PERBANDINGAN METODE
EXPONENTIAL SMOOTHING DAN MOVING AVERAGE
DALAM PERAMALAN KASUS BARU HIPERTENSI
DI KOTA SURABAYA
Oleh :
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 :
UNIVERSITAS AIRLANGGA
FAKULTAS KESEHATAN MASYARAKAT
PROGRAM SARJANA
PROGRAM STUDI KESEHATAN MASYARAKAT
SURABAYA
2019
ii
PENGESAHAN
Mengesahkan
Universitas Airlangga
Fakultas Kesehatan Masyarakat
Dekan,
Tim Penguji:
iii
SKRIPSI
Oleh :
Menyetujui,
Pembimbing,
Mengetahui,
iv
SURAT PERNYATAAN TENTANG ORISINALITAS
Apabila suatu saat nanti terbukti melakukan kegiatan plagiat, maka saya
akan menerima sanksi yang telah ditetapkan.
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.
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.
vii
ABSTRAK
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
ix
4.7 Teknis Analisis Data ......................................................................... 29
x
BAB VII KESIMPULAN DAN SARAN ........................................................... 63
7.1 Kesimpulan........................................................................................ 63
7.2 Saran .................................................................................................. 64
xi
DAFTAR TABEL
xii
5.9 Uji Independent T-Test untuk Selisih Absolut Metode
Single Exponential Smoothing dan Single Moving 47
Average………...
xiii
DAFTAR GAMBAR
xiv
DAFTAR LAMPIRAN
xv
DAFTAR ARTI LAMBANG, SINGKATAN, DAN ISTILAH
& = dan
> = lebih dari
< = kurang dari
- = sampai dengan
/ = atau
% = persen
o
= derajat
α = alpha
Daftar Singkatan
xvi
BAB I
PENDAHULUAN
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
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
dekomposisi dan ARIMA. sedangkan model kausal dibagi menjadi dua yaitu
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).
dan triple exponential smoothing. Sedangkan metode moving average juga memiliki
di Kota Surabaya” didapatkan bahwa plot data yang dihasilkan tidak stasioner dalam
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
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
kesehatan sebesar 9,4%, sedangkan yang pernah didiagnosis tenaga kesehatan atau
Indonesia berdasarkan hasil pengukuran pada umur ≥18 tahun sebesar 25,8%.
13,47% atau sekitar 935.736 penduduk, dengan proporsi laki-laki sebesar 13,78%
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
berikutnya sehingga pemerintah dan dinas terkait dapat membuat perencanaan untuk
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
Kota Surabaya
Tujuan umum dari penelitian ini adalah untuk meramalkan jumlah kasus baru
4. Membandingkan model dan hasil peramalan yang paling akurat pada jumlah
Berdasarkan tujuan yang ada, maka manfaat yang dapat diperoleh dari
2. Bagi Peneliti
sebenarnya.
average.
BAB II
TINJAUAN PUSTAKA
2.1. Peramalan
Peramalan adalah penggunaan data dimasa lalu dari satu atau lebih variabel
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
Peramalan adalah suatu proses memperkirakan apa yang akan terjadi dimasa
yang akan datang berdasarkan informasi dari masa lalu dan sekarang yang dimiliki
pasti melainkan berusaha mencari pendekatan tentang apa yang akan terjadi dimasa
yang akan datang agar dapat digunakan sebagai dasar dalam mengambil kepustusan
(Riduwan, 2010).
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
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
3. Pola siklis (C) atau Cycled Data Pattern yang terjadi bilamana datanya
berhubungan dengan siklus bisnis. Pengaruh siklis ini sulit diramalkan karena
yaitu:
penyusunan hasil peramalan yang jangka waktunya lebih dari satu setengah
9
tahun atau tiga semester. Lebih tegasnya peramalan jangka panjang ini
hasil peramalan yang dilakukan kurang dari satu setengah tahun atau tiga
semester.
intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau
2. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan
data kualitatif masa lalu. Hasil peramalan yang ada tergantung pada orang
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
pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang
digunakan dalam peramalan tersebut. Metode yang baik adalah metode yang
peramalan kuantitatif terbagi atas dua jenis model peramalan yang utama,
yaitu:
bukan waktu yang disebut metode korelasi atau sebab akibat. Model
kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada
1. Metode Deret Waktu (Time series) Secara garis besar metode time
a. Metode Dekomposisi
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
deret data seteliti mungkin. Konsep dasar pemisahan bersifat empiris dan
1) Metode Averaging
Dipakai untuk kondisi dimana setiap data pada waktu yang berbeda
mempunyai bobot yang sama sehingga fluktasi random data dapat direndam
metode ini data yang digunakan untuk peramalan paling sedikit adalah data 3
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
Dimana:
serta mengandung pola tren, maka dilakukan moving average terhadap hasil
Dimana:
N = orde
Dipakai pada kondisi dimana bobot data pada periode yang satu
tidak perlu lagi menyimpan data historis. Metode ini lebih cocok untuk
fluktuasi pada suatu periode untuk masa yang akan datang dengan
Pereira, 2010).
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
data karena tidak perlu lagi menyimpan data historis. Pengaruh besar
pengamatan. Metode ini selalu mengikuti setiap tren dalam data sebenarnya
yang digunakan:
Dimana:
α = Konstanta Pemulusan
Ft = Periode sebelumnya
yang dapat digunakan, yakni metode brown dan holt. Masing masing metode
exponential ganda ini cocok digunakan pada data dengan pola tren dan tidak
stasioner. Adapun perbedaan antara metode Brown dan Holt adalah sebagai
berikut:
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
Ft+m = αt + btm
αt = 2S’t – S”t
bt = α(S’t – S”t) / (1 - α)
Dimana :
bt = komponen kecenderungan
pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti
nilai tren dengan menggunakan parameter yang berbeda dari parameter yang
18
Bt = γ(St-St-1) + (1-γ)bt-1
Ft+m = St + btm
Dimana :
b = tren
St = nilai dasar
terakhir, yaitu St-1. Hal ini membantu untuk menempatkan St sebagai dasar
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.
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
Ct = α2 / (1-α)2 (S’t-2S”t+s””t)
parameter diantaranya yang paling umum digunakan adalah MAPE (Mean Absolute
Percentage Error), MAD (Mean Absolute Deviation), dan MSD (Mean Square
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
hasil peramalan atau yang lebih mudah adalah nilai komulatif absolut error. Nilai
absolut berguna untuk menghindari nilai error positif dan nilai error negatif.
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
2.5 Hipertensi
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-
menderita hipertensi, diantaranya ciri-ciri individu seperti umur, jenis kelamin dan
suku, faktor genetik serta faktor lingkungan yang meliputi obesitas, stres, konsumsi
faktor genetik dan paling sedikit tiga faktor lingkungan yaitu asupan garam, stres,
dan obesitas.
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
(Depkes, 2006). Oleh karena itu, jika seseorang terkena hipertensi atau pernah
hipertensi agar tidak terjadi sesuatau yang fatal jika berkelanjutan. Dan diharapkan
jika sudah dilakukan tindakan tata laksana dapat terhindar dari penyakit mematikan.
Data Kasus
Analisis
Dekomposisi Exponential Moving ARIMA Regresi
Smoothing Average
4. R-Square 4. R-Square
5. RMSE 5. RMSE
: Diteliti
: Tidak Diteleti
Gambar 3.1 Diagram Alir Penelitian
23
24
meramalkan jumlah kasus baru hipertensi di Kota Surabaya pada tahun 2018.
Penelitian ini menggunakan data time series bulanan dari tahun 2013 hingga 2017
moving average.
nilai MAPE, MAD, dan MSD paling kecil untuk dapat membandingkan metode
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
moving average.
BAB IV
METODE 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
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.
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
Surabaya.
25
26
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
Variabel yang digunakan dalam penelitian ini, yaitu variabel bebas (variabel
-Differencing
Stasioner
-Transformation
Tidak
Di Bandingkan
melakukan pengambilan data. Data yang digunakan dalam penelitian ini adalah data
sekunder berupa data bulanan kasus baru penderita hipertensi di Kota Surabaya dari
average.
pemeriksaan data. Plot data mengandung tren dan musiman atau tidak.
apabila plot data memiliki tren namun tidak memiliki sifat musiman.
dan musiman.
dilakukan differencing (untuk data yang tidak stasioner dalam rata - rata) dan
moving average.
average.
average dan memilih metode yang paling tepat untuk meramalkan jumlah
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
terus meningkat tajam dan diprediksi pada tahun 2025 sebanyak 29% orang dewasa
8 juta orang setiap tahun, dimana 1,5 juta kematian terjadi di Asia Tenggara yang 1/3
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
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
peningkatan tekanan darah melebihi batas normal. Hipertensi disebut silent killer
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
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
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
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
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
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
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
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
Dimana :
benar fit pada model, sehingga dilakukan beberapa trial parameter alpha pada
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.
yaitu dengan Uji White Noise dan Uji Normalitas. Berikut penjelasan mengenai Uji
White Noise dan Uji Normalitas metode Single Exponential Smoothing menggunakan
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
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
nilai signifikansi pada uji Ljung-Box Q sebesar 0,053 melebihi nilai α sebesar 0,05
2. Uji normalitas
Uji Normalitas dilakukan untuk melihat apakah data yang akan digunakan
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
dari nilai α sebesar 0,05 sehingga hasil pengujian error dari model single exponential
39
akan digunakan untuk meramalkan jumlah kasus hipertensi tahun 2018 adalah
dengan parameter alpha 0,480. Grafik perbandingan antara data aktual dan hasil
Gambar 5.3 Perbandingan Data Aktual dan Data Hasil Peramalan Jumlah Kasus
Hipertensi di Kota Surabaya Tahun 2018 dengan Metode Single
Exponential Smoothing
40
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
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
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
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
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
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
5.3.2 Menentukan Model Terbaik Single Moving Average Pada Jumlah Kasus
Baru Hipertensi di Kota Surabaya
tergantung pada panjangnya data time series yang dimiliki. Parameter orde dapat
diperoleh dengan cara trial dan error pada software Minitab. Model terbaik dari hasil
orde2. Persamaan pada model time series single moving average jumlah kasus baru
t t-1 t-n+1
t+1
t t-1 t-n+1
t+1 (5.2)
Dimana:
meramalkan jumlah kasus baru hipertensi di Kota Surabaya tahun 2018. Grafik
perbandingan data aktual dengan data hasil ramalan dengan metode single moving
Gambar 5.4 Perbandingan Data Aktual dan Data Hasil Peramalan Jumlah Kasus
Hipertensi di Kota Surabaya dengan Metode Single Moving Average
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
aplikasi komputer didapatkan bahwa jumlah kasus baru hipertensi di Kota Surabaya
adalah 2707 kasus baru setiap bulannya atau sebanyak 32.484 kasus baru hipertensi
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
smoothing.
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
metode single exponential smoothing dan single moving average dengan data faktual
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
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
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
kesalahan peramalan yakni MAPE, MAD dan MSD menunjukkan bahwa metode
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
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
pernapasan kronis (seperti penyakit paru obstruktif kronis dan asma) dan diabetes
melitus (DM).
waktu. Menurut hasil Riset Kesehatan Dasar (Riskesdas) tahun 2007 dan 2013,
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.
48
49
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
cukup lama. Kegiatan yang rutin dilakukan di puskesmas dalam rangka pencegahan
dan pengendalian PTM antara lain pengukuran tekanan darah untuk hipertensi (Profil
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.
Data Time series dalam penelitian ini adalah data jumlah kasus baru
hipertensi di Kota Surabaya. Data yang diambil adalah data bulanan, mulai tahun
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 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
membutuhkan nilai parameter alpha (α) sebagai nilai parameter pemulusan. Untuk
mendapatkan nilai parameter α yang tepat pada umumnya dilakukan dengan trial and
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
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
ditetapkan adalah model yang terbaik. Fenomena model yang baik dengan nilai
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
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
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
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
Hasil uji metode single exponential smoothing yang akan digunakan untuk
menggunakan nilai parameter alpha sebesar 0,480 yang memiliki nilai signifikansi
dari metode single exponential smoothing sama, yaitu sebesar 2926 kejadian. Hal ini
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
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
6.3.1 Fitting Model Moving Average pada Jumlah Kasus Baru Hipertensi di
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
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
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
menentukan metode terbaik dalam penelitian ini adalah menggunakan nilai MAPE,
hingga periode ke 72 menghasilkan nilai sebesar 2707. Hasil peramalan tahun 2018
menunjukkan angka yang sama. Hal ini bisa menjadi indikasi bahwa jumlah kasus
Hasil uji metode single moving average yang akan digunakan untuk
menggunakan orde 2 (MA 2) yang memiliki nilai MAPE, MSD, dan MAD terkecil,
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
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
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
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
sedangkan dengan metode single moving average dihasilkan pada MA (2). Metode
terbaik adalah MAD (Mean Absolute Deviation). MAD untuk mengukur akurasi
digunakan untuk mengukur kesalahan peramalan dalam unit ukuran yang sama
bahwa metode Metode single exponential smoothing menghasilkan nilai MAD lebih
kecil dibanding metode single moving average. Hal ini sesuai dengan penelitian yang
smoothing dan moving average untuk kasus TB Paru yang menyatakan bahwa nilai
59
MAPE dan MAD pada metode single exponential smoothing lebih kecil dariapada
ramalan berdasarkan pada pembobotan data yang terbaru, sehingga nilai hasil
ramalan yang dihasilkan tidak berbeda jauh dengan nilai aktual. Selisih/eror juga
MSD merupakan ukuran absolut yang sangat tergantung pada skala dari time
series dan juga nilai MSD tidak bersifat intuitif karena ukuran ini menyangkut
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
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.
jumlah kasus baru hipertensi di Kota Surabaya Tahun 2018 lebih tepat menggunakan
Hasil peramalan dari metode terbaik yang dipilih menunjukkan jumlah kasus
baru hipertensi di Kota Surabaya Tahun 2018 yang konstan atau sama setiap
memberikan bobot lebih besar pada data terbaru, artinya peramalan untuk periode
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.
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
data mengalami penurunan, maka hasil peramalan juga akan mengalami penurunan
BAB VII
7.1 Kesimpulan
metode single exponential smoothing dan single moving average pada data jumlah
fluktuasi dan jumlah kasus baru paling tinggi berada pada bulan Februari
t t-1 t-n+1
Surabaya adalah t+1 dengan menggunakan orde 2
(MA2).
bulannya sama yaitu sebesar 2926 kasus baru, sedangkan single moving
parameter error MAPE, MAD, dan MSD yang lebih rendah, maka metode
62
63
7.2 Saran
1. Hasil penelitian dapat dijadikan sebagai acuan untuk peneliti lain melakukan
kesehatan.
3. Penelitian dengan metode lain diperlukan untuk dapat melihat faktor resiko
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.
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.
64
65
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
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
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.
Model Description
Model Type
Model Summary
Model Fit
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
Paired T-Test
Paired Samples Statistics
N Correlation Sig.
Lower Upper
T-Test
Group Statistics
Lower Upper
Smoothing Constant
α 0.482517
Accuracy Measures
MAPE 17
MAD 928
MSD 1361351
Forecasts
Data Hipertensi
Length 60
NMissing 0
Moving Average
Length 2
Accuracy Measures
MAPE 17
MAD 951
MSD 1592052
Forecasts