NAMA / NIM : 1.

Baiq Sofiatun Nisa (K1a016010)

2. Fidrus Affandy (K1a016016)
3. Khairun Nissa (K1a016026)
4. Oci Qonita Londo Woro (K1a016042)
5. Regita Pramesti Nursanty (K1a016044)
6. Wayan Cintya Ganes B. (K1a016054)
KELAS : Farmasi B
KELOMPOK : 3 (tiga)
TUGAS : Analisis Jurnal Forecasting

A. LATAR BELAKANG
Secara akurat untuk mengukur jumlah pasien yaitu berdasarkan sensus dan
ciri/sifat dimasa lalu, saat ini dan masa depan dalam system perawatan kesehatan
untuk memberikan atau menawarkan pasilitas perawatan pasien yang memadai dan
aman yang didukung oleh perencanaan sumber daya yang tepat. Sensus tingkat unit
rumah sakit dipengaruhi oleh ketidakpastian jumlah kedatangan pasien dan pola
pelayanan klinis yang dapat berubah secara dinamis dari waktu ke waktu. Memahami
variabilitas sensus dan musiman memiliki implikasi dalam mengambil keputusan
administrasi dan klinis dalam pengaturan rumah sakit, misalnya rasio perawat ke pasien
dan keputusan manajemen tempat tidur. Prediksi sensus yang tidak akurat dapat
mengakibatkan alokasi personel dan sumber daya terbatas secara tidak optimal,
misalnya tingkat staf perawat yang buruk. Level perawat suboptimal telah dikaitkan
dengan penurunan kualitas pelayanan dan keselamatan pasien karena kelebihan atau
kekurangan tenaga keperawatan. Meningkatnya jumlah pasien ke perawat telah terbukti
meningkatkan risiko kelelahan emosional dan ketidakpuasan kerja. Rasio perawat ke
pasien yang rendah telah dikaitkan dengan peningkatan hasil yang merugikan bagi
pasien, seperti peningkatan mortalitas 30 hari dan kegagalan untuk menyelamatkan
pasien yang sakit.
Desain unit perawatan intensif khusus untuk bayi baru lahir, neonatal intensive
care unit (NICU) dimulai sejak 1960. Konsep perawatan perinatal khusus berdasarkan
tingkat ketajaman diusulkan pada tahun 1976. Selama pasien menginap di NICU,
dibutuhkan sumber daya keperawatan dalam jumlah banyak dan keahlian khusus yang
dimiliki perawat. Mengingat ketidakpastian kedatangan pasien dan pola pelayanan
klinis, dibandingkan dengan banyaknya unit rumah sakit, NICU menghadirkan suatu
keadaan untuk memperkirakan sensus masa depan yang dapat memengaruhi jumlah
kepegawaian dan kualitas perawatan. Beberapa penelitian menunjukkan bahwa level
staf perawat suboptimal di NICU dikaitkan dengan peningkatan hasil yang merugikan
pasien. Hamilton et. al. (2006) meneliti 54 NICU, menemukan bahwa 57% shift
kekurangan tenaga, dan kekurangan tenaga dikaitkan dengan tingkat kematian yang
lebih tinggi. Kekurangan jumlah perawat dapat menyebabkan teknik aseptic tertunda
atau tidak akurat sehingga dapat meningkatkan resiko terjadinya infeksi. Memprediksi
secara akurat sensus masa depan dengan menggunkan pengamatan masa lalu dan
saat ini dapat membantu meminimalkan perbedaan antara permintaan yang diharapkan
dan actual untuk sumber daya perawatan kesehatan.
Terdapat penelitian luas yang mendukung penerapan analisis deret waktu untuk
meningkatkan perkiraan dalam perawatan kesehatan, khususnya yang berfokus pada
wabah penyakit, kedatangan pasien, dan perencanaan sumber daya. Model
autoregressive integrated moving average (ARIMA) telah banyak digunakan dalam
meramalkan wabah penyakit, misalnya, flu dan antraks, dengan memprediksi pola
penyakit dan pemanfaatan Emergency Department (ED) yang sesuai. Guo et al. (2013)
mengembangkan model ARIMA untuk meramalkan volume pasien untuk merancang
jadwal perawatan yang fleksibel yang memperhitungkan tingkat keterampilan dan
pergeseran preferensi. Model ARIMA telah digunakan untuk memprediksi volume
pasien ed di horizon jangka pendek dan jangka panjang. Marcilio et al. (2013)
membandingkan akurasi perkiraan model linier umum dengan model deret waktu dalam
memperkirakan kunjungan ed dan menemukan bahwa model linier umum memberikan
akurasi yang lebih tinggi daripada model ARIMA. Sementara metode time series telah
diterapkan dalam perawatan kesehatan, kesenjangan dalam literatur tetap ada dan
penelitian lebih lanjut diperlukan untuk meramalkan sensus pasien terlepas dari wabah
penyakit sambil mempertimbangkan kerangka kerja yang dipersonalisasi, misalnya,
secara akurat memperkirakan nilai-nilai sensus masa depan yang diklasifikasikan oleh
karakteristik pasien untuk menginformasikan sumber daya yang lebih baik
perencanaan. Sun et al. (2009) mengembangkan model peramalan yang
memperhitungkan ketajaman pasien untuk memprediksi volume ed. Namun, sebagian
besar model yang disajikan dalam penelitian sun memiliki akurasi terbatas yang diukur
dengan mean absolute perscent error (MAPE). Temple et al. Menjelaskan metode untuk
memprediksi tanggal keluarnya pasien NICU secara individu berdasarkan catatan
perkembangan harian. Selain itu, Levin et al. Menjelaskan metode berdasarkan lama
tinggal pasien menggunakan pesanan penyedia harian. Metode-metode ini
menyediakan alat yang berharga untuk perencanaan sumber daya begitu seorang
pasien dirawat di unit. Namun, mereka tidak dirancang untuk memperkirakan lintasan
sensus keseluruhan unit, hanya lamanya tinggal untuk masing-masing pasien.
 Meskipun studi mereka mempertimbangkan musiman dan informasi spesifik pasien,
studi ini tidak menilai akurasi model selama periode prediksi yang berbeda (misalnya
periode sensus yang lebih rendah atau lebih tinggi) yang penting untuk interpretasi klinis
dan implementasi model.

B. METODE

Pengumpulan data

 NICU merupakan suatu tempat perawatan bayi dengan kapasitas maksimum 72

tempat tidur.
 Pada kasus ini, sensus merupakan angka pasien neonatal setelah memperhitungkan
semua penerimaan dan pengeluaran yang terjadi dalam satu hari.
 Data :
 Dikumpulkan secara retrospektif (dichristiana care health system NICU).
 Sumber data
1. Untuk populasi (n= 1827); sensus harian; dikumpulkan selama 5 tahun pada
periode (januari 2008-desember 2012)
2. Untuk populasi (n = 365);sensus harian; dikumpulkan selama 1 tahun pada
periode (antara januari sampai desember 2013)
 Data yang dikumpulkan :
1. Data pasien
Jenis kelamin, berat lahir, usia kehamilan, kondisi klinis (sepsis, enterokolitis
nekrotikans, kejang, apnea, penyakit paru-paru kronis,displasia
bronkopulmonalis, pneumotoraks, perdarahan intraventrikular, periventrikular
kistik leukomalacia, paten ductus arteriosus, dan hidrosefalus, dan bantuan
pernapasan seperti ventilasi
2. Data rumah sakit
Tanggal masuk pasien , tanggal pemulangan pasien , sensus harian

Analisis data

Analisis deret waktu ( time series analysis)

 Metode untuk menganalisis pola gerakan nilai-nilai variable data pada satu interval
waktu.

Metodologi

 Memplotkan sensus NICU selama periode tertentu

  Memeriksa pola sensus mingguan, harian dan bulanan menggunakan dataset dalam
jumlah besar dan dikumpulkan secara retrospektif di NICU yang sama pada periode
antara januari 1989 dan februari 2015.
 Mengelompokkan variable penelitian dan operasional variable
 Variabel dimasukkan dalam analisis dan disajikan dalam table 1.
 Mengubah data kedalam bentuk non-stasioner ; linear dari waktu ke waktu dan non-
stasioner varian sebagai fungsi waktu
 Menyesuaikan dengan beberapamodel data sensus dan melakukan estimasi
parameter berdasarkan variable yang diukur; Autocorrelation Function (ACF) and
Partial Autocorrelation Function (PACF)
 Mengidentifikasi model terbaik dengan menggunakan kriteria kecocokan seperti
Akaike’s Information Criterion (AIC), Bias Corrected Aic (AICC), and Bayesian
Information Criterion (BIC).
 Menggunakan alat diagnostik untuk menentukan seberapa baik model cocok dengan
data sensus, misalnya, plot standarresidual dan plot q-q normal
 Peramalan hari selama periode tertentu menggunakan data set yang independent.
Mengevaluasi peramalan dengan menggunakan statistic kesalahan seperti
persentase absolut rata-rata kesalahan (MAPE) dan Root Mean Square Error
(RMSE).
 Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan
absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu.
Kemudian, merata-rata kesalahan persentase absolut tersebut. Pendekatan ini berguna
ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan
ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang
dibandingkan dengan nilai nyata.

Semakin kecil nilai MAPE semakin akurat teknik peramalan dan semakin besar nilai
MAPE semakin tidak akurat teknik peramalannya.kemampuan peramalan sangat baik
jika memiliki nilai MAPE kurang dari 10 dan mempunyai kemampuan peramalan yang
baik jika nilai MAPE kurang dari 20.
 RMSE
RMSE menjadi alternatif yang lebih intuitif dibandingkan mse karena memiliki skala
pengukuran yang sama dengan data yang sedang dievaluasi. Sebagai contoh, dua kali
nilai RMSE artinya model memiliki error dua kali lebih besar dari sebelumnya.
Sedangkan dua kali nilai mse tidak berarti demikian. Jika mse dapat dianalogikan
sebagai varian, maka RMSE dapat dianalogikan sebagai standar deviasi.

( sinaga,2018).
 Untuk mengukur keakuratan perkiraan, digunakan mean absolute percentage error
(MAPE) dan root mean square error (RMSE):

dan
Dengan n mewakili jumlah total nilai sensus masa depan yang diperkirakan, 𝑦𝑖 mewakili
yang diamati sensus pada waktu i, 𝑦̂𝑖 mewakili nilai sensus yang diperkirakan untuk
waktu i. Dalam literatur, MAPE <10% dianggap sebagai peramalan yang sangat akurat.
Pendekatan sensus rata-rata tetap menggunakan nilai 50, yang merupakan sensus
harian rata-rata dari tahun sebelumnya (2012).
 MAPE dan RMSE dihitung untuk setiap ramalan (forecast) selama 7 hari dan dirata-rata
untuk mendapatkan nilai tunggal.

Pengembangan Model

 ARIMA
 Menggunakan metode ARIMA dan model regresi linier untuk memperkirakan
(forecast) sensus selama tiga periode waktu yang berbeda dalam dataset validasi.
Tiga periode ditandai oleh nilai sensus yang secara konsisten berada di atas, di
bawah, atau dekat dengan nilai sensus rata-rata dari tahun sebelumnya.
 Model ARIMA dan regresi linear menggunakan r 3.2.0 untuk meramalkan sensus
NICU di masa depan. Model ARIMA diterapkan dalam penelitian ini karena model
ini paling banyak digunakan dalam teknik peramalan time series karena sifatnya
yang terstruktur (Ismiati,2014). Model ARIMA (p, d, q) (P, D, Q) termasuk
komponen autoregresif dan moving average p dan q, komponen rata-rata
autoregresif dan bergerak rata-rata P dan Q, komponen perbedaan biasa d,
komponen perbedaan musiman D, dan urutan lag musiman s. Autoregresi
 mengacu pada prediksidari nilai saat ini dari rangkaian waktu sebagai fungsi dari
nilai masa lalu dari suatu rangkaian. Perbedaaan musiman mengacu pada setiap
pola dalam data yang berulang dengan periodisitas yang diketahui. Model ARIMA
dapat digunakan untuk memperkirakan deret waktu dari nilai masa lalu dengan
mengevaluasi Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF).

C. EVALUASI DAN SOLUSI

Perkiraan (forecasting) sensus yang akurat memiliki implikasi pada kualitas
perawatan, perencanaan sumber daya, dan kepuasan tenaga kesehatan dalam sistem
perawatan kesehatan. Variabilitas sensus sangat penting di NICU karena tingginya
tingkat ketidakpastian mengenai kedatangan pasien dan jalur klinis. Dalam penelitian
ini, disajikan model perkiraan dengan akurasi prediksi yang lebih tinggi selama periode
sensus yang lebih rendah, rata-rata, dan lebih tinggi dibandingkan dengan pendekatan
saat ini menggunakan sensus harian rata-rata dari tahun sebelumnya.
Terdapat tiga macam kontribusi dalam penelitian ini. Pertama, mengukur dampak
dari penggunaan deret waktu (time series) dan model regresi linier pada akurasi untuk
meramalkan sensus NICU harian dalam berbagai kondisi sensus dibandingkan dengan
pendekatan sensus rata-rata tetap. Model yang paling sesuai diterapkan pada dataset
sensus NICU selama satu tahun dan memberikan perkiraan 7 hari. Dengan ramalan 7
hari dapat memberi tahu dokter untuk merumuskan perencanaan sumber daya jangka
pendek yanglebih baik. Selain itu, model peramalan yang diusulkan sederhana dalam
hal hanya membutuhkan beberapa data pengamatan sensus dari bulan terakhir.
Kesederhanaan model peramalan menguntungkan untuk implementasi ke dalam praktik
klinis.
Kedua, penelitian ini memberikan wawasan tentang pola musiman sensus NICU
menggunakan dataset besar (termasuk 27 tahun pengamatan sensus harian).
Ditemukan bahwa rata-rata dan standar deviasi sensus NICU harian berbeda
berdasarkan hari, bulan danminggu. Peningkatan sensus selama minggu ini mungkin
dihasilkan dari beberapa rencana pengiriman bayi dengan masalah yang diketahui
membutuhkan penerimaan NICU dan penerimaan yang tidak direncanakan secara
proporsional selama senin hingga jumat. Pada akhir pekan, proporsi penerimaan NICU
yang lebih tinggi berasal dari pengiriman yang tidak terjadwal, menghasilkan permintaan
yang tidak terjadwal, yang menghasilkan ketidakpastian dan peningkatan variasi
sensus. Pengamatan ini memberikan pemahaman lebih baiktentang aspek musiman
sensus NICU.
Ketiga, penelitian ini menyediakan metode untuk meramalkan sensus masa
depan menggunakan data pengamatan masa lalu dan saat ini yang diperoleh dari
model deret waktu terbaik. Model peramalan yang terbaik sebelumnya memberikan
akurasi yang lebih tinggi selama periode sensus yang lebih rendah dan lebih tinggi
secara konsisten dibandingkan dengan pendekatan sensus rata-rata tetap.
Salah satu manfaat dari model ARIMA adalah kemampuan untuk memasukkan
tren lokal dalam data time series untuk memeriksa perkiraan yang terlalu rendah dan
berlebihan. Kami secara khusus tertarik pada perkiraan yang rendah selama periode
sensus yang secara konsisten lebih tinggi karena implikasi manajemen sumber daya
dari kekurangan tenaga dalam praktik klinis. Demikian juga, dalam periode fasilitas
studi tingkat sensus tinggi yang konsisten terjadi dengan frekuensi jauh lebih besar
daripada periode periode rendah atau rata-rata yang konsisten. Selama periode
perkiraan (2013), ada 18 minggu hal seperti itu, dibandingkan dengan hanya 5 minggu,
nilai sensus yang secara konsisten lebih rendah dan 6 minggu dari nilai sensus rata-rata
yang konsisten. Selama periode sensus yang lebih tinggi yang dipilih pada tahun 2013,
model ARIMA dengan kinerja terbaik, ARIMA (2,1,4) x (1,1,2) mengabaikan sensus
yang diamati rata-rata sebesar 2,47 pasien per hari, dengan kisaran –1 (estimasi
berlebihan) hingga 5 pasien per hari. Pendekatan sensus rata-rata tetap selama
periode yang sama mengabaikan sensus rata-rata sebesar 12 pasien per hari dengan
kisaran 9 hingga 16 pasien per hari. Dalam praktik klinis, perbedaan antara sensus
yang diharapkan dan aktual dapat memiliki implikasi yang signifikan pada manajemen
tempat tidur dan perencanaan sumber daya. Sebagai contoh, memiliki 12 pasien yang
tidak dilihat oleh pendekatan sensus rata-rata tetap akan menghasilkan tingkat
kekurangan pegawai antara 4 perawat (dengan asumsi kondisi 12 pasien memerlukan
rasio perawat-ke-pasien 1 banding 3) dan 12 perawat (dengan asumsi semua 12
kondisi pasien memerlukan rasio perawat-ke-pasien 1 banding 1). Dibandingkan
dengan praktik saat ini menggunakan pendekatan sensus rata-rata tetap, kerangka
kerja peramalan yang diusulkan dapat memberikan prediksi sensus harian dengan
akurasi yang lebih tinggi dan membantu mengurangi risiko pasien yang terkait dengan
perkiraan sensus yang terlalu rendah.
Kegunaan dari metode peramalan yang diajukan telah dievaluasi oleh salah satu
dokter dan kolaborator NICU kami. Menurut umpan baliknya, “rasio staf perawat terkait
dengan hasil kesehatan. Secara historis sulit untuk memprediksi tingkat staf perawat di
unit perawatan kritis rujukan di mana sensus pasien adalah variabel dan tidak dapat
dikendalikan oleh desain. Kekurangan perawat dikaitkan dengan hasil kesehatan yang
buruk dan ketidakpuasan karyawan. Kelebihan pegawai perawat terkait dengan
ketidakpuasan karyawan dan inefisiensi dalam biaya penyediaan layanan kesehatan.
Pekerjaan perawat adalah biaya perawatan tetap tertinggi di era peningkatan sistem
kesehatan untuk mengendalikan biaya sambil meningkatkan hasil pasien.
Menyelaraskan rasio kepegawaian dengan kebutuhan / sensus perawatan pasien
kemungkinan akan mengarah pada peningkatan hasil perawatan pasien, peningkatan
kepuasan karyawan dan peningkatan ekonomi dalam penyediaan perawatan neonatal
berbiaya tinggi.”
Keterbatasan penelitian ini adalah sistem kesehatan dalam beroperasi dapat
berbeda-beda dan hasil yang diambil dari penelitian ini berdasarkan data dari satu
rumah sakit dan mungkin tidak dapat digeneralisasikan. Namun, meningkatnya
kompleksitas model dan persyaratan data membatasi keuntungan dengan
mempertimbangkan karakteristik spesifik pasien yang dinamis. Demikian pula, batasan
lain adalah bahwa metode kami tidak memperhitungkan tingkat ketajaman pasien.
Ketajaman, seperti yang didefinisikan di NICU dalam penelitian ini, berkaitan dengan
intensitas sumber daya pasien. Dalam studi masa depan, membagi sensus menjadi
tingkat ketajaman yang terpisah dan menganalisis pola sensus masing-masing
kelompok dapat meningkatkan akurasi perkiraan dan memberikan informasi tambahan
kepada dokter untuk perencanaan sumber daya.
Jadi dalam prediksi sensus pasien yang akurat dapat memfasilitasi manajemen
sumber daya yang lebih baik dan memiliki potensi untuk meningkatkan keselamatan
pasien dan kepuasan staff. Metode peramalan dapat secara akurat menangkap
dinamika sensus harian tingkat unit selama periode sensus yang berbeda. Kerangka
yang diusulkan dapat diterapkan ke pengaturan perawatan kesehatan lainnya, diperluas
ke interval perkiraan yang berbeda, dan dipersonalisasi dengan memasukkan
karakteristik pasien tambahan untuk mengklasifikasikan sensus tingkat unit ke dalam
kategori berdasarkan ketajaman yang berbeda.
 DAFTAR PUSTAKA

Kadri, F. dkk.,2014, Time Series Modelling and Forecasting Of Emergency Department

Overcrowding. J Med Syst. 38:107.

Capan M.,2016. Time Series Analysis for Forecasting Hospital Census: Application to The
Neonatal Intensive Care Unit. Applied Clinical Informatics. 7: 275–289.

Nawangwulan, Sri dan Dyan Angesti. 2016.Analisis Time Series Metode Winter Jumlah
Penderita Gastroenteritis Rawat Inap Berdasarkan Data Rekam Medis Di Rsud Dr.
Soetomo Surabaya. Jurnal Manajemen Kesehatan Stikes Yayasan Rs. Dr.
Soetomo Vol. 2 No. 01: 17- 32.

Sinaga, H. D. E. dan Novica I., 2018. Perbandingan Double Moving Average dengan Double
Exponential Smoothing Pada Peramalan Bahan Medis Habis Pakai. Jurnal Teknologi
dan Sistem Informasi. Vol. Iv No. 2. 197 – 204.

Ismiati, M. B., Adhistya E. P. dan Indriana H. 2014. Analisis Data Time Series Korban DBD
Di Kota Palembang untuk Mendapatkan Trend dalam Melakukan Forecasting.
Seminar Nasional Teknologi Informasi dan Multimedia 2014. Vol 2. No 2.

Huyen D. T. T., 2017. Analyzing Trends In Hospital-Cost Payments of Patients Using ARIMA
and Gis: Case Study at The Hanoi Medical University Hospital, Vietnam. Journal of
Medical Imaging and Health Informatics. Vol. 7, 421–429