jumlah
bentuk persentase daripada jumlah. Mean Absolute
pasien yang telah dijalankan akan dilaporkan
Percentage Error (MAPE) dihitung dengan
kepada pimpinan rumah sakit dan diperbandingkan
menggunakan kesalahan absolut pada tiap periode
dengan data aktual apakah rencana target yang
dibagi dengan nilai observasi yang nyata untuk
ditetapkan sebelumnya sesuai atau tidak. Hal
periode itu. Kemudian, merata-rata kesalahan
tersebut menjadi ukuran kinerja manajemen dalam
persentase absolut tersebut. Pendekatan ini
menjalankan pengelolahan rumah sakit.
berguna ketika ukuran atau besar variabel ramalan
itu penting dalam mengevaluasi ketepatan
3.2 Hasil Analisis
ramalan. MAPE dapat dihitung dengan rumus
Hasil analisis prediksi jumlah pasien rawat
sebagai berikut :
𝑛
jalan di RS. Muhammadiyah Gresik dalam
1 |𝑋𝑡 − 𝐹̂𝑡 | menyelesaikan permasalahan penentuan ketetapan
MAPE = ∑ ∗ 100 … … … … (2.9)
𝑛 𝑋𝑡 prediksi jumlah pasien rawat jalan maka di
𝑡=1
3
butuhkan peran sebuah sistem prediksi yang dapat Diagram alir sistem prediksi jumlah pasien rawat
membantu dalam mengetahui jumlah pasien rawat jalan adalah sebagai berikut:
jalan pada bulan yang akan datang.
Aplikasi prediksi atau forecasting ini
memprediksi jumlah pasien rawat jalan pada bulan
yang akan datang dengan melihat pasien rawat
jalan di bulan sebelumya di RS. Muhammadiyah
Gresik, sistem ini bisa di jadikan acuan sebagai
salah satu dasar perencanaan dan pengambilan
keputusan bagi pengelolah rumah sakit. Sistem ini
mengambil data jumlah pasien rawat jalan dari
bulan Desember 2014 sampai bulan November
2017. Gambar 3.1 Diagram Alir Sistem Prediksi
Sistem yang akan dibangun ditujukan kepada Jumlah pasien Rawat Jalan
pihak rekam medis RS. Muhammadiyah Gresik. Gambar 3.1 menjelaskan proses prediksi
Sistem ini diharapkan bisa dijadikan acuan oleh jumlah pasien rawat jalan dimulai dengan
manajemen rumah sakit untuk mengetahui prediksi memasukkan data-data jumlah pasien rawat jalan
jumlah pasien pada periode selanjutnya. Sehingga RS. Muhammadiyah Gresik dari bulan-bulan
prediksi jumlah pasien rawat jalan lebih tepat sebelumnya. Kemudian sistem akan melakukan
karena sudah dilakukan proses perhitungan dengan proses prediksi jumlah pasien rawat jalan periode
baik karena tidak hanya berdasar pada perkiraan selanjutnya dengan menggunakan metode Triple
jumlah pasien satu bulan sebelumnya melainkan Exponential Smoothing (Brown). Setelah proses
berdasarkan jumlah pasien beberapa bulan dan prediksi selesai maka sistem akan menampilkan
tahun sebelumnya. Berdasarkan hal tersebut, hasil dari perhitungan prediksi jumlah pasien
sistem ini terdiri dari 2 entitas, yaitu: rawat jalan untuk periode berikutnya.
Berikut merupakan diagram alir perhitungan
1. Petugas Rekam Medis: merupakan entitas
metode Triple Exponential Smoothing (Brown) :
yang bertanggung jawab penuh terhadap
berjalannya sistem sesuai dengan tujuan
pengembangan sistem itu sendiri dan juga
bertanggung jawab untuk memasukkan data
per bulan serta memperoleh hasil prediksi.
2. Pimpinan: merupakan entitas yang
bertanggung jawab mengambil keputusan
berdasarkan prediksi yang dilakukan sistem.
Pimpinan juga dapat melihat hasil laporan
prediksi sistem.
Metode prediksi yang akan penulis gunakan
dalam penelitian ini menggunakan metode Triple Gambar 3.2 Diagram Alir Metode Triple
exponential smoothing (Brown). Metode ini Exponential Smoothing (Brown)
sebagaimana halnya dengan pemulusan 3.3 Diagram Konteks
eksponensial liniear yang dapat digunakan untuk Diagram konteks merupakan diagram yang
meramalkan data dengan suatu pola trend dasar, menunjukkan sebuah proses tunggal dalam sistem
bentuk pemulusan yang lebih tinggi ini dapat yang berhubungan langsung dengan semua entitas
digunakan bila dasar pola datanya adalah eksternal sistem.
kuadratik, kubik, atau orde yang lebih tinggi.
Untuk berangkat dari pemulusan kuadratik,
pendekatan dasarnya adalah memasukkan tingkat
pemulusan tambahan (pemulusan triple) dan
memberlakukan persamaan prediksi kuadratik. Gambar 3.3 Diagram Konteks Sistem Prediksi
Jumlah pasien Rawat Jalan
4
Dari Diagram Konteks pada Gambar 3.3 2.2 Perhitungan pemulusan ganda (S”t)
menggambarkan bahwa sistem prediksi jumlah 2.3 Perhitungan pemulusan triple (S’’’t)
pasien rawat jalan ini melibatkan 2 entitas yakni 2.4 Perhitungan pemulusan total (at)
petugas rekam medis dan pimpinan RSMG. 2.5 Perhitungan pemulusan tren (bt)
petugas rekam medis dapat mengelolah data 2.6 Perhitungan pemulusan kuadratik (ct)
jumlah pasien rawat jalan kepada sistem 2.7 Perhitungan prediksi (Ft+m)
sedangkan sistem dapat menampilkan data detail
poli kepada pimpinan RS. Muhammadiyah Gresik. 3.5 Data Flow Diagram (DFD) Level 1
Petugas rekam medis dapat memasukkan data
jumlah pasien rawat jalan per bulan dan sistem
dapat menampilkan laporan hasil prediksi jumlah
pasien rawat jalan kepada pimpinan RS.
Muhammadiyah Gresik.
5
3.6 Data Flow Diagram (DFD) Level 2 hasil dari pemulusan triple, ganda dan tunggal
pada perhitungan sebelumnya akan di proses
di tahap berikutnya
d. Proses 2.4 adalah langkah keempat untuk
mencari perbedaan antara nilai nilai
pemulusan exponential yang sebelumnya
sudah didapatkan nilainya, yaitu nilai
pemulusan tunggal (S’t), pemulusan ganda
(S”t) dan pemulusan triple (S’’’t).
e. Proses 2.5 adalah langkah kelima untuk
penyesuai tambahan pengukuran slope suatu
kurva.
f. Proses 2.6 adalah langkah keenam untuk
menentukan nilai ct (mencari nilai slope
tambahan)
g. Proses 2.7 adalah tahap untuk memprediksi
nilai pada periode yang akan diramalkan
tingkat jumlah pasien rawat jalan
6
4.1.2 Halaman Home Gambar 4.4 Halaman Data Poli Sistem Prediksi
Setelah user (pengguna) berhasil melakukan Jumlah pasien Rawat Jalan di RS. Muhammadiyah
login ke sistem, maka akan muncul tampilan awal Gresik
dapat di lihat pada Gambar 4.2 sebagai berikut: 4.1.5 Halaman Detail Poli
Halaman detail poli menampilkan jumlah
pasien rawat jalan di RS. Muhammadiyah Gresik
per periode (bulan). Admin rekam medis
mempunyai hak akses dalam menambah, merubah
dan menghapus data jumlah pasien rawat jalan
pada sistem dapat di lihat pada Gambar 4.5.
7
umum pada periode Desember 2017 menggunakan
acuan data 3 bulan sebelumnya dengan nilai alpha
0,1 dengan hasil forecast jumlah pasien 821. Hasil
laporan dapat dilihat pada Gambar 4.9 sebagai
berikut:
8
4.2.1.2 Pengujian Acuan 6 Bulan 4.3.1 Perbandingan Prediksi 6 Poli
Tabel 4.2 Hasil Akhir Pengujian Poli Klinik Perbandingan hasil kesalahan prediksi terbaik
Umum Dengan Data Acuan 6 Bulan Alpha 0.1 – dari 6 poli rawat jalan berdasarkan acuan data 3
0.9 bulan, 6 bulan dan 12 bulan sebelumnya dapat
NO Nama Poli Alpha Tahun Acuan MAD MAPE
1 Poli Klinik Umum 0.1 2014 – 2017 6 bulan 25,386 2,975%
dilihat pada tabel 4.4 berikut:
2014 – 2017
2
3
Poli Klinik Umum
Poli Klinik Umum
0.2
0.3 2014 – 2017
6 bulan
6 bulan
24,390
27,306
2,819%
3,144%
Tabel 4.4 Perbandingan Hasil Kesalahan Prediksi
4 Poli Klinik Umum 0.4 2014 – 2017 6 bulan 29,671 3,412% Terbaik Dari 6 Poli Rawat jalan di RS.
5 Poli Klinik Umum 0.5 2014 – 2017 6 bulan 33,656 3,868%
6 Poli Klinik Umum 0.6 2014 – 2017 6 bulan 45,321 5,246% Muhammadiyah Gresik.
7 Poli Klinik Umum 0.7 2014 – 2017 6 bulan 81,374 9,411%
3 Bulan 6 Bulan 12 Bulan
8 Poli Klinik Umum 0.8 2014 – 2017 6 bulan 188,381 21,678% Poli
Alpha MAD MAPE Alpha MAD MAPE Alpha MAD MAPE
9 Poli Klinik Umum 0.9 2014 – 2017 6 bulan 439,373 50,645%
Poli Klinik
Dari tabel 4.2 diatas didapatkan hasil forecast Umum
0,2 23,775 2,749% 0,2 24,390 2,819% 0,2 26,781 3,153%
yang mendekati dan memperoleh nilai kesalahan Poli Anak 0,1 78,935 6,531% 0,1 75,171 6,205% 0,2 78,432 6,570%
peramalan Mean Absolut Deviation (MAD) dan
Mean Absolut Percentage Error (MAPE) terkecil Poli Internis 0,1 10,025 4,977% 0,2 10,043 5,049% 0,2 10,656 5,316%
di besaran nilai alpha 0,2 seperti di tabel 4.2 yang IGD 0,2 44,149 4,794% 0,1 47,013 5,159% 0,2 46,779 4,982%
prediksi MAD 24,390 & MAPE 2,819. Poli Gigi 0,2 10,918 5,249% 0,1 10,069 4,870% 0,1 9,237 4,466%
Dari tabel 4.3 diatas didapatkan hasil forecast nilai alpha 0,1 menghasilkan nilai MAD 75,171
yang mendekati dan memperoleh nilai kesalahan dan MAPE 6,205%, Poli Internis menggunakan
peramalan Mean Absolut Deviation (MAD) dan acuan 3 bulan sebelumnya dengan nilai alpha 0,1
Mean Absolut Percentage Error (MAPE) terkecil menghasilkan nilai MAD 10,025 dan MAPE
di besaran nilai alpha 0,2 seperti di tabel 4.3 yang 4,977%, IGD menggunakan acuan 3 bulan
bergaris kuning. Dari tabel diatas dapat dilihat sebelumnya dengan nilai alpha 0,2 menghasilkan
nilai hasil pengujian prediksi dan kesalahan nilai MAD 44,149 dan MAPE 4,794%, pasien
prediksi MAD 26,781 & MAPE 3,153%. Laboratorium menggunakan acuan 3 bulan
sebelumnya dengan nilai alpha 0,2 menghasilkan
4.3 Keberhasilan nilai MAD 120,359 dan MAPE 5,791%, Poli Gigi
Pengujian dilakukan pada 6 data jumlah menggunakan acuan 12 bulan sebelumnya dengan
pasien rawat jalan di RS. Muhammadiyah Gresik nilai alpha 0,1 menghasilkan nilai MAD 9,237
yaitu Poli Klinik Umum, Poli Anak, Poli Internis, dan MAPE 4,466%.
IGD, Kunjungan Laboratorium dan Poli Gigi Hasil dari pengujian pada jumlah pasien 6 poli
dengan menggunakan nilai antara 0.1 sampai 0.9 rawat jalan di RS. Muhammadiyah Gresik
untuk mendapatkan hasil prediksi dengan nilai berdasarkan acuan 3 bulan, 6 bulan dan 12 bulan
kesalahan prediksi Mean Absolut Deviation menghasilkan error rata-rata nilai MAPE terkecil
(MAD) dan Mean Absolut Percentage Error yaitu pada pengujian menggunakan acuan 3 bulan
(MAPE) terkecil menggunakan acuan data 3 pada Tabel 4.4 dengan block warna oranye
bulan, 6 bulan dan 12 bulan sebelumnya dalam menghasilkan nilai rata-rata 5,015% dan nilai
kurun waktu 3 tahun yaitu Desember 2014 – alpha yang paling banyak digunakan pada
November 2017. pengujian 3 bulan tersebut yaitu alpha 0,2.
9
V. KESIMPULAN DAN SARAN Pendidikan, Universitas PGRI Yogyakarta.
5.1 Kesimpulan Volume 3 No. 2.
Berdasarkan hasil penelitian yang telah Jayanti, Ni Ketut Dewi Ari, Yohanes Priyo Atmojo, I
dilakukan, kesimpulan yang dapat diambil dari Gusti Ngurah Wiadnyana. 2015. Penerapan
penelitian ini adalah sebagai berikut : Metode Triple Exponential Smoothing pada
1. Sistem prediksi jumlah pasien rawat jalan di Sistem Peramalan Penentuan Stok Obat.
RS. Muhammadiyah Gresik dapat membantu STMIK STIKOM Bali. Vol. 9, No. 2.
pihak petugas rekam medis dan pimpinan RS. Makridakis, Spyros. dkk. 1999. Metode dan Aplikasi
Muhammadiyah Gresik untuk mengetahui Peramalan. Jilid 1. Diterjemahkan oleh:
jumlah pasien rawat jalan pada bulan yang Untung Sus Ardianto dan Abdul Basith.
akan datang. Jakarta: Erlangga.
2. Metode prediksi Triple Exponential
Misriati, Titik. 2012. Prediksi Jumlah pasien Rawat
Smoothing (Brown) ini dapat di
Jalan Menggunakan Metode Regresi Linier.
implementasikan untuk studi kasus prediksi
Manajemen Informatika, AMIK BSI Jakarta.
jumlah pasien rawat jalan pada bulan yang
Vol. 3, No. 2.
akan datang di RS. Muhammadiyah Gresik.
3. Berdasarkan pada analisis hasil pengujian Mubin, Lia Farihul, Wiwik Anggraeni, Retno Aulia
sistem, dapat disimpulkan bahwa aplikasi ini Vinarti. 2012. Prediksi Jumlah pasien Rawat
dapat melakukan perhitungan prediksi dengan Jalan Menggunakan Metode Genetic Fuzzy
cukup baik. Hal ini dibuktikan dari Systems Studi Kasus: Rumah Sakit Usada
perhitungan 3 kategori pengujian mulai dari Sidoarjo. Sistem Informasi, Fakultas Teknologi
perhitungan dengan data acuan 3 bulan, 6 Informasi, Institut Teknologi Sepuluh
bulan, 12 bulan dengan masing - masing Nopember (ITS). Vol. 1, No. 1.
menggunakan 9 alpha yang berbeda yaitu Schroeder, Roger G. 2003. Operations Management:
alpha 0,1 - 0,9 pada jumlah pasien 6 poli Contemporary Concepts and Cases, 2nd
rawat jalan di RS. Muhammadiyah Gresik Revised International Edition, Mc Graw-Hill
menghasilkan rata - rata error nilai MAPE Companies, Inc., Boston.
terkecil. Wirautama, Bagus Fajar. 2017. Prediksi Produksi Air
5.2 Saran Studi Kasus Pdam Kabupaten Gresik Dengan
Beberapa saran yang perlu penulis sampaikan Metode Triple Exponential Smoothing
untuk pengembangan sistem selanjutnya adalah : (Brown). Tugas Akhir. Fakultas Teknik,
Diharapkan adanya penelitian dengan metode Universitas Muhammadiyah Gresik.
selain trend linier seperti menggunakan
pemodelan regresi linier dengan metode
Algoritma Genetika untuk kemudian dibandingkan
dengan metode Triple Exponential Smoothing
(Brown) ini.
DAFTAR PUSTAKA
Aprilia, Dwi. 2016. Penerapan Metode Forecast
Exponential Smoothing pada Jumlah Pasien
Puskesmas. Fakultas Kesehatan Masyarakat
Universitas Airlangga. Vol. 5, No. 2.
Herjanto, Eddy. 2008. “Manajemen Operasi” Edisi
Ketiga, Grasindo, Jakarta.
Heizer, Jay. & Barry. Render. 2006. Manajemen
Operasi, Edisi tujuh, Jakarta: Salemba Empat.
Jana, Padrul. 2016. Aplikasi Triple Exponential
Smoothing Untuk Forecasting Jumlah
Penduduk Miskin. Fakultas Keguruan dan Ilmu
10