SKRIPSI

PERBANDINGAN METODE
EXPONENTIAL SMOOTHING DAN MOVING AVERAGE
DALAM PERAMALAN KASUS BARU HIPERTENSI
DI KOTA SURABAYA

Oleh :

DEBBY DAVIANI PRAWATI

UNIVERSITAS AIRLANGGA
FAKULTAS KESEHATAN MASYARAKAT
PROGRAM SARJANA
PROGRAM STUDI KESEHATAN MASYARAKAT
SURABAYA
2019
 SKRIPSI

PERBANDINGAN METODE
EXPONENTIAL SMOOTHING DAN MOVING AVERAGE
DALAM PERAMALAN KASUS BARU HIPERTENSI
DI KOTA SURABAYA

Oleh :

DEBBY DAVIANI PRAWATI

NIM 101611123084

UNIVERSITAS AIRLANGGA
FAKULTAS KESEHATAN MASYARAKAT
PROGRAM SARJANA
PROGRAM STUDI KESEHATAN MASYARAKAT
SURABAYA
2019

ii
 PENGESAHAN

Dipertahankan di Depan Tim Penguji Skripsi

Program Sarjana Program Studi Kesehatan Masyarakat
Fakultas Kesehatan Masyarakat Universitas Airlangga dan
diterima untuk memenuhi salah satu syarat guna memperoleh gelar
Sarjana Kesehatan Masyarakat (S.KM)
Pada tanggal 8 Januari 2019

Mengesahkan
Universitas Airlangga
Fakultas Kesehatan Masyarakat

Dekan,

Prof. Dr. Tri Martiana, dr., M.S.

NIP 195603031987012001

Tim Penguji:

a) Prof. Dr. Tri Martiana, dr., M.S.

b) Dr. Mahmudah, Ir., M.Kes
c) Dr. Yudied Agung Mirasa, S.KM., M.Kes

iii
 SKRIPSI

Diajukan sebagai salah satu syarat guna memperoleh gelar

Sarjana Kesehatan Masyarakat (S.KM.)
Departemen Biostatistika dan Kependudukan
Program Studi Kesehatan Masyarakat
Fakultas Kesehatan Masyarakat
Universitas Airlangga

Oleh :

DEBBY DAVIANI PRAWATI

NIM 101611123084

Surabaya, 14 Januari 2018

Menyetujui,
Pembimbing,

Dr. Mahmudah, Ir., M.Kes.

NIP 196901101993032002

Mengetahui,

Koordinator Program Studi, Ketua Departemen,

Dr. Diah Indriani, S.Si., M.Si. Dr. Windhu Purnomo, dr.,MS.

NIP 197605032002122001 NIP 195406251983031002

iv
 SURAT PERNYATAAN TENTANG ORISINALITAS

Yang bertanda tangan di bawah ini, saya:

Nama : Debby Daviani Prawati

NIM : 101611123084
Program Studi : Kesehatan Masyarakat
Fakultas : Kesehatan Masyarakat
Jenjang : Sarjana (S1)

Menyatakan bahwa saya tidak melakukan kegiatan plagiat dalam

penulisan skripsi saya yang berjudul:

PERBANDINGAN METODE EXPONENTIAL SMOOTHING DAN

MOVING AVERAGE DALAM PERAMALAN KASUS BARU
HIPERTENSI DI KOTA SURABAYA

Apabila suatu saat nanti terbukti melakukan kegiatan plagiat, maka saya
akan menerima sanksi yang telah ditetapkan.

Demikian surat pernyataan ini saya buat dengan sebenar-benarnya.

Surabaya, 14 Januari 2019

Debby Daviani Prawati

NIM 101611123084

v
 KATA PENGANTAR

Puji syukur kami panjatkan kepada Allah SWT karena atas segala rahmat,
pertolongan dan karunia-Nya sehingga penulis dapat menyelesaikan Skripsi
dengan judul " PERBANDINGAN METODE EXPONENTIAL SMOOTHING
DAN MOVING AVERAGE DALAM PERAMALAN KASUS BARU
HIPERTENSI DI KOTA SURABAYA”, sebagai salah satu persyaratan
akademis dalam rangka menyelesaikan kuliah di Fakultas Kesehatan Masyarakat
Universitas Airlangga.
Pada kesempatan ini disampaikan terimakasih yang setinggi-tingginya
kepada Dr. Mahmudah, Ir., M.Kes. , selaku Dosen Pembimbing yang telah
memberikan petunjuk, koreksi, serta saran sehingga terwujudnya proposal ini.
Ucapan terima kasih dan penghargaan juga disampaikan pula kepada yang
terhormat:
1. Prof. Dr. Tri Martiana, dr., M.S., selaku Dekan Fakultas Kesehatan
Masyarakat Universitas Airlangga.
2. Dr. Windhu Purnomo, dr., MS selaku Ketua Departemen Biostatistika dan
Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga.
3. Dr. Diah Indriani, S.Si., M.Si., selaku Koordinator Program Studi Kesehatan
Masyarakat Fakultas Kesehatan Masyarakat Universitas Airlangga.
4. Dr. Yudied Agung Mirasa, S.KM., M.Kes., selaku Penguji Skripsi atas saran
dan masukan kepada penulis.
5. Orang Tua yang selalu memberikan cinta, motivasi, doa, dan dukungan baik
materil maupun moril sehingga penulis dapat menyelesaikan skripsi ini.
6. Keluaraga Besar Alih jenis angkatan 2016, keluarga besar alih jenis peminatan
Biostatistika 2016 yang turut memberikan semangat dan motivasi, canda tawa
dalam penyelesaian skripsi ini.
7. Semua teman teman yang telah memberikan dukungan dan bantuan penuh
hingga terselesaikannya skripsi ini.

Semoga Allah SWT memberikan balasan pahala atas segala amal yang
telah diberikan dan semoga skripsi ini berguna baik bagi diri kami sendiri
maupun pihak lain yang memanfaatkan.

Surabaya, 14 Januari 2019

Penulis

vi
 ABSTRACT

Forecasting is the use of data in the past to estimate its value in the future.
Forecasting is divided into 2, namely time series and causal. The time series is
divided into 4 methods, 2 of which are exponential smoothing and moving
averages. The exponential smoothing method has 3 models, namely single
exponential smoothing, double exponential smoothing, triple exponential
smoothing. While the moving average method has 2 models, namely single
moving average and double moving average. The purpose of this research is to
determine and analyze time series exponential smoothing and moving average
models to be used in forecasting the number of new cases of hypertension in the
city of Surabaya.
This study was an observational study using secondary data on the
number of new cases of hypertension in 2013-2017 (expressed in monthly terms)
obtained from the Surabaya City Health Office Surveillance Section. The best
forecasting method can be seen from MAPE, MAD, MSD, and the smallest
average error value.
The best model of the single exponential smoothing method used to
predict the number of new cases of hypertension is the parameter alpha 0.48 and
produces a forecast for 2018 of 2926 every month. The best model of the single
moving average method is MA (2) and produces a 2018 forecast of 2707 every
month. The most appropriate method for predicting the number of new cases of
hypertension is obtained by the single exponential smoothing method because it
is based on the value of MAPE, MAD, MSD, the smallest average error value.

Keywords: Forecasting, Single Exponential Smoothing, Single Moving Average,

Hypertension

vii
 ABSTRAK

Peramalan adalah penggunaan data di masa lalu untuk memperkirakan

nilainya di masa depan. Peramalan dibagi menjadi 2 yaitu time series dan kausal.
Time series dibagi menjadi 4 metode, 2 diantaranya adalah exponential
smoothing dan moving average. Metode exponential smoothing memiliki 3 model
yaitu single exponential smoothing, double exponential smoothing, triple
exponential smoothing. Sedangkan metode moving average memiliki 2 model
yaitu single moving average dan double moving average. Tujuan dari penilitian
ini adalah menentukan dan menganalisis model time series exponential
smoothing dan moving average yang tepat untuk digunakan dalam meramalkan
jumlah kasus baru Hipertensi di Kota Surabaya.
Penelitian ini merupakan penelitian observasional dengan menggunakan
data sekunder jumlah kasus baru hipertensi tahun 2013-2017 (dinyatakan dalam
bulanan) yang diperoleh dari Seksi Surveilans Dinas Kesehatan Kota Surabaya.
Metode peramalan terbaik dapat dilihat dari MAPE, MAD, MSD, dan nilai rata-
rata error yang paling kecil.
Model terbaik dari metode single exponential smoothing yang digunakan
untuk meramalkan jumlah kasus baru hipertensi adalah dengan parameter alpha
0,48 dan menghasilkan ramalan tahun 2018 sebesar 2926 setiap bulan. Model
terbaik dari metode single moving average adalah pada MA(2) dan menghasilkan
ramalan tahun 2018 sebesar 2707 setiap bulan.
Metode yang paling tepat untuk meramalkan jumlah kasus baru hipertensi
didapat pada metode single exponential smoothing karena berdasarkan nilai
MAPE, MAD, MSD, nilai rata-rata error terkecil, Hasil peramalan sangat
berguna untuk perencanaan terkait pengendalian kejadian hipertensi seperti obat-
obatan, tenaga kesehatan, dan lain-lain.

Kata Kunci: Peramalan, Single Exponential Smoothing, Single Moving

Average, Hipertensi

viii
 DAFTAR ISI
Halaman
HALAMAN JUDUL .............................................................................................. ii
HALAMAN PENGESAHAN..............................................................................iii
HALAMAN PERSETUJUAN ........................................................................... iiiv
SURAT PERNYATAAN ORISINALITAS…………………….……………..v
KATA PENGANTAR .......................................................................................... vi
ABSTRACT ......................................................................................................... vii
ABSTRAK ........................................................................................................... viii
DAFTAR ISI ........................................................................................................ vii
DAFTAR TABEL ................................................................................................ xii
DAFTAR GAMBAR .......................................................................................... xiv
DAFTAR LAMPIRAN ....................................................................................... xv
DAFTAR ARTI LAMBANG, SINGKATAN, DAN ISTILAH ...................... xvi

BAB I PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang .................................................................................... 1
1.2 Identifikasi Masalah ............................................................................ 5
1.3 Rumusan Masalah ............................................................................... 5
1.4 Tujuan dan Manfaat Penelitian ........................................................... 6
1.4.1 Tujuan Umum ........................................................................... 6
1.4.2 Tujuan Khusus........................................................................... 6
1.4.3 Manfaat Penelitian..................................................................... 6

BAB II TINJAUAN PUSTAKA ........................................................................... 7

2.1 Peramalan ............................................................................................ 7
2.2 Pola Data Peramalan ........................................................................... 7
2.3 Jenis Peramalan ................................................................................... 8
2.4 Ukuran Akurasi Peramalan ............................................................... 20
2.5 Hipertensi .......................................................................................... 21
2.5.1 Klasifikasi Hipertensi .................................................................... 21

BAB III KERANGKA KONSEPTUAL ............................................................ 23

3.1 Kerangka Konseptual ........................................................................ 23
3.2 Penjelasan Kerangka Konseptual ...................................................... 24

BAB IV METODE PENELITIAN ..................................................................... 25

4.1 Jenis dan Rancang Bangun Penelitian ............................................... 25
4.2 Subyek Penelitian .............................................................................. 25
4.3 Lokasi dan Waktu Penelitian............................................................. 26
4.3.1 Lokasi penelitian ..................................................................... 26
4.3.2 Waktu penelitian ..................................................................... 26
4.4 Variabel, Definisi Operasional, Cara Pengukuran, dan Skala Data .. 26
4.5 Kerangka Operasional ....................................................................... 28
4.6 Teknik Pengumpulan Data ................................................................ 29

ix
 4.7 Teknis Analisis Data ......................................................................... 29

BAB V HASIL PENELITIAN ............................................................................ 31

5.1 Gambaran Umum Jumlah Kasus Baru Hipertensi Kota Surabaya .... 31
5.2 Model Peramalan Exponential Smoothing Jumlah Kasus Baru
Hipertensi di Kota Surabaya Tahun 2018 ........................................ 35
5.2.1 Fitting Model Exponential Smoothing Jumlah Kasus Baru
Hipertensi di Kota Surabaya Tahun 2018 .................................. 36
5.2.2 Pemeriksaan Error ................................................................... 37
5.2.3 Hasil Peramalan dengan Single Exponential Smoothing ......... 39
5.3 Model Peramalan Moving Average Jumlah Kasus Baru Hipertensi di
Kota Surabaya Tahun 2018 .............................................................. 40
5.3.1 Fitting Model Moving Average Jumlah Kasus Baru Hipertensi
di Kota Surabaya Tahun 2018 ..................................................... 40
5.3.2 Menentukan Model Terbaik Single Moving Average Pada
Jumlah Kasus Baru Hipertensi di Kota Surabaya Tahun 201841
5.3.3 Hasil Peramalan dengan Metode Single Moving Average ...... 42
5.4 Perbandingan Model dan Hasil Peramalan Jumlah Kasus Baru
Hipertensi di Kota Surabaya Tahun 2018 dengan Metode Single
Exponential Smoothing dan Moving Average ................................. 44
5.4.1 Model Peramalan Jumlah Kasus Baru Hipertensi di Kota
Surabaya Tahun 2018 dengan Metode Exponential Smoothing
dan Moving Average .................................................................... 44
5.4.2 Hasil Peramalan Jumlah Kasus Baru ipertensi di Kota
Surabaya Tahun 2018 dengan Metode Exponential Smoothing
dan Moving Average .................................................................... 46

BAB VI PEMBAHASAN .................................................................................... 49

6.1 Gambaran Umum Jumlah Kasus Baru Hipertensi Kota Surabaya
Tahun 2013-2017 ............................................................................. 49
6.2 Model Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya
Tahun 2018 dengan Metode Exponential Smoothing ...................... 51
6.2.1 Fitting Model Exponential Smoothing Jumlah Kasus Baru
Hipertensi di Kota Surabaya Tahun 2018 .................................. 52
6.2.2 Pemeriksaan Error ................................................................... 53
6.2.3 Hasil Peramalan dengan Single Exponential Smoothing…… 54
6.3 Model Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya
Tahun 2018 dengan Metode Moving Average ................................. 55
6.3.1 Fitting Model Moving Average Jumlah Kasus Baru Hipertensi
di Kota Surabaya Tahun 2018 ..................................................... 56
6.3.2 Pemeriksaan Error ................................................................... 56
6.3.2 Hasil Peramalan dengan Single Moving Average ..................... 57
6.4 Perbandingan Hasil Peramalan Metode Single exponential
smoothing dan Single Moving
Average……………………………………… …………………58

x
BAB VII KESIMPULAN DAN SARAN ........................................................... 63
7.1 Kesimpulan........................................................................................ 63
7.2 Saran .................................................................................................. 64

DAFTAR PUSTAKA .......................................................................................... 65

LAMPIRAN…………………………………………………………………….66

xi
 DAFTAR TABEL

Nomor Judul Tabel Halaman

2.1 Jumlah Kasus Baru Hipertensi di Kota Surabaya Tahun 2
2013-2017..............................................................................
2.2 Klasifikasi Hipertensi............................................................ 20
4.1 Waktu Pelaksanaan Penelitian peramalan jumlah kasus 24
baru Hipertensi di Kota Surabaya Tahun
2018…...........................
4.2 Variabel dan Definisi Operasional dalam Penelitian 24
Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya
Tahun 2018............................................................................
5.1 Data Bulanan Jumlah Kasus Baru Hipertensi di Kota 28
Surabaya Tahun 2013-2017………………………………...
5.2 Overfitting Pada Model Single Exponential Smoothing 31
Jumlah Kasus Baru Hipertensi di Kota Surabaya Tahun
2018.......................................................................................
5.3 Hasil Uji White Noise Model Single Exponential 32
Smoothing Jumlah Kasus Baru Hipertensi di Kota
Surabaya Tahun
2018.......................................................................................
5.4 Hasil Uji Normalitas Residual Model Single Exponential 33
Smoothing Jumlah Kasus Baru Hipertensi di Kota
Surabaya Tahun 2018
...........................................................................
5.5 Perbandingan Orde dan Nilai MAPE, MAD, dan MSD 35
pada Jumlah Kasus Baru Hipertensi di Kota Surabaya
Tahun 2018
......................................................................................
5.6 Model Terbaik Peramalan Jumlah Kasus Baru Hipertensi di 38
Kota Surabaya Tahun 2018 Metode Single Exponential
Smoothing dan Moving Average Berdasarkan Hasil
Perhitungan MAPE, MAD, dan MSD Terkecil
.....................
5.7 Perbandingan Peramalan Metode Single exponential 46
smoothing dan Single Moving Average dengan Data
Faktual pada Jumlah Kasus Baru Hipertensi di Kota
Surabaya Tahun
2017…………………………………………………….......
5.8 Paired t-test Selisih Peramalan Metode Single exponential 47
smoothing dan Single Moving Average dengan Data
Faktual pada Jumlah Kasus Baru Hipertensi di Kota
Surabaya Tahun 2017……………………………………....

xii
5.9 Uji Independent T-Test untuk Selisih Absolut Metode
Single Exponential Smoothing dan Single Moving 47
Average………...

xiii
 DAFTAR GAMBAR

Nomor Judul Gambar Halaman

1.3 Jumlah Kasus Baru Hipertensi di Kota Surabaya Tahun 4

2013-2017.............................................................................
3.1 Kerangka Konseptual............................................................ 24
4.1 Kerangka Operasional……………………………………... 28
5.1 Plot Data Bulanan Jumlah Kasus Baru Hipertensi di Kota
Surabaya Tahun 2013-2017………………………………... 34
5.2 Box-Cox Plot Data Jumlah Kasus Baru Hipertensi di Kota
Surabaya Tahun 2013-2017................................................... 35
5.3 Perbandingan Data Aktual dan Data Hasil Peramalan
Jumlah Kasus Hipertensi di Kota Surabaya Tahun 2018
dengan Metode Single Exponential Smoothing………......... 39
5.4 Perbandingan Data Aktual dan Data Hasil Peramalan
Jumlah Kasus Hipertensi di Kota Surabaya dengan Metode
Single Moving Average………………………….…………. 43

xiv
 DAFTAR LAMPIRAN

Nomor Judul Lampiran Halaman

1. Surat Izin Penelitian……………………………………... 66

2. Surat Rekomendasi Bakesbangpol Kota Surabaya…….... 67
3. Data Dri Dinas Kesehatan Kota Surabaya………………. 68
4. Surat Keterangan Selesai Pengambilan Data……………. 69
5. Sertifikat Etik Penelitian………………………………… 70
6. Output SPSS…………………………………………….. 71
7. Output Minitab…………………………………………... 72

xv
 DAFTAR ARTI LAMBANG, SINGKATAN, DAN ISTILAH

Daftar Arti Lambang

& = dan
> = lebih dari
< = kurang dari
- = sampai dengan
/ = atau
% = persen
o
= derajat
α = alpha

Daftar Singkatan

ACF = Autocorrelation Function

MAD = Means Absolute Deviation
MAPE = Means Absolute Percentage Error
MSD = Means Squared Deviation
PACF = Partial Autocorrelation Function
PTM = Penyakit Tidak Menulart
WHO = World Health Organization

xvi
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Peramalan memiliki peran yang sangat penting dalam perencanaan yang

efektif dan efisien. Selain dapat digunakan untuk menyusun perencanaan, peramalan

juga dapat menentukan kebijakan yang tepat. Permalan dapat digunakan untuk

melihat kejadian atau tren yang akan datang. Adanya selang waktu yang terjadi

antara kesadaran suatu peristiwa dengan peristiwa itu sendiri membuat peramalan

menjadi hal yang sangat penting dalam membuat suatu perencanaan yang baik

(Makridakis, 1988).

Peramalan dibedakan menjadi dua jika ditinjau berdasar sifat ramalan yang

disusun, yaitu peramalan kualitatif dan peramalan kuantitatif. Peramalan kualitatif

dibagi menjadi dua, meliputi metode eksploratoris dan metode normatif. Sedangkan

peramalan kuantitatif dibagi menjadi dua, yaitu deret berkala (time series) dan

metode kausal. Pada deret berkala (time series) dibagi menjadi dua yaitu metode rata

rata bergerak (moving average), metode pemulusan (exponential smoothing),

dekomposisi dan ARIMA. sedangkan model kausal dibagi menjadi dua yaitu

menggunakan regresi dan korelasi (Wardhani & Pereira, 2010).

Salah satu model dari peramalan yang banyak dilakukan di berbagai bidang

adalah analisis time series. Ada beberapa model peramalan dalam time series yang

didasarkan pada analisa hubungan antar variabel yang diperkirakan dengan variabel

1
 2

waktu antara lain ARIMA Box-Jenkins, exponential smoothing dan proyeksi tren

(Kuntoro, 2015).

Metode exponential Smoothing memiliki 3 model yang memiliki fungsi

masing-masing, yaitu single exponential smoothing, double exponential smoothing,

dan triple exponential smoothing. Sedangkan metode moving average juga memiliki

2 model, yaitu single moving average, dan double moving average.

Penelitian yang dilakukan oleh Faisal (2018) tentang “Penerapan Metode

Peramalan Exponential Smoothing untuk Meramalkan Jumlah Kasus Baru Hipertensi

di Kota Surabaya” didapatkan bahwa plot data yang dihasilkan tidak stasioner dalam

varians. Berdasarkan penelitian diatas, maka penulis ingin membandingkan metode

single exponential smoothing dan double moving average untuk mengetahui metode

peramalan terbaik dalam meramalkan jumlah kasus baru penderita hipertensi di Kota

Surabaya. Metode peramalan ini dapat juga diaplikasikan pada berbagai macam

penyakit untuk meramalkan jumlah pendertita penyakit tersebut di masa yang akan

datang. Salah satunya adalah penyakit tekanan darah tinggi / hipertensi. Hipertensi

merupakan salah satu penyakit degenerative. Dengan bertambahnya usia, maka

tekanan darah juga akan meningkat karena disebabkan oleh oleh beberapa perubahan

fisiologis karena setelah usia 45 tahun terjadi peningkatan resistensi perifer dan

aktivitas simpatik.

Hipertensi adalah peningkatan tekanan darah sistolik lebih besar atau sama

dengan 140 mmHg dan atau tekanan darah diastolik lebih besar atau sama dengan 90
 3

mmHg. Prevalensi penduduk dengan tekanan darah tinggi secara nasional sebesar

30,9%. Prevalensi semakin meningkat seiring dengan pertambahan umur (Profil

Kesehatan Indonesia, 2016).

Berdasarkan data Riskesdas (2013) prevalensi hipertensi pada umur ≥18

tahun di Indonesia yang didapat melalui jawaban pernah didiagnosis tenaga

kesehatan sebesar 9,4%, sedangkan yang pernah didiagnosis tenaga kesehatan atau

sedang minum obat hipertensi sendiri sebesar 9,5%. Prevalensi hipertensi di

Indonesia berdasarkan hasil pengukuran pada umur ≥18 tahun sebesar 25,8%.

Prevalensi hipertensi pada perempuan cenderung lebih tinggi daripada laki-laki.

Sedangkan, hipertensi Provinsi Jawa Timur, persentase hipertensi sebesar

13,47% atau sekitar 935.736 penduduk, dengan proporsi laki-laki sebesar 13,78%

(387.913 penduduk) dan perempuan sebesar 13.25% (547.823 penduduk) (Profil

Kesehatan Dinkes Provinsi Jawa Timur, 2016).

Berdasarkan profil kesehatan Kota Surabaya (2017) jumlah penderita

hipertensi adalah sebanyak 102.599 jiwa hal ini menunjukkan banyaknya penderita

baru kasus hipertensi dibandingkan dengan data dari profil kesehatan Kota Surabaya

tahun 2016 yang jumlah penderita hipertensi adalah sebanyak 45.014 jiwa.
 4

160000

137337
140000
Jumlah Kasus Baru Hipertensi di Kota
120000
102599
100000
Surabaya

81936
80000

60000
47694 45014
40000

20000

0
2013 2014 2015 2016 2017

Gambar 1.3 Jumlah Kasus Baru Hipertensi di Kota Surabaya Tahun 2013-2017
Dengan menggunakan metode peramalan exponential smoothing dan moving

average, nantinya diharapkan dapat mengetahui jumlah kasus hipertensi tahun

berikutnya sehingga pemerintah dan dinas terkait dapat membuat perencanaan untuk

menanggulangi dan terus menurunkan jumlah penderita baru kasus hipertensi.

1.2. Identifikasi Masalah

Pada penelitian ini akan digunakan dua metode peramalan dalam meramalkan

jumlah kasus baru Hipertensi di Kota Surabaya. Metode yang dipilih adalah dari

kategori metode peramalan deret waktu (time series). Dua metode tersebut adalah

exponential smoothing dan moving average. Berdasarkan gambar 5.3 dapat diketahui

bahwa prevalensi hipertensi dari tahun ke tahun mengalami penurunan, pada tahun

2016 ke tahun 2017 kasus hipertensi turun sebanyak 11.088 kasus baru dari 59.202

kasus menjadi 48.114 kasus hipertensi di Kota Surabaya. Berdasarkan data dan teori,
 5

metode single exponential smoothing dan double moving average dapat memberikan

gambaran dan perbandingan hasil peramalan kasus baru penderita hipertensi di Kota

Surabaya di masa yang akan datang.

1.3. Rumusan Masalah

1. Bagaimanakah gambaran umum kejadian jumlah penderita baru Hipertensi di

Kota Surabaya

2. Bagaimanakah model peramalan jumlah penderita baru Hipertensi di Kota

Surabaya Tahun 2018 dengan metode exponential smoothing?

3. Bagaimanakah model peramalan jumlah penderita baru Hipertensi di Kota

Surabaya Tahun 2018 dengan metode moving average?

4. Metode peramalan manakah yang paling akurat diantara exponential

smoothing dan moving average?

1.4. Tujuan dan Manfaat

1.4.1. Tujuan Umum

Tujuan umum dari penelitian ini adalah untuk meramalkan jumlah kasus baru

hipertensi serta membandingkan 2 metode peramalan, yaitu exponential smoothing

dan moving average.

1.4.2. Tujuan Khusus

1. Mengetahui gambaran umum jumlah kasus baru hipertensi di Kota Surabaya.

2. Mengetahui model peramalan untuk jumlah kasus baru hipertensi di Kota

Surabaya Tahun 2018 dengan menggunakan metode exponential smoothing.

 6

3. Mengetahui model peramalan untuk jumlah kasus baru hipertensi di Kota

Surabaya Tahun 2018 dengan menggunakan metode moving average.

4. Membandingkan model dan hasil peramalan yang paling akurat pada jumlah

kasus baru hipertensi di Kota Surabaya Tahun 2018 dengan metode

exponential smoothing dan moving average

1.4.3. Manfaat Penelitian

Berdasarkan tujuan yang ada, maka manfaat yang dapat diperoleh dari

penelitian ini meliputi :

1. Bagi Pengambil Kebijakan

Hasil peramalan dari penelitian ini dapat digunakan sebagai bahan

pertimbangan untuk melakukan perencanaan mengenai pengadaan alat-alat,

obat-obatan ataupun persiapan lainnya untuk program pencegahan hipertensi

dan lain sebagainya.

2. Bagi Peneliti

Penelitian dapat dijadikan sebagai sarana untuk mengaplikasikan teori atau

ilmu yang diperoleh selama di bangku perkuliahan ke penerapan ilmu yang

sebenarnya.

3. Bagi Fakultas Kesehatan Masyarakat

Penelitian ini dapat berguna untuk penelitian selanjutnya yang berkaitan

dengan peramalan menggunakan metode exponential smoothing dan moving

average.
 BAB II

TINJAUAN PUSTAKA

2.1. Peramalan

Peramalan adalah penggunaan data dimasa lalu dari satu atau lebih variabel

untuk memperkirakan nilainya dimasa yang akan datang. Peramalan merupakan

gambaran keadaan suatu perusahaan dimasa yang akan datang. Gambaran tersebut

sangat penting perannya untuk perusahaan karena dengan gambaran tersebut dapat

digunakan untuk memprediksi langkah apa yang harus dilakukan untuk memenuhi

permintaan konsumen (Saputra, 2015).

Peramalan adalah suatu proses memperkirakan apa yang akan terjadi dimasa

yang akan datang berdasarkan informasi dari masa lalu dan sekarang yang dimiliki

agar dapat memperkecil tingkat kesalahannya. Peramalan tidak memberikan jawaban

pasti melainkan berusaha mencari pendekatan tentang apa yang akan terjadi dimasa

yang akan datang agar dapat digunakan sebagai dasar dalam mengambil kepustusan

(Riduwan, 2010).

2.2. Pola Data Peramalan

Analisa data time series adalah analisa yang menerangkan dan mengukur

berbagai perubahan atau perkembangan data selama satu periode (Hasan, 2002).

Analisis time series digunakan untuk memperoleh pola data time series dengan

menggunakan data masa lalu yang akan digunakan untuk meramalkan suatu nilai

7
 8

pada masa yang akan datang. Dalam time series terdapat 4 macam tipe pola data

yaitu:

1. Pola Horizontal, yaitu pola yang terjadi apabila nilai data berfluktuasi di

sekitar nilai rata-rata yang konstan. Deret seperti ini bisa disebut dengan deret

stasioner terhadap nilai rata-ratanya.

2. Pola Musiman, yaitu suatu pola yang terjadi bilamana suatu deret dipengaruhi

oleh faktor musiman. Pola Siklis, yaitu suatu pola yang terjadi bilamana

datanya dipengaruhi oleh fluktuasi suatu masalah dalam jangka panjang. Pola

tren, yaitu suatu pola yang terjadi bilamana terdapat kenaikan atau penurunan

sekuler jangka panjang dalam data.

3. Pola siklis (C) atau Cycled Data Pattern yang terjadi bilamana datanya

dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti yang

berhubungan dengan siklus bisnis. Pengaruh siklis ini sulit diramalkan karena

pengaruhnya berulang tetapi tidak periodik. Metode peramalan yang dapat

digunakan untuk pola data siklis antara lain : Clasical decompotition,

Economic indicator, Econometrics model, Multiple regression dan ARIMA.

2.3. Jenis Peramalan

A. Berdasarkan jangka waktu, peramalan dapat dibedakan atas dua macam,

yaitu:

1. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk

penyusunan hasil peramalan yang jangka waktunya lebih dari satu setengah
 9

tahun atau tiga semester. Lebih tegasnya peramalan jangka panjang ini

berrorientasi pada dasar atau perencanaan.

2. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan

hasil peramalan yang dilakukan kurang dari satu setengah tahun atau tiga

semester.

B. Berdasarkan sifat penyusunannya, maka peramalan dapat dibedakan menjadi

dua macam, yaitu:

1. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau

intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau

ketajaman pikiran orang yang menyusunnya sangat menentukan baik

tidaknya hasil peramalan.

2. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan

pada masa lalu dengan menggunakan teknik-teknik dan metode- metode

dalam penganalisaan data tersebut.

C. Berdasarkan sifat peramalan yang telah disusun, maka peramalan dapat

dibedakan atas dua macam, yaitu:

1. Peramalan kualitatif atau teknologis, yaitu peramalan yang didasarkan atas

data kualitatif masa lalu. Hasil peramalan yang ada tergantung pada orang

yang menyusunnya, karena peramalan tersebut sangat ditentukan oleh

pemikiran yang bersifat intuisi, judgement (pendapat) dan pengetahuan serta

pengalaman dari penyusunnya. Metode kualitatif dibagi menjadi dua metode,

 10

yaitu Metode eksploratif (Pada metode ini dimulai dengan masa lalu dan

masa kini sebagai awal dan bergerak ke arah masa depan secara heuristik,

sering kali dengan melihat semua kemungkinan yang ada) dan Metode

Normatif (Pada metode ini dimulai dengan menetapkan sasaran tujuan yang

akan datang, kemudian bekerja mundur untuk melihat apakah hal ini dapat

dicapai berdasarkan kendala, sumber daya dan teknologi yang tersedia).

2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif

pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang

digunakan dalam peramalan tersebut. Metode yang baik adalah metode yang

memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin. Metode

peramalan kuantitatif terbagi atas dua jenis model peramalan yang utama,

yaitu:

a. Model deret berkala (time series), yaitu metode peramalan yang

didasarkan atas penggunaan analisa pola hubungan antara variabel yang

akan diperkirakan dengan variabel waktu, yang merupakan deret waktu.

b. Model kausal, yaitu metode peramalan yang didasarkan atas penggunaan

analisa pola hubungan antara variabel lain yang mempengaruhinya, yang

bukan waktu yang disebut metode korelasi atau sebab akibat. Model

kausal terdiri dari metode regresi dan korelasi, metode ekonometri,

metode input dan output.

 11

Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data

kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada

metode yang digunakan dalam peramalan tersebut. Teknik peramalan secara

kuantitatif secara garis besar dapat dikelompokkan menjadi 2 yaitu:

1. Metode Deret Waktu (Time series) Secara garis besar metode time

series dapat dikelompokkan menjadi:

a. Metode Dekomposisi

Metode dekomposisi merupakan metode yang menghasilkan

peramalan yang ditentukan dengan kombinasi dari fungsi yang ada sehingga

tidak dapat diramalkan secara biasa. Metode tersebut didekati dengan fungsi

linier atau siklis, kemudian bagi t atas kwartalan sementara berdasarkan pola

data yang ada. Metode dekomposisi merupakan pendekatan peramalan yang

tertua. Terdapat beberapa pendekatan alternatif untuk mendekomposisikan

suatu deret berkala yang semuanya bertujuan memisahkan setiap komponen

deret data seteliti mungkin. Konsep dasar pemisahan bersifat empiris dan

tetap, yang mula-mula memisahkan unsur musiman, kemudian tren, dan

akhirnya unsur siklis.

Adapun langkah perhitungannya adalah sebagai berikut:

1. Ramalkan fungsi Y biasa (dt = a+bt)

2. Hitung nilai indeks

3. Gabungkan nilai perolehan indeks kemudian ramalkan yang baru

 12

b. Metode Pemulusan (Smoothing)

1) Metode Averaging

Dipakai untuk kondisi dimana setiap data pada waktu yang berbeda

mempunyai bobot yang sama sehingga fluktasi random data dapat direndam

dengan rata-ratanya, biasanya dipakai untuk peramalan jangka pendek. Pada

metode ini data yang digunakan untuk peramalan paling sedikit adalah data 3

periode, tetapi paling sering menggunakan 3 periode, 4 periode, dan 5

periode. (Gofur dan Widianti, 2013). Adapun metode-metode yang termasuk

didalamnya, antara lain:

a. Single Moving Average

Metode single moving average digunakan jika data bersifat fluktuatif,

data tidak memiliki pola tren, dan data tidak memiliki pola musiman. Metode

ini akan cukup baik dan efektif diterapkan apabila kita dapat mengasumsikan

bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu.

Metode ini mempunyai dua sifat khusus yaitu untuk membuat ramalan

memerlukan data historis dalam jangka waktu tertentu, semakin panjang

moving average akan menghasilkan moving average yang semakin halus,

secara sistematis moving average dapat dirumuskan sebagai berikut:

Dimana:

t = Nilai paling akhir

 13

St-1 = Forecast Untuk Periode t+1

Xt = Data pada Periode ke t

n = Jumlah data atau jangka waktu moving average nilai n

merupakan banyaknya periode dalam rata-rata bergerak

b. Double Moving Average

Metode double moving average digunakan jika data tidak stasioner

serta mengandung pola tren, maka dilakukan moving average terhadap hasil

single moving average dengan cara dibawah berikut:

1. Menghitung moving average pertama, diberi simbol S’t, dihitung dari

data historis yang ada. Hasilnya diletakkan pada periode terakhir

moving average pertama.

2. Mengitung moving average kedua, diberi simbol S”t, dihitung dari

moving average pertama. Hasilnya diletakkan pada periode terakhir

moving average kedua.

3. Menentukan besarnya nilai αt atau konstanta.

 14

Dimana:

Xt = data pada periode t

N = orde

S’t = nilai rata rata I periode t

S’’t = nilai rata rata II periode t

S’t-1 = nilai rata-rata pertama sebelumnya (t-1)

at = intersepsi pada periode t

bt = nilai tren pada periode t

Ft+m = peramalan pada periode t+m

2) Metode Pemulusan (Smoothing)

Dipakai pada kondisi dimana bobot data pada periode yang satu

berbeda dengan data pada periode sebelumnya dan membentuk fungsi

exponential yang biasa disebut exponential smoothing. Adapun metode-

metode yang termasuk didalamnya, antara lain:

 15

a. Single exponential smoothing

Metode ini banyak mengurangi masalah penyimpangan data karena

tidak perlu lagi menyimpan data historis. Metode ini lebih cocok untuk

meramalkan ha-hal yang fluktuasinya random. Metode single exponential

smoothing adalah peramalan dengan menggunakan data yang berpola

fluktuasi pada suatu periode untuk masa yang akan datang dengan

memuluskan dan mengurangi fluktuasi peramalan tersebut (Wardhani dan

Pereira, 2010).

Metode single exponential smoothing bobot yang diberikan pada data

yang ada adalah sebesar α untuk data yang terbaru, α(1-α) untuk data yang

lama, α(1-α)² untuk data yang lebih lama, dan seterusnya. Nilai α berkisar

antara 0-1 karena berlaku 0 < α < 1. Semakin mendekati 1 berarti data terbaru

lebih diperhatikan. Metode ini banyak mengurangi masalah penyimpanan

data karena tidak perlu lagi menyimpan data historis. Pengaruh besar

kecilnya α berlawanan arah dengan pengaruh memasukan jumlah

pengamatan. Metode ini selalu mengikuti setiap tren dalam data sebenarnya

karena yang dapat dilakukannya tidak lebih dari mengatur peramalan

mendatang dengan suatu persentase dari kesalahan terakhir. Untuk

menentukan mendekati optimal memerlukan beberapa kali percobaan. Rumus

yang digunakan:

FT+1 = FT+ α × (XT - Ft)

 16

Dimana:

Ft+1 = Hasil peramalan untuk periode t + 1

α = Konstanta Pemulusan

Xt = Data pada periode t

Ft = Periode sebelumnya

b. Double Exponential Smoothing

Pada metode Double Exponential Smoothing terdapat dua metode

yang dapat digunakan, yakni metode brown dan holt. Masing masing metode

memiliki parameter yang berbeda dalam peramalan. Metode pemulusan

exponential ganda ini cocok digunakan pada data dengan pola tren dan tidak

stasioner. Adapun perbedaan antara metode Brown dan Holt adalah sebagai

berikut:

1. Double Exponential Smoothing metode Brown

Dasar pemikiran dari metode pemulusan exponential linier dari

Brown adalah serupa dengan rata rata bergerak linier, karena kedua nilai

pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya apabila

terdapat unsur tren. Perbedaan antara nilai pemulusan tunggal dua ganda

dapat ditambahkan kepada nilai pemulusan tunggal dua ganda dapat

ditambahakan kepada nilai pemulusan tunggal dan disesuaikan untuk tren.

Persamaan yang dipakai dalam implementasi pemulusan exponential linier

satu parameter dari Brown adalah sebagai berikut:

 17

Ft+m = αt + btm

S’t = αXt + (1-α) S’t-1

S”t = αS’t + (1-α) S”t-1

αt = 2S’t – S”t

bt = α(S’t – S”t) / (1 - α)

Dimana :

S’t = nilai nilai penghalusan exponential tunggal

S”t = nilai nilai penghalusan exponential gandha

αt = penyesuaian nilai penghalusan tunggal untuk periode t

bt = komponen kecenderungan

Ft + m = nilai peramalan untuk m period eke depan dari t

m = jumlah periode peramalan

Pada setiap metode pemulusan exponential akan muncul suatu

masalah inisialisasi. Jika parameter pemulusan α tidak mendekati nol, maka

pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti

dengan berlalunya waktu. (Makridakis dkk, 1999).

2. Double Exponential Smoothing metode Holt

Metode pemulusan exponential linier dari holt dalam prinsipnya mirip

dengan metode Brown, kecuali metode Holt tidak menggunakan rumus

pemulusan berganda secara langsung. Sebagai gantinya, Holt memuluskan

nilai tren dengan menggunakan parameter yang berbeda dari parameter yang
 18

digunaan pada deret asli sebelumnya. Peramalan dari pemulusan exponential

linear Holt didapat dengan menggunakan dua konstanta pemulusan (dengan

nilai 0 dan 1) dan tiga persamaan, yaitu:

St = αXt + (1-α)(St-1 + bt-1)

Bt = γ(St-St-1) + (1-γ)bt-1

Ft+m = St + btm

Dimana :

b = tren

m = Jumlah period ke depan yang akan diramalkan

St = nilai dasar

Persamaan 1 menyesuaikan St secara langsung untuk sebuah pola tren

periode sebelumnya yaitu bt-1 dengan menambahkan nilai pemulusan yang

terakhir, yaitu St-1. Hal ini membantu untuk menempatkan St sebagai dasar

perkiraan nilai saat ini. Persamaan ke 2 digunakan untuk meremajakan tren,

yang ditunjukkan sebagai perbedaan antara dua nilai pemulusan yang trakhi.

Hal ini harus dilakukan karena jika terdapat kecenderungan di dalam data,

nilai yang baru akan lebih tinggi atau lebih rendah dari nilai sebelumnya.

c. Triple Exponential Smoothing

Metode Triple Exponential Smoothing tidak berbeda jauh dengan pemulusan

ekponensial linier yang dapat digunakan untuk meramalkan data dengan suatu pola

tren dasar, bentuk pemulusan yang lebih tinggi dapat digunkana bila dasar pola
 19

datanya adalah kuadratik, kubik atau orde orde yang lebih tinggi. Pada pemulusan

kuadratik, pendekatan dasarnya adalah memasukkan tingkat pemulusan tambahan

(pemulusan tripel) dan memberlakukan persamaan kudratik. Persamaan untuk

pemulusan kuadratik adalah:

S’t = αXt + (1-α) S’t-1 (Pemulusan kesatu)

S”t = αS’t + (1-α) S”t-1 (Pemulusan Kedua)

S’’’t = αS’’t + (1-α) S’’’t-1 (Pemulusan Ketiga)

αt = 3S’t – 3S”t + S”’t

bt = α/2(1-α)2((6-5α)S’t – (10-8α)S”’t+ (4-3α)S””t)

Ct = α2 / (1-α)2 (S’t-2S”t+s””t)

Ft+m = αt + btm +1/2 ctm2

2.4 Ukuran Akurasi Peramalan

Keakuratan suatu metode peramalan tidak lepas dari parameter dalam

pengukuran akurasi peramalan. Akurasi peramalan dapat diukur dengan beberapa

parameter diantaranya yang paling umum digunakan adalah MAPE (Mean Absolute

Percentage Error), MAD (Mean Absolute Deviation), dan MSD (Mean Square

Deviation). MAPE (Mean Absolute Percentage Error) adalah rata-rata persentase

kesalahan absolut terhadap data aktual. Perhitungan MAPE dilakukan dengan cara

menghitung persentase selisih yang dihasilkan antara data aktual dengan data hasil

ramalan setiap data seriesnya, kemudian persentase selisih tiap titik data series

tersebut dihitung rata-ratanya. Nilai MAPE digunakan untuk mengetahui berapa rata-
 20

rata persentase kesalahan hasil peramalan suatu metode peramalan. Nilai MAPE

dapat melihat apakah suatu metode peramalan menghasilkan persentase kesalahan

terlalu tinggi atau terlalu rendah.

MAD (Mean Absolute Deviation) adalah rata-rata kesalahan absolut dari

hasil peramalan atau yang lebih mudah adalah nilai komulatif absolut error. Nilai

absolut berguna untuk menghindari nilai error positif dan nilai error negatif.

Perhitungan MAD dilakukan dengan cara menjumlahkan selisih yang dihasilkan

antara data aktual dengan data hasil peramalan dibagi dengan jumlah titik data yang

digunakan.

MSD (Mean Square Deviation) adalah rata-rata dari selisih antara data aktual

dengan data hasil peramalan yang dikuadratkan. Pengkuadratan nilai error tersebut

berguna untuk menghindari nilai error positif dan nilai error negatif saling

meniadakan. Pengukuran MSD dilakukan dengan cara menghitung selisih/error

peramalan kemudian dikudratkan, hasil pengkuadratan tersebut kemudian dijumlah

lalu dibagi dengan jumlah titik data yang digunakan.

2.5 Hipertensi

Hipertensi atau biasa disebut tekanan darah tinggi merupakan keadaan

dimana tekanan darah di pembuluh darah mengalami peningkatan secara kronis.

Penyebab hal tersebut adalah jantung memompa darah lebih keras untuk memenuhi

kebutuhan oksigen dan nutrisi tubuh. Jika keadaan ini dibiarkan, maka tidak menutup
 21

kemungkinan penyakit ini dapat menganggu fungsi organ lainnya, terutama organ-

organ vital seperti jantung dan ginjal (Riskesdas, 2013).

Banyak faktor yang dapat memperbesar risiko atau kecenderungan seseorang

menderita hipertensi, diantaranya ciri-ciri individu seperti umur, jenis kelamin dan

suku, faktor genetik serta faktor lingkungan yang meliputi obesitas, stres, konsumsi

garam, merokok, konsumsi alkohol, dan sebagainya. Teori tersebut menjelaskan

bahwa terjadinya hipertensi disebabkan oleh beberapa faktor yang saling

mempengaruhi, dimana faktor utama yang berperan dalam patofisiologi adalah

faktor genetik dan paling sedikit tiga faktor lingkungan yaitu asupan garam, stres,

dan obesitas.

2.5.1 Klasifikasi Hipertensi

Berdasarkan penyebabnya, penyakit hipertensi dibagi menjadi 2 golongan

yaitu hipertensi esensial atau primer dan hipertensi sekunder. Untuk penyakit

hipertensi essensial, penyebab pastinya masih belum diketahui. Kurang lebih 90%

penderita hipertensi tergolong dalam hipertensi essensial dan sisanya 10% tergolong

hipertensi sekunder. Hipertensi sekunder merupakan hipertensi yang penyebabnya

diketahui seperti kelainan pembuluh darah ginjal, gangguan kelenjar tiroid

(hipertiroid), penyakit kelenjar adrenalin (hiperaldosteronisme) dan lain–lain

(Depkes, 2006). Oleh karena itu, jika seseorang terkena hipertensi atau pernah

didiagnosis hipertensi, perlu segera dilakukan penyembuhan atau penatalaksanaan

 22

hipertensi agar tidak terjadi sesuatau yang fatal jika berkelanjutan. Dan diharapkan

jika sudah dilakukan tindakan tata laksana dapat terhindar dari penyakit mematikan.

Tabel 2.1 Klasifikasi Hipertensi

Klasifikasi Sistolik (mmHg) Diastolik (mmHg)

Normal <120 <80

Pre Hipertesni 120-139 80-90

Hipertensi Derajat 1 140-159 90-99

Hipertensi Derajat 2 >160 >100

Sumber: Joint National Committe on Prevention Detection, Evaluation, and

Treatment of High Pressure VII (2003)
 BAB III
KERANGKA KONSEPTUAL
3.1. Kerangka Konseptual Penelitian

Data Kasus

Identifikasi (Peramalan Kuantitatif)

Time Series Kausal

Analisis
Dekomposisi Exponential Moving ARIMA Regresi
Smoothing Average

Evaluasi Model Peramalan: Evaluasi Model Peramalan:

1. MAPE 1. MAPE
2. MAD 2. MAD
3. MSD 3. MSD

4. R-Square 4. R-Square
5. RMSE 5. RMSE

Evaluasi Parameter: Evaluasi Parameter:

1. White Noise 1. Orde
2. Normalitas

Evaluasi Hasil Peramalan

: Diteliti
: Tidak Diteleti
Gambar 3.1 Diagram Alir Penelitian

23
 24

3.2. Penjelasan Kerangka Konseptual

Penelitian ini bertujuan untuk membandingkan metode peramalan dengan

menggunakan metode exponential smoothing dan moving average untuk

meramalkan jumlah kasus baru hipertensi di Kota Surabaya pada tahun 2018.

Penelitian ini menggunakan data time series bulanan dari tahun 2013 hingga 2017

dengan membandingkan 2 metode peramalan yaitu exponential smoothing dan

moving average.

Metode peramalan exponential smoothing dan moving average menggunakan

nilai MAPE, MAD, dan MSD paling kecil untuk dapat membandingkan metode

terbaik. Setelah evaluasi model peramalan, maka dilanjutkan dengan evaluasi

parameter error untuk exponential smoothing yang dilakukan dengan 2 cara yaitu

white noise dan uji normalitas, sedangkan untuk moving average evaluasi parameter

error dilakukan dengan trial dan error pada orde sehingga muncul nilai MAPE,

MAD, dan MSD paling kecil. Metode yang terbaik akan di gunakan setelah

dilakukan evaluasi secara menyeluruh terhadap metode exponential smoothing dan

moving average.
 BAB IV

METODE PENELITIAN

4.1. Jenis Penelitian

Jenis penelitian yang digunakan adalah penelitian non reaktif (non reactive

research) yang merupakan jenis penelitian untuk data sekunder. Penelitian non

reaktif disebut juga penelitian unobtrusive yang sejumlah individu yang diteliti tidak

sadar bahwa menjadi bagian dari penelitian, tetapi meninggalkan bukti dari perilaku

sosial secara ilmiah. Penelitian unobtrusive tidak terdapat reaksi dari subjek

penelitian. Penelitian bersifat tidak mengganggu subjek penelitian dan subjek

penelitian juga tidak merasa terganggu (Kuntoro, 2011). Berdasarkan waktu

penelitian, penelitian ini merupakan penelitian cross sectional. Sedangkan

berdasarkan tujuan dan sifat masalah, penelitian ini merupakan penelitian analitik

dengan pendekatan observasional, dalam hal ini adalah metode peramalan dalam

bidang kesehatan yaitu jumlah penderita baru kasus hipertensi di Kota Surabaya.

4.2. Subyek Penelitian

Subyek penelitian ini adalah jumlah kasus baru hipetensi yang ada di Kota

Surabaya tahun 2013 – 2017 yang digunakan untuk meramalkan kasus baru

hipertensi yang ada di Kota Surabaya pada Tahun 2018. Sumber data diambil dari

“Laporan Surveillans Terpadu Puskesmas” yang ada di Dinas Kesehatan Kota

Surabaya.

25
 26

4.3. Lokasi dan Waktu Penelitian

4.3.1. Lokasi Penelitian

Penelitian ini akan dilakukan di Seksi P2 Surveilans Dinas Kesehatan Kota

Surabaya dengan mengambil data sekunder dari laporan surveilans terpadu

puskesmas yaitu jumlah kasus hipertensi di Kota Surabaya Tahun 2013-2017.

4.3.2. Waktu Penelitian

Waktu penelitian di Dinas Kesehatan Kota Surabaya dengan rincian sebagai

berikut:

Tabel 4.1 Waktu Pelaksanaan Penelitian Peramalan Jumlah Kasus Brau Hipertensi di
Kota Surabaya Tahun 2018
Waktu
No
Kegiatan Oktober November Desember
.
I II III IV I II III IV I II III IV
1. Pengurusan surat
izin penelitian
2. Pengambilan data
di seksi
surveilans
3. Penyusunan
Skripsi
4. Sidang Skripsi
dan Revisi
Skripsi
 27

4.4. Variabel dan Definisi Operasional

Variabel yang digunakan dalam penelitian ini, yaitu variabel bebas (variabel

independen) adalah waktu, sedangkan variabel terikat (variabel dependen) adalah

jumlah kasus baru hipertensi di Kota Surabaya Tahun 2013-2017.

Tabel 4.2 Variabel dan Definisi Operasional dalam Penelitian Peramalan

Jumlah Kasus Baru Hipertensi di Kota Surabaya Tahun 2018
No Variabel Definisi Operasional Cara Skala Data
Pengukuran
1. Waktu Periode bulan Data Sekunder Rasio
terjadinya jumlah
kasus baru Hipertensi
dari bulan januari 2013
sampai bulan
Desember 2017
2. Jumlah kasus Data jumlah kasus Data Sekunder Rasio
baru Hipertensi baru Hipertensi
di Kota perbulan yang ada di
Surabaya tahun Laporan Surveilans
2013-2017 Terpadu Puskesmas di
Dinas Kesehatan Kota
Surabaya dari bulan
Januari 2013 sampai
Desember 2017 (60
titik data historis)
 28

4.5. Kerangka Operasional

Pengumpulan Data Jumlah Kasus Baru Hipertensi di Kota

Surabaya dari Tahun 2013 hingga 2017 (data bulanan jumlah
kasus baru dari bulan januari 2013 hingga Desember 2017)

Plotting data berdasarkan waktu

Periksa stasioner dalam rata-rata

maupun dalam varian

-Differencing
Stasioner
-Transformation
Tidak

Model Exponential Smoothing Model Moving Average

Evaluasi parameter dan Evaluasi parameter dan

error error

Menentukan model Menentukan model

terbaik terbaik

Hasil Peramalan Hasil Peramalan

Di Bandingkan

Metode Peramalan Terbaik

Gambar 4.1 Kerangka Operasional Penelitian

 29

4.6. Pengumpulan Data

Pengumpulan data sekunder dilakukan setelah melakukan izin dalam

melakukan pengambilan data. Data yang digunakan dalam penelitian ini adalah data

sekunder berupa data bulanan kasus baru penderita hipertensi di Kota Surabaya dari

tahun 2013–2017 yang ada di laporan surveilans terpadu puskesmas di Dinas

Kesehatan Kota Surabaya.

4.7. Pengolahan Data dan Analisis Data

Data dianalisis dengan menggunakan aplikasi komputer SPSS dan Minitab.

Metode peramalan yang digunakan adalah exponential smoothing dan moving

average.

Langkah-langkah analisis data adalah sebagai berikut:

1. Data bulanan jumlah kasus baru hipertensi di Kota Surabaya dilakukan

pemeriksaan data. Plot data mengandung tren dan musiman atau tidak.

a. Single exponential smoothing dan single moving average digunakan

apabila plot data tidak mengandung tren ataupun musiman.

b. Double exponential smoothing dan double moving average digunakan

apabila plot data memiliki tren namun tidak memiliki sifat musiman.

c. Triple exponential smoothing digunakan apabila plot data memiliki tren

dan musiman.

2. Pemeriksaan kestasioneran data, apabila data sudah stasioner, maka bisa

dilanjutkan proses selanjutnya, namun apabila belum stasioner maka perlu

 30

dilakukan differencing (untuk data yang tidak stasioner dalam rata - rata) dan

transformation (untuk data yang tidak stasioner dalam varians).

3. Menentukan model sementara untuk metode exponential smoothing dan

moving average.

4. Evaluasi parameter peramalan (nilai MAPE, MSD, MAD) dan pengujian

error dari metode exponential smoothing dan moving average (untuk

exponential smoothing dengan white noise dan uji normalitas, sedangkan

untuk moving average dengan trial dan error orde)

5. Menetukan model terbaik dari metode exponential smoothing dan moving

average.

6. Menghitung hasil peramalan dengan bantuan software SPSS dan Minitab

7. Membandingkan metode peramalan exponential smoothing dan moving

average dan memilih metode yang paling tepat untuk meramalkan jumlah

kasus baru penderita hipertensi di Kota Surabaya Tahun 2018.

 BAB V

HASIL PENELITIAN

Data yang diperoleh untuk penelitian ini adalah data jumlah kasus penderita

hipertensi pria dan wanita yang tercatat dan divalidasi oleh Dinas Kesehatan Kota

Surabaya mulai tahun 2013 hingga tahun 2017. Bab ini membahas tentang hasil

analisis yang meneliti statistik deskriptif angka jumlah kasus hipertensi di Kota

Surabaya, peramalan jumlah kasus hipertensi pada tahun 2018 dengan menggunakan

metode exponential smoothing dan moving average.

5.1 Gambaran Umum Jumlah Kasus Baru Hipertensi di Kota Surabaya

Data World Health Organization (WHO) tahun 2011 menunjukkan satu

milyar orang di dunia menderita Hipertensi, 2/3 diantaranya berada di negara

berkembang yang berpenghasilan rendah sampai sedang. Prevalensi Hipertensi akan

terus meningkat tajam dan diprediksi pada tahun 2025 sebanyak 29% orang dewasa

di seluruh dunia terkena Hipertensi. Hipertensi telah mengakibatkan kematian sekitar

8 juta orang setiap tahun, dimana 1,5 juta kematian terjadi di Asia Tenggara yang 1/3

populasinya menderita Hipertensi

Penyakit tidak menular (PTM), juga dikenal sebagai penyakit kronis, tidak

ditularkan dari orang ke orang. Penyakit ini memiliki durasi panjang dan umumnya

berkembang lambat. Empat jenis utama penyakit tidak menular adalah penyakit

kardiovaskular (seperti serangan jantung, hipertensi dan stroke), kanker, penyakit

31
 32

pernapasan kronis (seperti penyakit paru obstruktif kronis dan asma) dan diabetes

melitus (DM). Peyakit Tidak Menular merupakan penyebab utama kematian negara

maju dan berkembang (Profil Kesehatan Kota Surabaya, 2016). Salah satu penyakit

tidak menular yang menjadi masalah kesehatanm yang sangat serius adalah

hipertensi (Anggraini, 2014). Hipertensi merupakan penyakit yang ditandai dengan

peningkatan tekanan darah melebihi batas normal. Hipertensi disebut silent killer

atau pembunuh diam-diam karena orang dengan hipertensi sering tidak

menampakkan gejala (Sudarth, 2002).

Upaya pencegahan dan pengendalian PTM di kota Surabaya sudah berjalan

cukup lama. Kegiatan yang rutin dilakukan di puskesmas dalam rangka pencegahan

dan pengendalian PTM antara lain pengukuran tekanan darah untuk hipertensi.

Hipertensi Provinsi Jawa Timur memiliki persentase hipertensi sebesar 13,47% atau

sekitar 935.736 penduduk, dengan proporsi laki-laki sebesar 13,78% (387.913

penduduk) dan perempuan sebesar 13.25% (547.823 penduduk) (Profil Kesehatan

Provinsi Jawa Timur, 2016). Sedangakan hingga tahun 2017 jumlah penderita

hipertensi meningkat drastis menjadi 45,32% dari 226.399 pasien yang diperika

puskesmas dan 48.114 diantaranya adalah kasus baru. Berdasarkan data rekapitulasi

yang tercatat di Bidang P2 Surveillans di Dinas Kesehatan Kota Surabaya dapat

dilihat pada tabel 5.1.

 33

Tabel 5.1 Data Bulanan Jumlah Kasus Baru Hipertensi di Kota Surabaya tahun
2013-2017
Bulan Tahun
2013 2014 2015 2016 2017
Januari 9069 7754 5418 6388 5781
Februari 7897 7862 10044 6051 5521
Maret 6751 6456 7445 5290 5557
April 7480 5934 6921 5679 4614
Mei 7255 5541 6033 4702 4631
Juni 6489 5432 6366 4003 3028
Juli 6059 4227 5190 2988 3397
Agustus 5488 6831 6358 5253 2995
September 6955 9190 7121 4879 3048
Oktober 5720 9359 6475 4972 4128
November 6810 6988 6565 4391 2850
Desember 6000 5775 5506 4606 2564
Total 81.936 81349 79442 59202 48114
Sumber: Laporan SKP Puskesmas Kota Surabaya Tahun 2013 - 2017

Tabel 5.1 menunjukkan bahwa jumlah kasus baru hipertensi di Kota

Surabaya mengalami kenaikan dan penurunan dari waktu ke waktu, namun apabila

dilihat dari tahun ke tahun maka jumlah kasus baru hipertensi di Kota Surabaya

mengalami penurunan yang cukup banyak. Pola data merupakan hal yang terpenting

sebelum melakukan sebuah peramalan. Ketepatan pemilihan metode peramalan

sangat bergantung pada jenis pola data tersebut. Pola data yang membentuk fluktuasi

yang berpola horizontal sangat tepat untuk dilakukan peramalan dengan metode

single eksponential smoothing maupun moving average. Untuk dapat melihat pola
 34

jumlah kasus baru hipertensi di Kota Surabaya maka dapat dilihat seperti plot jumlah

kasus baru hipertensi di Kota Surabaya pada gambar 5.1.

Time Series Plot of Hipertensi
1 1 000

1 0000
jumlah Kasus Baru Hipertensi

9000

8000

7000

6000

5000

4000

3000

2000
1 6 12 18 24 30 36 42 48 54 60

Gambar 5.1 Pola Data Bulanan Jumlah Kasus Baru Hipertensi di Kota Surabaya
Tahun 2013-2017

Gambar 5.1 merupakan gambar pola bulanan kasus baru hipertensi di kota

Surabaya mulai tahun 2013 hingga tahun 2017. Pola data pada gambar 5.1

menunjukkan bahwa pola data tidak mengandung tren maupun musiman, sehingga

metode single exponential smoothing dan single moving average cocok digunakan

dalam kasus baru hipertensi di kota Surabaya. Kestasioneran data dapat dilihat

dengan menggunakan Box-Cox plot, apabila data belum stasioner dalam varian maka

perlu dilakukan transformasi ataupun apabila data belum stasioner dalam rata–rata

maka perlu dilakukan differencing. Box-Cox plot dapat dilihat pada gambar 5.2.
 35

Gambar 5.2 Box-Cox Plot Data Jumlah Kasus Baru Hipertensi di Kota Surabaya
Tahun 2013-2017

Box-cox plot dapat dilihat pada gambar 5.2 menunjukan rounded value lamda

sebesar 1 menunjukan bahwa data telah memenuhi syarat stasioner dalam varians

maupun stasioner dalam rata-rata.

5.2 Model Peramalan Exponential Smoothing Jumlah Kasus Baru Hipertensi

di Kota Surabaya Tahun 2018

Metode single exponential smoothing digunakan untuk peramalan jangka

pendek. Metode single exponential smoothing dapat digunakan pada data yang

stasioner dan tidak mengandung unsur tren maupun musiman. Data jumlah kasus

baru hipertensi di Kota Surabaya adalah stationer pada varians dan stasioner dalam
 36

rata-rata sehingga metode single exponential smoothing dapat digunakan dalam

peramalan jumlah kasus baru hipertensi di Kota Surabaya Tahun 2018.

5.2.1 Fitting Model Exponential Smoothing pada Jumlah Kasus Baru

Hipertensi di Kota Surabaya Tahun 2018

Single exponential smoothing memiliki konstanta smoothing berupa

parameter alpha yang berkisar dari 0 ke 1. Parameter α dapat diperoleh dengan cara

input data melalui aplikasi SPSS. Model terbaik dari hasil pengujian model single

exponential smoothing dengan parameter alpha 0,480 dan dengan signifikasni 0,000.

Persamaan pada model time series single exponential smoothing jumlah kasus baru

hipertensi di Kota Surabaya adalah sebagai berikut:

Ft+1 = Ft + α (Xt - Ft)

Ft+1 = Ft + 0,48 (Xt - Ft) (5.1)

Dimana :

Ft+1 = Nilai Peramalan untuk periode ke t+1

α = Bobot yang menunjukkan konstanta penghalus

Xt = Nilai riil periode ke t

Overfitting diperlukan untuk melihat parameter alpha yang diperoleh benar

benar fit pada model, sehingga dilakukan beberapa trial parameter alpha pada

aplikasi minitab. Hasil dari overfitting adalah sebagai berikut:

 37

Tabel 5.2 Overfitting Pada Model Single Exponential Smoothing Jumlah Kasus
Baru Hipertensi di Kota Surabaya Tahun 2018
Parameter Alpha MAPE MAD MSD
0,2 18 937 1445662
0,3 17 930 1386129
0,4 17 932 1371772
0,48 17 928 1361351
0,5 17 928 1374097

Tabel 5.2 dapat diketahui bahwa parameter alpha 0,48 memiliki nilai MAPE,

MAD, dan MSD paling kecil dibandingkan dengan parameter alpha yang lain.

Sehingga dapat dikatakan parameter alpha 0,48 paling cocok digunakan di single

exponential smoothing.

5.2.2 Pemeriksaan Diagnosa Untuk Error

Terdapat 2 cara dalam pemeriksaan diagnosa Single Exponential Smoothing,

yaitu dengan Uji White Noise dan Uji Normalitas. Berikut penjelasan mengenai Uji

White Noise dan Uji Normalitas metode Single Exponential Smoothing menggunakan

data jumlah kasus baru hipertensi di Kota Surabaya Tahun 2018

1. Uji White Noise

Uji White Noise dilakukan agar dapat mengetahui nilai error yang bersifat

independen, model single exponential smoothing harus bersifat white noise agar

dapat digunakan pada tahap selanjutnya. Suatu model dikatakan white noise apabila

nilai signifikansi pada uji Ljung-Box Q lebih dari α sebesar 0,05.

 38

Tabel 5.3 Hasil Uji White Noise Model Single exponential smoothing jumlah
kasus baru hipertensi di Kota Surabaya Tahun 2018
Model Nilai Ljung-Box Q
Statistik DF Signifikansi
Single Exponential 27.343 17 0.053
Smoothing

Tabel 5.3 menunjukkan bahwa model Single exponential smoothing memiliki

nilai signifikansi pada uji Ljung-Box Q sebesar 0,053 melebihi nilai α sebesar 0,05

maka dapat di simpulkan bahwa model Single exponential smoothing memenuhi

syarat white noise.

2. Uji normalitas

Uji Normalitas dilakukan untuk melihat apakah data yang akan digunakan

berdistribusi normal atau tidak. Metode Single Exponential Smoothing dapat

dilanjutkan apabila error berrdistribusi normal. Uji normalitas menggunakan uji

Kolmogorov-Smirnov Z. Hasil uji Kenormalan dapat dilihat pada tabel 5.4:

Tabel 5.4 Hasil Uji Normalitas Error Model Single Exponential Smoothing
Jumlah Kasus Baru Hipertensi di Kota Surabaya Tahun 2018
One-Sample Kolmogorov-Smirnov Test
N 60
Mean -182,28
Std. Deviation 1162,169
Kolmogorov-Smirnov Z 0,881
Asymp. Sig. (2-tailed) 0,420

Tabel 5.4 menunjukkan bahwa hasil pengujian normalitas pada Single

exponential smoothing memiliki nilai signifikansi Kolmogorov-Smirnov Z sebesar

0,420. Hasil ini menunjukkan bahwa nilai signifikansi Kolmogorov-Smirnov Z lebih

dari nilai α sebesar 0,05 sehingga hasil pengujian error dari model single exponential
 39

smoothing berdistribusi normal dan memenuhi syarat untuk dilakukan peramalan

dengan menggunakan metode Single Exponential Smoothing.

5.2.3 Hasil Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya

Tahun 2018 dengan Metode Exponential Smoothing

Hasil pemilihan model terbaik metode single exponential smoothing yang

akan digunakan untuk meramalkan jumlah kasus hipertensi tahun 2018 adalah

dengan parameter alpha 0,480. Grafik perbandingan antara data aktual dan hasil

peramalan dengan metode single exponential smoothing pada parameter α = 0,480

dapat dilihat pada gambar 5.3.

Gambar 5.3 Perbandingan Data Aktual dan Data Hasil Peramalan Jumlah Kasus
Hipertensi di Kota Surabaya Tahun 2018 dengan Metode Single
Exponential Smoothing
 40

Gambar 5.3 menunjukkan grafik hasil peramalan dengan metode single

exponential smoothing pada jumlah kasus hipertensi di Kota Surabaya. Hasil

peramalan pada α sebesar 0,480 menghasilkan nilai MAPE 17, MAD 928, dan MSD

1361351. Peramalan data jumlah kasus baru hipertensi di Kota Surabaya terlihat

sama atau tidak menunjukan perbedaan dari bulan Januari 2018 hingga bulan

Desember 2018. Hasil peramalan menggunakan aplikasi komputer didapatkan bahwa

jumlah kasus baru hipertensi di Kota Surabaya Tahun 2018 adalah 2926 kasus setiap

bulan atau sebesar 35.112 kasus baru hipertensi di Kota Surabaya Tahun 2018

5.3 Model Peramalan Moving Average Jumlah Kasus Baru Hipertensi di

Kota Surabaya Tahun 2018

Data jumlah kasus baru hipertensi di Kota Surabaya adalah stationer pada

varians dan stasioner dalam rata–rata sehingga metode single moving average dapat

digunakan. Metode single moving average atau rata-rata bergerak digunakan untuk

data yang berpola fluktuasi, tidak mengandung unsur tren dan musiman.

5.3.1 Fitting Model Moving Average pada Jumlah Kasus Baru Hipertensi di

Kota Surabaya Tahun 2018

Pergerakan rata-rata yang terjadi pada metode single moving average ini

dikenal dengan istilah orde. Langkah awal untuk melakukan peramalan dengan

metode single moving average adalah identifikasi pola data. Gambar 5.1 telah

menunjukkan bahwa data jumlah kasus hipertensi di Kota Surabaya berpola

fluktuasi, tidak mengandung unsur tren dan musiman.

 41

Langkah berikutnya adalah identifikasi orde untuk rata-rata bergerak dari

data. Penentuan orde dapat dilakukan dengan cara trial and error data jumlah kasus

hipertensi di Kota Surabaya pada software komputer. Hasil dari trial and error data

jumlah kasus hipertensi di Kota Surabaya ditunjukkan pada tabel 5.5.

Tabel 5.5 Perbandingan Orde dan Nilai MAPE pada Data Jumlah Kasus Baru
Hipertensi di Kota Surabaya dengan Metode Single Moving Average
Ordo MAPE MAD MSD
MA 2 17 951 1592052
MA 3 19 1021 1694315
MA 4 19 1023 1630299
MA 59 130 3326 11063065

Bedasarkan tabel 5.5 dapat diketahui bahwa nilai MAPE, MAD, dan MSD

terkecil diperoleh dari nilai ordo MA 2 dengan nilai MAPE 17, MAD 951, dan MSD

1592052. Oleh karena itu, dapat disimpulkan bahwa single moving average dengan

MA 2 merupakan model terbaik untuk melakukan peramalan data jumlah kasus baru

hipertensi di Kota Surabaya Tahun 2018.

5.3.2 Menentukan Model Terbaik Single Moving Average Pada Jumlah Kasus
Baru Hipertensi di Kota Surabaya

Single moving average memiliki parameter berupa orde. Kisaran orde

tergantung pada panjangnya data time series yang dimiliki. Parameter orde dapat

diperoleh dengan cara trial dan error pada software Minitab. Model terbaik dari hasil

pengujian model single moving average adalah dengan menggunakan parameter

orde2. Persamaan pada model time series single moving average jumlah kasus baru

hipertensi di Kota Surabaya adalah sebagai berikut:

 42

t t-1 t-n+1
t+1

t t-1 t-n+1
t+1 (5.2)

Dimana:

t = Nilai paling akhir

St-1 = Forecast Untuk Periode t+1

Xt = Data pada Periode ke t

= Jumlah data atau jangka waktu moving average nilai n merupakan

banyaknya periode dalam rata-rata bergerak

5.3.3 Hasil Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya

Tahun 2018 dengan Metode Moving Average

Model terbaik yang sudah ditentukan selanjutnya akan digunakan untuk

meramalkan jumlah kasus baru hipertensi di Kota Surabaya tahun 2018. Grafik

perbandingan data aktual dengan data hasil ramalan dengan metode single moving

average orde 2 dapat dilihat pada gambar 5.4.

 43

Gambar 5.4 Perbandingan Data Aktual dan Data Hasil Peramalan Jumlah Kasus
Hipertensi di Kota Surabaya dengan Metode Single Moving Average

Gambar 5.4 menunjukkan hasil menunjukkan hasil peramalan dengan metode

single moving average pada orde 2. Peramalan pada metode tersebut menghasilkan

nilai MAPE sebesar 17, nilai MAD sebesar 951, dan MSD 1592052. Persamaan

model yang digunakan untuk metode single moving average adalah MA dengan orde

2. Persamaan tersebut kemudian akan digunakan untuk meramalkan jumlah kasus

baru hipertensi di Kota Surabaya Tahun 2018. Hasil peramalan menggunakan

aplikasi komputer didapatkan bahwa jumlah kasus baru hipertensi di Kota Surabaya

adalah 2707 kasus baru setiap bulannya atau sebanyak 32.484 kasus baru hipertensi

di Kota Surabaya Tahun 2018

 44

5.4 Perbandingan Model dan Hasil Peramalan Jumlah Kasus Baru

Hipertensi di Kota Surabaya Tahun 2018 dengan Metode Exponential Smothing

dan Moving Average

5.4.1 Model Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya

Tahun 2018 dengan Metode Exponential Smothing dan Moving Average

Model terbaik antara single exponesial smoothing dan single moving average

dapat ditentukan dari perhitungan nilai error MAPE, MAD, dan MSD. Perbandingan

perhitungan nilai MAPE, MAD, dan MSD antara metode single exponential

smoothing dan single moving average dapat dilihat pada tabel 5.6.

Tabel 5.6 Model Terbaik Peramalan Jumlah Kasus Hipertensi di Kota Surabaya
Tahun 2018 Metode Single exponential smoothing dan Single Moving
Average Berdasarkan Hasil Perhitungan MAPE, MAD, dan MSD
terkecil.
Parameter Metode Single exponential Metode Single Moving
smoothing (α = 0,480 ) Average (MA 2)
MAPE 17 17
MAD 928 951
MSD 1361351 1592052

Dari Tabel 5.6 dapat diketahui bahwa untuk metode single exponential

smoothing nilai MAPE sebesar 17, nilai MAD sebesar 928, dan MSD sebesar

1361351. Sedangkan untuk metode single moving average nilai MAPE adalah 17,

nilai MAD sebesar 951, dan nilai MSD sebesar 1592052. Berdasarkan Tabel 5.6

dapat disimpulkan bahwa model terbaik untuk meramalkan jumlah kasus hipertensi
 45

di Kota Surabaya adalah dengan menggunakan metode single exponential

smoothing.

5.4.2 Hasil Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya

Tahun 2018 dengan Metode Exponential Smothing dan Moving Average

Dari persamaan single exponential smoothing dan single moving average

yang didapat, maka akan digunakan untuk meramalkan jumlah kasus baru hipertensi

di Kota Surabaya Tahun 2017 dan data faktual jumlah kasus baru hipertensi di Kota

Surabaya Tahun 2017 akan dijadikan gold standard. Perbandingan peramalan

metode single exponential smoothing dan single moving average dengan data faktual

dapat dilihat pada tabel 5.7 berikut:

Tabel 5.7 Perbandingan Peramalan Metode Single exponential smoothing dan

Single Moving Average dengan Data Faktual pada Jumlah Kasus Baru
Hipertensi di Kota Surabaya Tahun 2017
Single Exponential
Single Moving Average
Kejadian Smoothing (α =
(MA 2)
Bulan Hipertensi 0,480)
2017 Selisih Selisih
Peramalan Peramalan
Absolut Absolut
Januari 5781 4612 -1169 4498 -1283
Februari 5521 4612 -909 4498 -1023
Maret 5557 4612 -945 4498 -1059
April 4614 4612 -2 4498 -116
Mei 4631 4612 -19 4498 -133
Juni 3028 4612 1584 4498 1470
Juli 3397 4612 1215 4498 1101
Agustus 2995 4612 1617 4498 1503
September 3048 4612 1564 4498 1450
Oktober 4128 4612 484 4498 370
November 2850 4612 1762 4498 1648
Desember 2564 4612 2048 4498 1943
 46

Tabel 5.8 Paired t-test Selisih Peramalan Metode Single exponential smoothing
dan Single Moving Average dengan Data Faktual pada Jumlah Kasus
Baru Hipertensi di Kota Surabaya Tahun 2017
Rata-Rata
Metode Paired T-Test
Selisih Absolut
Single exponential smoothing
̅ = 602,50 p-value = 0,105
(parameter α = 0,480)
Single moving average (MA 2) ̅ = 488,50 p-value = 0,179

Nilai paired t-test dari metode single exponential smoothing dan single

moving average menunjukan bahwa keduanya tidak memiliki perbedaan yang

signifikan dengan data kejadian jumlah kasus baru hipertensi tahun 2017, karena

memiliki nilai p-value yang lebih besar dari alpha. Tabel 5.8 menunjukkan nilai rata-

rata dari metode single exponential smoothing sebesar 602,50 sedangkan nilai rata-

rata dari metode single moving average sebesar 488,50 lebih kecil dari nilai rata-rata

metode single exponential smoothing. Uji yang akan dilakukan berikutnya adalah uji

independent t-test antara masing masing selisih absolut untuk mengetahui perbedaan

antara rata-rata selisih exponential smoothing dan rata-rata selisih moving average.

Tabel 5.9 Uji Independent T-Test untuk Selisih Absolut Metode Single
Exponential Smoothing dan Single Moving Average
Levene's Test t-test
F Signifikansi T df Signifikansi
(2-tailed)
Selisih 0.000 1 0,237 22 0,815
Absolut 0,237 22 0,815
 47

Pada Levene’s Test, apabila varians homogen (p>α) maka hasil signifikansi t-

test yang dibaca adalah pada baris pertama, namun apabila varians heterogen (p < α)

maka pembacaan signifikansi t-test dilakukan pada baris kedua. Tabel 5.9

menunjukkan nilai p adalah sebesar 1 maka varians adalah homogen dan nilai

signifikansi t-test adalah 0,815 (lebih besar dari α 0,05) sehingga dapat disimpulkan

bahwa tidak ada perbedaan antara selisih absolut metode single exponential

smoothing dan single moving average.

Dari beberapa pengujian diatas dapat disimpulkan bahwa metode single

exponential smoothing lebih baik daripada metode single moving average karena

hasil paired t-test didapatkan bahwa kedua metode tidak ada yang signifikan dan

hasil independent t-test menunjukkan bahwa rata-rata selisih absolut kedua metode

menunjukkan tidak ada perbedaan. Namun tiga parameter pengukuran tingkat

kesalahan peramalan yakni MAPE, MAD dan MSD menunjukkan bahwa metode

single exponential smoothing merupakan model terbaik untuk meramalkan data

jumlah kasus hipertensi di Kota Surabaya karena nilai MAPE, MAD, dan MSD

metode single exponential smoothing lebih kecil dibanding metode single moving

average.
 BAB VI

PEMBAHASAN

6.1 Gambaran Jumlah Kasus Baru Hipertensi di Kota Surabaya Tahun

2013- 2017

Penyakit tidak menular juga dikenal sebagai penyakit kronis, tidak ditularkan

dari orang ke orang. Penyakit ini memiliki durasi panjang dan umumnya

berkembang lambat. Empat jenis utama penyakit tidak menular adalah penyakit

kardiovaskular (seperti serangan jantung, hipertensi dan stroke), kanker, penyakit

pernapasan kronis (seperti penyakit paru obstruktif kronis dan asma) dan diabetes

melitus (DM).

PTM menunjukkan adanya kecenderungan semakin meningkat dari waktu ke

waktu. Menurut hasil Riset Kesehatan Dasar (Riskesdas) tahun 2007 dan 2013,

tampak kecenderungan peningkatan prevalensi PTM seperti diabetes, hipertensi,

stroke, dan penyakit sendi/rematik/encok. Fenomena ini diprediksi akan terus

berlanjut. Berbagai faktor risiko PTM diantaranya adalah merokok dan keterpaparan

terhadap asap rokok, diet/pola makan tidak sehat, kurang aktivitas fisik, konsumsi

minuman beralkohol, dan riwayat keluarga (keturunan). Adapun faktor risiko antara

terjadinya PTM adalah obesitas, tekanan darah tinggi, gula darah tinggi, dan

kolesterol tinggi. Prinsip upaya pencegahan tetap lebih baik dari pengobatan.

Upaya pencegahan penyakit tidak menular lebih ditujukan kepada faktor

risiko yang telah diidentifikasi. Sehubungan dengan hal tersebut, Kementerian

48
 49

Kesehatan telah mengembangkan program pengendalian PTM sejak tahun 2006.

Upaya pengendalian faktor risiko PTM yang telah dilakukan berupa promosi

Perilaku Hidup Bersih dan Sehat melalui perilaku CERDIK, yaitu Cek kesehatan

secara berkala, Enyahkan asap rokok, Rajin aktivitas fisik, Diet sehat seimbang,

Istirahat yang cukup, dan Kelola stres. Cek kesehatan secara berkala yaitu

pemeriksaan faktor risiko PTM dapat dilakukan melalui Pos Pembinaan Terpadu

(Posbindu) PTM, Upaya pengendalian PTM tidak akan berhasil jika hanya dilakukan

oleh Kementerian Kesehatan tanpa dukungan seluruh jajaran lintas sektor, baik

pemerintah, swasta, organisasi profesi, organisasi kemasyarakatan, bahkan seluruh

lapisan masyarakat. (Profil Kesehatan Republik Indonesia, 2016).

Upaya pencegahan dan pengendalian PTM di Kota Surabaya sudah berjalan

cukup lama. Kegiatan yang rutin dilakukan di puskesmas dalam rangka pencegahan

dan pengendalian PTM antara lain pengukuran tekanan darah untuk hipertensi (Profil

Kesehatan Kota Surabaya, 2016). Berdasarkan Prevalensi Hipertensi dari tahun ke

tahun di Kota Surabaya selalu masuk dalam 10 penyakit terbanyak (Dinkes

Surabaya, 2014).

Jumlah kasus baru hipetensi di Kota Surabaya dari tahun ke tahun mengalami

fluktuasi misalnya saja pada tahun 2016 ke tahun 2017 jumlah kasus baru hipertensi

di Kota Surabaya mengalami penurunan yang yaitu dari 59.202 kasus baru menjadi

48.114 kasus baru (Rekapan Laporan SKP Puskesmas). Turunnya kejadian hipertensi
 50

ditengah-tengah masyarakat perlu dikaji secara mendalam dan diketahui faktor yang

mempengaruhinya.

6.2 Model Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya

Tahun 2018 dengan Metode Exponential Smoothing

Data Time series dalam penelitian ini adalah data jumlah kasus baru

hipertensi di Kota Surabaya. Data yang diambil adalah data bulanan, mulai tahun

2013 sampai dengan tahun 2017 sehingga terdapat 60 data.

Langkah pertama dalam melakukan peramalan dengan metode single

exponential smoothing adalah dengan melihat apakah data tersebut telah stasioner

dalam rata-rata dan varians atau tidak. Menurut Kuntoro (2015), stasioner adalah

keadaan data selalu konstan dalam varian dan rata-rata. Apabila suatu data tidak

stasioner dalam varian, maka dapat dilakukan transformasi. Apabila suatu data tidak

stasioner dalam rata-rata, maka dapat dilakukan differencing. Data yang digunakan

dalam peramalan jumlah kasus baru hipertensi di Kota Surabaya telah stasioner

dalam varian maupun rata-rata sehingga tidak perlu dilakukan proses transformasi

maupun proses differencing karena nilai lambda (Rounded Value) telah menunjukkan

angka 1.

Metode single exponential smoothing atau simple exponential smoothing,

metode ini digunakan untuk peramalan jangka pendek. Model ini memiliki kelebihan

untuk digunakan pada data berfuluktuasi di sekitar nilai mean yang tetap atau data

stationer, sedangkan data jumlah kasus hipertensi di Kota Surabaya adalah stationer
 51

dalam varians dan juga rata-rata sehingga metode single exponential smoothing

dapat digunakan untuk meramalkan. Pola data jumlah kasus hipertensi di Kota

Surabaya tahun 2013 sampai dengan 2017 per tahun membentuk pola fluktuasi tanpa

unsur musiman maupun tren.

Menurut Fachrurrazi S (2015), metode single exponential smoothing

membutuhkan nilai parameter alpha (α) sebagai nilai parameter pemulusan. Untuk

mendapatkan nilai parameter α yang tepat pada umumnya dilakukan dengan trial and

error untuk menentukan nilai kesalahan terendah. Nilai parameter α dilakukan

dengan membandingkan menggunakan interval pemulusan antar 0 < α < 1. Metode

single exponential smoothing tidak melihat pola data yang akan diramalkan dan hasil

dari peramalan metode ini akan cenderung lurus pada grafik. Metode ini sangat tepat

untuk data yang berpola fluktuasi random. Selain itu, metode single exponential

smoothing ini juga memberikan bobot yang relatif lebih tinggi pada nilai pengamatan

terbaru dibanding nilai-nilai periode sebelumnya.

6.2.1 Fitting Model Exponential Smoothing pada Jumlah Kasus Baru

Hipertensi di Kota Surabaya Tahun 2018

Untuk memastikan bahwa model yang telah diestimasi lebih dahulu

merupakan suatu model yang lebih baik maka perlu dilakukan Overfitting. Kemudian

nilai-nilai statistik yang diperoleh dibandingkan dengan model yang telah ditetapkan

untuk melihat kecocokan dari model yang sedang dipelajari. Overfitting dalam model
 52

single exponential smoothing menghasilkan nilai MAPE 17, MAD 928, dan MSD

1361351 paling kecil dibandingkan dengan parameter alpha yang lainnya.

Perbandingan ini dimaksudkan untuk menyakinkan bahwa model yang telah

ditetapkan adalah model yang terbaik. Fenomena model yang baik dengan nilai

parameter-parameternya yang signifikan secara statistik serta memiliki nilai error

yang random. Fenomena ini yang disebut dengan overfitting untuk membentuk

model matematis yang cocok untuk data-data historis (Montgomery et al, 2008).

Sehingga persamaan matematis yang dihasilkan akan cocok dengan data historis

sehingga memberikan hasil peramalan yang baik.

6.2.2 Pemeriksaan Error

Menurut Wei (2006), cek diagnosa dilakukan untuk mendapatkan hasil

peramalan yang baik. Cek diagnosa dilakukan dengan menguji apakah error sudah

White Noise dan berdistribusi normal atau tidak. Error dikatakan sudah White Noise

apabila nilai error > α, dengan α sebesar 0,05. Uji White Noise dilihat melalui tabel

Ljung-Box sedangkan uji normalitas dilihat dari tabel normalitas Kolmogorov-

Smirnov Z. Menurut Lestari dan Wahyuningsih (2012), suatu model bersifat white

noise artinya error dari model tersebut telah memenuhi asumsi identik (variasi error

homogen) serta independen (antar error tidak berkorelasi). Menurut Imam Ghozali

(2013) tujuan dari uji normalitas adalah untuk mengetahui apakah masing-masing

variabel berdistribusi normal atau tidak. Uji normalitas diperlukan untuk mengetahui

nilai error distribusi normal. Jika asumsi ini dilanggar maka uji statistik menjadi
 53

tidak valid dan tidak dapat digunakan. Salah satu uji yang biasa digunakan untuk

menguji normalitas data adalah Kolmogorof-Smirnov Z test. Apabila nilai

signifikansi p-value > 0,05, maka berdistribusi normal.

Hasil dari uji White Noise pada metode single exponential smoothing

memiliki nilai signifikansi sebesar 0,053. Nilai ini lebih besar dari nilai α, jadi dapat

disimpulkan bahwa white noise dan dapat dilakukan uji selanjutnya.

Hasil uji Normalitas pada metode single exponential smoothing memiliki

nilai signifikansi Kolmogorov-Smirnov Z sebesar 0,420 dengan ini menunjukkan

bahwa nilai signifikansi Kolmogorov-Smirnov Z maka model single exponential

smoothing tersebut memenuhi syarat dan dapat digunakan untuk peramalan.

6.2.3 Hasil Peramalan dengan Exponential Smoothing Jumlah Kasus Baru

Hipertensi di Kota Surabaya Tahun 2018

Hasil uji metode single exponential smoothing yang akan digunakan untuk

meramalkan jumlah kasus baru hipertensi di Kota Surabaya tahun 2018

menggunakan nilai parameter alpha sebesar 0,480 yang memiliki nilai signifikansi

sebesar 0,000, dengan persamaan model single exponential smoothing:

FT+1 = FT+ 0,48 (XT - Ft)

Hasil peramalan setiap bulannya menggunakan bantuan aplikasi komputer

dari metode single exponential smoothing sama, yaitu sebesar 2926 kejadian. Hal ini

di dukung sesuai penelitian Yuniastari (2014) metode exponential smoothing

peramalan dilakukan dengan memberikan bobot lebih besar pada data terbaru,
 54

artinya peramalan untuk periode berikutnya akan bergantung pada satu periode

sebelumnya. Hasil ramalan bulan Januari 2016 bergantung pada data aktual bulan

Desember 2015, sehingga ramalan bulan Februari akan bergantung pada hasil

ramalanbulan Januari 2016 dan begitu seterusnya, sehingga diperoleh jumlah kasus

baru hipertensi di Kota Surabaya Tahun 2018 tetap atau sama.

6.3 Model Peramalan Jumlah Kasus Baru Hipertensi di Kota Surabaya

Tahun 2018 Moving Average

Metode single moving average merupakan metode peramalan dengan

menggunakan pergerakan rata-rata periode sebelumnya untuk meramalkan periode

selanjutnya. Metode ini sangat baik digunakan untuk data yang berpola fluktuasi dan

tidak ada unsur tren maupun musiman (Faisal,2017). Pergerakan rata-rata ini dapat

disebut sebagai orde. Orde pada metode single moving average dapat ditentukan

dengan cara trial and error. Orde dengan nilai MAPE, MSD, dan MAD yang terkecil

yang akan dipilih untuk digunakan dalam model (Makridakis, 1988). Pola data

jumlah kasus hipertensi di Kota Surabaya membentuk pola naik turun tanpa adanya

pola tren ataupun musiman. Pola data seperti ini tepat untuk dilakukan peramalan

dengan metode single moving average.

6.3.1 Fitting Model Moving Average pada Jumlah Kasus Baru Hipertensi di

Kota Surabaya Tahun 2018

Overfitting model single moving average untuk memastikan maka dilakukan

overfitting model yakni dengan menaikkan atau menurunkan nilai orde. Dalam
 55

penelitian kali ini orde yang dipilih adalah MA 2, MA 3, MA4, dan MA 59.

Pemilihan model single moving average terbaik apabila memiliki nilai MAPE,

MAD, dan MSD paling kecil. Hasil yang didapatkan adalah orde MA 2 adalah model

terbaik dengan nilai MAPE 17, MAD 951, dan MSD 1592052. Hal ini sesuai dengan

penelitian dari Sumarsono (2018) bahwa overfitting model dilakukan untuk mencari

model terbaik dengan melihat nilai error yang paling kecil.

6.3.2 Menentukan Model Moving Average pada Jumlah Kasus Baru

Hipertensi di Kota Surabaya Tahun 2018

Menurut Makridakis, et al (1999), penentuan parameter secara trial and error

membutuhkan waktu yang lama karena semua nilai orde dimasukkan ke dalam

aplikasi komputer untuk di uji coba agar dapat mengetahui dan dapat memilih nilai

error yang terkecil. Penentuan orde secara trial and error dapat menghasilkan nilai

orde yang maksimal, sehingga mendapatkan tingkat kesalahan terkecil. Semakin

kecil nilai MAPE menunjukkan ketepatan model yang lebih baik

Semakin kecil nilai MAPE, MAD, dan MSD menunjukkan ketepatan model

yang lebih baik.Widiarsi (2015) dalam penelitiannya juga mengatakan bahwa untuk

menentukan model terbaik maka perlu dilihat nilai MAPE, MAD, dan MSD yang

paling kecil. Semakin kecil nilai MAPE, MAD, dan MSD maka semakin baik dan

model layak untuk digunakan. Hasil penelitian menunjukkan bahwa model terbaik

single exponential smoothing. Pemilihan nilai error yang digunakan untuk

 56

menentukan metode terbaik dalam penelitian ini adalah menggunakan nilai MAPE,

MAD, dan MSD.

Hasil penelitian menunjukkan bahwa hasil ramalan pada periode ke 61

hingga periode ke 72 menghasilkan nilai sebesar 2707. Hasil peramalan tahun 2018

menunjukkan angka yang sama. Hal ini bisa menjadi indikasi bahwa jumlah kasus

baru Hipertensi di Kota Surabaya pada tahun 2017 dapat ditekan.

6.3.3 Hasil Peramalan dengan Moving Average Jumlah Kasus Baru

Hipertensi di Kota Surabaya Tahun 2018

Hasil uji metode single moving average yang akan digunakan untuk

meramalkan jumlah kasus baru hipertensi di Kota Surabaya tahun 2018

menggunakan orde 2 (MA 2) yang memiliki nilai MAPE, MSD, dan MAD terkecil,

dengan persamaan model single moving average sebagai berikut:

t t-1 t-n+1
t+1

Orde yang diujicobakan pada penelitian ini adalah MA(2), MA(3), MA(4),

MA(5). Penggunaan model peramalan single moving average dengan orde 2 (MA 2)

menghasilkan nilai MAPE sebesar 17 artinya rata-rata selisih/error antara data aktual

dengan data hasil ramalan sebesar 17% yang artinya kesalahan hasil ramalan pada

orde 2 yaitu sebesar 17% dari data aktual. Peramalan single moving average dengan

MA (3), MA (4) menghasilkan nilai MAPE sebesar 19 artinya rata-rata error antara

data aktual dengan data hasil ramalan sebesar 19% yang artinya kesalahan hasil

ramalan pada orde 3 yaitu sebesar 19% dari data aktual. Sedangkan untuk MA (59)
 57

menghasilkan nilai MAPE sebesar 130 artinya rata-rata error antara data aktual

dengan data hasil ramalan sebesar 130% yang artinya kesalahan hasil ramalan pada

orde 3 yaitu sebesar 130% dari data aktual.

Hasil trial and error orde menghasilkan nilai MAPE, MSD, dan MAD yang

kecil, dari nilai tersebut maka peramalan yang dihasilkan tergolong peramalan yang

akurat karena kesalahan yang dihasilkan kurang 50-80% sehingga hasil ramalannya

tidak melenceng jauh dari data aktual (Dwi, 2016). Nilai MAPE, MAD, dan MSD

terkecil dihasilkan pada peramalan dengan orde 2. Model single moving average

orde 2 selanjutnya akan digunakan untuk melakukan peramalan jumlah kasus baru

hipertensi di Kota Surabaya. Hasil peramalan kejadian baru kasus hipertensi adalah

sama setiap bulannya yaitu 2707.

6.4 Perbandingan Hasil Peramalan Metode Single exponential smoothing

dan Single Moving Average

Penentuan metode terbaik dari beberapa metode peramalan ditentukan oleh

beberapa faktor. Faktor yang mempengaruhi seperti banyaknya data yang digunakan,

unsur-unsur yang ada pada data tersebut, dan nilai parameter error yang dihasilkan

oleh metode tersebut. Akurasi dari suatu metode peramalan dapat dilihat dengan

mebandingkan nilai dari hasil peramalan yang didapatkan dengan data aktualnya

yang bisa disebut error (Arsyad, 2009). Perbandingan metode satu dengan metode

lainnya dapat dilakukan dengan melihat dan membandingkan nilai ukuran tingkat

perbedaan hasil ramalan dengan data aktual. Salah satu ukuran yang sering
 58

digunakan untuk mengevaluasi suatu metode peramalan yaitu MAPE (Mean

Absolute Percentage Error). MAPE adalah suatu teknik yang menggunakan

kesalahan relatif dari masing-masing nilai peramalan untuk mengukur ketepatan

peramalan (Salim dan Qoyyimah, 2007).

MAPE merupakan nilai tengah dari kesalahan persentase absolute dari suatu

peramalan (Wardhani dan Pereira, 2010). MAPE dapat dihitung dengan cara

menghitung rata-rata persentase kesalahan dari hasil peramalan. Nilai MAPE terkecil

pada peramalan jumlah kasus hipertensi di Kota Surabaya dengan metode single

exponential smoothing dihasilkan pada parameter α 0,48 dengan signifikansi 0,000

sedangkan dengan metode single moving average dihasilkan pada MA (2). Metode

single exponential smoothing menghasilkan nilai MAPE lebih kecil dibanding

metode single moving average.

Parameter lain yang dapat digunakan untuk menentukan metode peramalan

terbaik adalah MAD (Mean Absolute Deviation). MAD untuk mengukur akurasi

peramalan dengan merata-ratakan kesalahan peramalan atau nilai absolutnya. Dapat

digunakan untuk mengukur kesalahan peramalan dalam unit ukuran yang sama

seperti data aslinya (Makridakis, 1999). Perbandingan nilai MAD menunjukkan

bahwa metode Metode single exponential smoothing menghasilkan nilai MAD lebih

kecil dibanding metode single moving average. Hal ini sesuai dengan penelitian yang

dilakukan oleh Dwi (2016) tentang perbandingan metode peramalan exponential

smoothing dan moving average untuk kasus TB Paru yang menyatakan bahwa nilai
 59

MAPE dan MAD pada metode single exponential smoothing lebih kecil dariapada

metode single moving average. Metode exponential smoothing menghasilkan nilai

ramalan berdasarkan pada pembobotan data yang terbaru, sehingga nilai hasil

ramalan yang dihasilkan tidak berbeda jauh dengan nilai aktual. Selisih/eror juga

akan dihasilkan lebih kecil.

MSD merupakan ukuran absolut yang sangat tergantung pada skala dari time

series dan juga nilai MSD tidak bersifat intuitif karena ukuran ini menyangkut

pengkuadratan sederetan nilai (Makridakis, 1999). Dalam penelitian ini parameter

MSD menunjukan bahwa metode single exponential smoothing menghasilkan nilai

MSD lebih kecil dibanding metode single moving average. Hal ini sesuai dengan

penelitian yang dilakukan oleh Suci (2017) yang berjudul Perbandingan Metode

Double Exponential Smoothing dari Holt dan ARIMA Peramalan ODHA Jawa

Timur yang mengatakan bahwa dalam menetapkan model terbaik yang akan

digunakan untuk peramalan, pilihlah model dengan nilai MAPE, MAD dan MSD

yang paling kecil

Nilai paired t-test dari metode single exponential smoothing dan single

moving average menunjukan bahwa keduanya tidak signifikan dengan data kejadian

jumlah kasus baru hipertensi tahun 2017, hal ini berarti kedua model sama-sama

buruk. Berdasarkan nilai rata-rata error, metode single exponential smoothing lebih

besar daripada nilai rata-rata error dari metode single moving average namun setelah

dilakukan independent t-test ternyata hasil yang diperoleh adalah varians homogen
 60

sehingga tidak ada perbedaan antara rata-rata error metode single exponential

smoothing dan single moving average. Berdasarkan nilai MAPE, MAD, MSD

metode single exponential smoothing lebih baik daripada single moving average.

Berdasarkan beberapa pertimbangan tersebut dapat disimpulkan bahwa peramalan

jumlah kasus baru hipertensi di Kota Surabaya Tahun 2018 lebih tepat menggunakan

metode single exponential smoothing.

Hasil peramalan dari metode terbaik yang dipilih menunjukkan jumlah kasus

baru hipertensi di Kota Surabaya Tahun 2018 yang konstan atau sama setiap

bulannya. Jumlah tersebut dilatar belakangi sistem pemulusan dan pengurangan

fluktuasi hasil ramalan dari metode single exponential smoothing. Menurut

Yuniastari (2014) metode exponential smoothing peramalan dilakukan dengan

memberikan bobot lebih besar pada data terbaru, artinya peramalan untuk periode

berikutnya akan bergantung pada satu periode sebelumnya.

Metode single exponential smoothing digunakan untuk pola data yang

bersifat tidak stabil atau perubahannya bergejolak. Berdasarkan penelitian ini metode

single exponential smoothing lebih baik dibandingkan dengan metode single moving

average. Hal ini dapat terjadi karena metode peramalan ini bekerja dengan cara

mempertahankan atau mengontrol error dari nilai hasil ramalan dengan data aktual.

Menurut Makridakis (1988), pada dasarnya konsep yang digunakan dalam

meramalkan suatu data merupakan lanjutan pola dari data berdasarkan fakta empiris

pada runtutan waktu sebelumnya atau biasa disebut dengan data time series. Apabila
 61

data diwaktu sebelumnya menunjukkan peningkatan, maka hasil ramalan juga akan

mengalami peningkatan. Begitu pula sebaliknya, jika runtutan waktu sebelumnya

data mengalami penurunan, maka hasil peramalan juga akan mengalami penurunan
 BAB VII

KESIMPULAN DAN SARAN

7.1 Kesimpulan

Kesimpulan yang didapat dari hasil penelitian ini yang mengaplikasikan

metode single exponential smoothing dan single moving average pada data jumlah

kasus baru hipertensi di Kota Surabaya adalah sebagai berikut:

1. Jumlah kasus baru hipertensi di Kota Surabaya Tahun 2013-2017 mengalami

fluktuasi dan jumlah kasus baru paling tinggi berada pada bulan Februari

2015 yaitu sebanyak 10.044 kasus.

2. Permodelan single exponential smoothing jumlah kasus baru hipertensi di

Kota Surabaya adalah Ft+1 = Ft + 0,48 (Xt - Ft).

3. Permodelan single Moving Average jumlah kasus baru hipertensi di Kota

t t-1 t-n+1
Surabaya adalah t+1 dengan menggunakan orde 2

(MA2).

4. Hasil peramalan dari permodelan single exponential smoothing setiap

bulannya sama yaitu sebesar 2926 kasus baru, sedangkan single moving

average memiliki hasil peramalan 2707 kasus baru. Berdasarkan nilai

parameter error MAPE, MAD, dan MSD yang lebih rendah, maka metode

single exponential smoothing lebih baik daripada single moving average.

62
 63

7.2 Saran

1. Hasil penelitian dapat dijadikan sebagai acuan untuk peneliti lain melakukan

peramalan jumlah kasus hipertensi di Kota Surabaya.

2. Hasil ramalan dari penelitian dapat digunakan sebagai masukan dalam

penentuan kebijakan atau program yang berkaitan dengan pengendalian kasus

hipertensi seperti promosi kesehatan, perencanaan obat-obatan, serta tenaga

kesehatan.

3. Penelitian dengan metode lain diperlukan untuk dapat melihat faktor resiko

hipertensi sehingga intervensi dapat dilakuakn secara tepat sasaran.

 DAFTAR PUSTAKA

Agung. 2009. Penerapan Metode Single Moving Average dan Exponential

Smoothing dalam Peramalan Permintaan Produk Meubel Jenis Coffee Table
pada Java Furniture. Skripsi. Universitas Sebelas Maret.

Departemen Kesehatan Republik Indonesia., 2006. Pedoman Teknis Penemuan dan

Tatalaksana Penyakit Hipertensi. Jakarta

Chang, A. 1987. Dasar-dasar Matematika. Jakarta: Erlangga.

Ghozali, Imam. 2013. Aplikasi Analisis Multivariate dengan Program IBM SPSS 21
Update PLS Regresi. Semarang: Badan Penerbit Universitas Diponegoro.

Inayah, Z. 2010. Perbandingan Metode Holt and Brown pada Double Exponential
Smoothing. Tesis. Surabaya: Universitas Airlangga

Kartikasari, A.N., 2012. Faktor Risiko Hipertensi Pada Masyarakat Kabongan Kidil,
Kabupaten Rembang. Laporan Hasil Penelitian Karya Tulis Ilmiah. Semarang:
Universitas Diponegoro.

Lestari, N. dan Wahyuningsih, N., 2012, Peramalan Kinjungan Wisata Dengan

Pendekatan Model SARIMA, Jurnal Sains dan Seni ITS, vol. 1, no. 1, pp. 29-
30

Makridakis, S., dan Wheelwright, S.C., 1999. Metode dan Aplikasi Peramalan.
Jakarta: Binarup Aksara.

Makridakis, S., dan Mcbee, V.E., 2005. Metode dan Aplikasi Peramalan. Jakarta:
Erlangga.

Makridakis, S., Wheelwright, S.C., dan McGee, V.E., 1998. Metode dan
AplikasiPeramalan. Jakarta: Erlangga.

Montgomery, D. C., Jennings, C. L., Kulahci, M. 2008. Introduction to Time Series

Analysis and Forecasting. John Wiley & Sons: Hoboken, New Jersey.

Munawaroh, Astin Nurhayati. 2010. Peramalan Jumlah Penumpang Pada PT.

Angkasa Pura I (Persero) Kantor Cabang Bandar Udara Internasional
Adisutjipto Yogyakarta Dengan Metode Winter’s Exponetial Smoothing dan
Seasonal Arima. Skripsi. Yogyakarta: Universitas Negeri Yogyakarta.

64
 65

Ningtiyas, Suci Retno. 2017. Perbandingan Metode Double Exponential Smoothing

Holt dan ARIMA (Peramalan ODHA di Provinsi Jawa Timur 2018). Skripsi.
Surabaya: Universitas Airlangga

Salim, Lutfi Agus dan Mazro’atul Qoyyimah. 2007. Perbandingan Analisis Trend
dan Holt Double Eksponensial Smoothing dalam Meramalkan Angka
Kematian Bayi di Jawa Timur. Jurnal Biostatistik dan Kependudukan.
Surabaya: Universitas Airlangga

Sumarsono. 2018. Penyusunan Target Penjualan dengan Menggunakan Metode

Autoregresive Integrated Moving Average (ARIMA) Box Jenkins. Jurnal
Reaktom, Volume 01 No.02. pp. 45-49. Jombang: Universitas Hasyim Asy’ari

Sungkawa, Ira. dan Ries Tri Megasari. Penerapan Ukuran Ketepatan Nilai Ramalan
Data Deret Waktu Dalam Seleksi Model Peramalan Volume Penjualan PT
Satriamandiri Citramulia. Jurnal Publikasi. Jakarta Barat: Universitas Binus

Tanuwijaya, H. 2010. Penerapan Metode Winter’s Exponential Smoothing dan

Single Moving Average dalam Sistem Informasi Pengadaan Obat Rumah
Sakit. Prosiding Seminar Nasional Manajemen Teknologi XI

Wardhani, A.R dan Pereira, S M. 2010. Studi Analisis Peramalan dengan Metode
Deret Berkala. Widya Teknika

Wei, W. 2006. Time Series Analysis: Univariate and Multivariate Methods. New
York: Addison-Wesley Publishing Co. (Online), (http://staff.ub.ac.id/) diakses
25 November 2018

Widiarsi, N.I., dan Retno. R.S., 2015. Analisis Komparasi Holt Winter Dan Sarima
Pada Peramalan Statistik Wisatawan Asing Kraton Yogyakarta. Seminar
Nasional Matematika dan Pendidikan Matematika. ISBN .978-602-73403- 0-
5.

Yuniastari, K dan Wirawan, IGP. 2014. “Permintaan Produk Perak Menggunakan

Metode Moving Average dan Exponential Smoothing”. Jurnal Sistem
Informatika
 66

Lampiran 1 Surat Izin Penelitian

 67

Lampiran 2 Surat Rekomendasi Penelitian

 68

Lampiran 3 Data dari Dinas Kesehatan Kota Surabaya

 69

Lampiran 4 Surat Keterangan Selesai Pengambilan Data

 70

Lampiran 5 Sertifikat Etik Penelitian

 71

Lampiran 6 Output SPSS

Time Series Modeler

Model Description

Model Type

Model ID hipertensi Model_1 Simple

Model Summary
Model Fit

Fit Statistic Mean SE Minimu Maximu Percentile

m m 5 10 25 50 75 90 95

Stationary R- .078 . .078 .078 .078 .078 .078 .078 .078 .078 .078
squared
R-squared .489 . .489 .489 .489 .489 .489 .489 .489 .489 .489
1176.5 . 1176.5 1176.59 1176.5 1176.5 1176.5 1176.5 1176.5 1176.5 1176.59
RMSE
99 99 9 99 99 99 99 99 99 9
MAPE 16.772 . 16.772 16.772 16.772 16.772 16.772 16.772 16.772 16.772 16.772
MaxAPE 60.056 . 60.056 60.056 60.056 60.056 60.056 60.056 60.056 60.056 60.056
928.57 . 928.57 928.575 928.57 928.57 928.57 928.57 928.57 928.57 928.575
MAE
5 5 5 5 5 5 5 5
3917.5 . 3917.5 3917.52 3917.5 3917.5 3917.5 3917.5 3917.5 3917.5 3917.52
MaxAE
23 23 3 23 23 23 23 23 23 3
Normalized BIC 14.209 . 14.209 14.209 14.209 14.209 14.209 14.209 14.209 14.209 14.209

Model Statistics

Model Number of Model Fit Ljung-Box Q(18) Number of

Predictors statistics Outliers
Stationary R- Statistics DF Sig.
squared

hipertensi-Model_1 0 .078 27.343 17 .053 0

 72

Paired T-Test
Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean

Riil_2017 4009.50 12 1179.731 340.559

Pair 1
Peramalan_SES 4612.0000 12 .00000 .00000
Riil_2017 4009.50 12 1179.731 340.559
Pair 2
Peramalan_SMA 4498.0000 12 .00000 .00000

Paired Samples Correlations

N Correlation Sig.

Pair 1 Riil_2017 & Peramalan_SES 12 . .

Pair 2 Riil_2017 & Peramalan_SMA 12 . .
 73

Paired Samples Test

Paired Differences t df Sig. (2-

Mean Std. Std. Error 95% Confidence tailed)

Deviation Mean Interval of the

Difference

Lower Upper

- 1179.7313 340.55911 - 147.06555 -1.769 11 .105

Pair Riil_2017 -
602.500 6 1352.0655
1 Peramalan_SES
00 5
- 1179.7313 340.55911 - 261.06555 -1.434 11 .179
Pair Riil_2017 -
488.500 6 1238.0655
2 Peramalan_SMA
00 5

T-Test
Group Statistics

Metode N Mean Std. Deviation Std. Error Mean

SES 12 602.5000 1179.73136 340.55911

Selisih
SMA 12 488.5000 1179.73136 340.55911

Independent Samples Test

Levene's Test t-test for Equality of Means

for Equality of
Variances
F Sig. t df Sig. (2- Mean Std. Error 95% Confidence
tailed) Differenc Differenc Interval of the
e e Difference

Lower Upper

.000 1.000 .237 22 .815 114.0000 481.6233 - 1112.825

Equal variances
0 1 884.8256 62
assumed
Seli 2
sih .237 22.00 .815 114.0000 481.6233 - 1112.825
Equal variances not
0 0 1 884.8256 62
assumed
2
 74

Lampiran 8 Outuput Minitab

Single Exponential Smoothing for Hipertensi

Data Hipertensi
Length 60

Smoothing Constant

α 0.482517

Accuracy Measures

MAPE 17
MAD 928
MSD 1361351

Time Hipertensi Smooth Predict Error

1 9069 8621.29 8203.83 865.17
2 7897 8271.81 8621.29 -724.29
3 6751 7537.99 8271.81 -1520.81
4 7480 7510.01 7537.99 -57.99
5 7255 7386.96 7510.01 -255.01
6 6489 6953.68 7386.96 -897.96
7 6059 6521.98 6953.68 -894.68
8 5488 6023.07 6521.98 -1033.98
9 6955 6472.74 6023.07 931.93
10 5720 6109.53 6472.74 -752.74
11 6810 6447.52 6109.53 700.47
12 6000 6231.58 6447.52 -447.52
13 7754 6966.18 6231.58 1522.42
14 7862 7398.43 6966.18 895.82
15 6456 6943.69 7398.43 -942.43
16 5934 6456.50 6943.69 -1009.69
17 5541 6014.75 6456.50 -915.50
18 5432 5733.57 6014.75 -582.75
19 4227 5006.62 5733.57 -1506.57
20 6831 5886.92 5006.62 1824.38
21 9190 7480.71 5886.92 3303.08
22 9359 8387.02 7480.71 1878.29
23 6988 7711.97 8387.02 -1399.02
24 5775 6777.35 7711.97 -1936.97
25 5418 6121.44 6777.35 -1359.35
26 10044 8014.14 6121.44 3922.56
27 7445 7739.52 8014.14 -569.14
28 6921 7344.57 7739.52 -818.52
29 6033 6711.72 7344.57 -1311.57
30 6366 6544.90 6711.72 -345.72
31 5190 5891.14 6544.90 -1354.90
32 6358 6116.41 5891.14 466.86
33 7121 6601.14 6116.41 1004.59
34 6475 6540.28 6601.14 -126.14
35 6565 6552.21 6540.28 24.72
 75

36 5506 6047.39 6552.21 -1046.21

37 6388 6211.74 6047.39 340.61
38 6051 6134.18 6211.74 -160.74
39 5290 5726.85 6134.18 -844.18
40 5679 5703.76 5726.85 -47.85
41 4702 5220.39 5703.76 -1001.76
42 4003 4632.98 5220.39 -1217.39
43 2988 3839.25 4632.98 -1644.98
44 5254 4521.89 3839.25 1414.75
45 4879 4694.20 4521.89 357.11
46 4972 4828.24 4694.20 277.80
47 4391 4617.27 4828.24 -437.24
48 4606 4611.83 4617.27 -11.27
49 5781 5175.97 4611.83 1169.17
50 5521 5342.46 5175.97 345.03
51 5557 5445.98 5342.46 214.54
52 4614 5044.53 5445.98 -831.98
53 4631 4845.00 5044.53 -413.53
54 3028 3968.26 4845.00 -1817.00
55 3397 3692.62 3968.26 -571.26
56 2995 3356.01 3692.62 -697.62
57 3048 3207.39 3356.01 -308.01
58 4128 3651.60 3207.39 920.61
59 2850 3264.81 3651.60 -801.60
60 2564 2926.66 3264.81 -700.81

Forecasts

Period Forecast Lower Upper

61 2926.66 652.423 5200.90
62 2926.66 652.423 5200.90
63 2926.66 652.423 5200.90
64 2926.66 652.423 5200.90
65 2926.66 652.423 5200.90
66 2926.66 652.423 5200.90
67 2926.66 652.423 5200.90
68 2926.66 652.423 5200.90
69 2926.66 652.423 5200.90
70 2926.66 652.423 5200.90
71 2926.66 652.423 5200.90
72 2926.66 652.423 5200.90

Single Exponential Smoothing Plot for Hipertensi

 76

Moving Average for Hipertensi

Data Hipertensi
Length 60
NMissing 0

Moving Average

Length 2

Accuracy Measures

MAPE 17
MAD 951
MSD 1592052

Time Hipertensi MA Predict Error

1 9069 * * *
2 7897 8483.0 * *
3 6751 7324.0 8483.0 -1732.0
4 7480 7115.5 7324.0 156.0
5 7255 7367.5 7115.5 139.5
6 6489 6872.0 7367.5 -878.5
7 6059 6274.0 6872.0 -813.0
8 5488 5773.5 6274.0 -786.0
9 6955 6221.5 5773.5 1181.5
10 5720 6337.5 6221.5 -501.5
11 6810 6265.0 6337.5 472.5
12 6000 6405.0 6265.0 -265.0
13 7754 6877.0 6405.0 1349.0
14 7862 7808.0 6877.0 985.0
15 6456 7159.0 7808.0 -1352.0
16 5934 6195.0 7159.0 -1225.0
17 5541 5737.5 6195.0 -654.0
18 5432 5486.5 5737.5 -305.5
19 4227 4829.5 5486.5 -1259.5
20 6831 5529.0 4829.5 2001.5
21 9190 8010.5 5529.0 3661.0
22 9359 9274.5 8010.5 1348.5
23 6988 8173.5 9274.5 -2286.5
24 5775 6381.5 8173.5 -2398.5
25 5418 5596.5 6381.5 -963.5
26 10044 7731.0 5596.5 4447.5
27 7445 8744.5 7731.0 -286.0
28 6921 7183.0 8744.5 -1823.5
29 6033 6477.0 7183.0 -1150.0
30 6366 6199.5 6477.0 -111.0
31 5190 5778.0 6199.5 -1009.5
32 6358 5774.0 5778.0 580.0
33 7121 6739.5 5774.0 1347.0
34 6475 6798.0 6739.5 -264.5
35 6565 6520.0 6798.0 -233.0
36 5506 6035.5 6520.0 -1014.0
 77

37 6388 5947.0 6035.5 352.5

38 6051 6219.5 5947.0 104.0
39 5290 5670.5 6219.5 -929.5
40 5679 5484.5 5670.5 8.5
41 4702 5190.5 5484.5 -782.5
42 4003 4352.5 5190.5 -1187.5
43 2988 3495.5 4352.5 -1364.5
44 5254 4121.0 3495.5 1758.5
45 4879 5066.5 4121.0 758.0
46 4972 4925.5 5066.5 -94.5
47 4391 4681.5 4925.5 -534.5
48 4606 4498.5 4681.5 -75.5
49 5781 5193.5 4498.5 1282.5
50 5521 5651.0 5193.5 327.5
51 5557 5539.0 5651.0 -94.0
52 4614 5085.5 5539.0 -925.0
53 4631 4622.5 5085.5 -454.5
54 3028 3829.5 4622.5 -1594.5
55 3397 3212.5 3829.5 -432.5
56 2995 3196.0 3212.5 -217.5
57 3048 3021.5 3196.0 -148.0
58 4128 3588.0 3021.5 1106.5
59 2850 3489.0 3588.0 -738.0
60 2564 2707.0 3489.0 -925.0

Forecasts

Period Forecast Lower Upper

61 2707 233.985 5180.01
62 2707 233.985 5180.01
63 2707 233.985 5180.01
64 2707 233.985 5180.01
65 2707 233.985 5180.01
66 2707 233.985 5180.01
67 2707 233.985 5180.01
68 2707 233.985 5180.01
69 2707 233.985 5180.01
70 2707 233.985 5180.01
71 2707 233.985 5180.01
72 2707 233.985 5180.01

Moving Average Plot for Hipertensi