MODUL ANALISIS PREDIKSI DATA KESEHATAN

(MIK 712)

MODUL SESI 14
STUDENT’S PROJECT
(Review Materi 8 – 13)

DISUSUN OLEH
MIEKE NURMALASARI, M.Si, M.Sc

UNIVERSITAS ESA UNGGUL

2020

Universitas Esa Unggul

http://esaunggul.ac.id 0 / 15
 UKURAN KEAKURATAN MODEL DERET WAKTU

A. Kemampuan Akhir Yang Diharapkan

Setelah mempelajari modul ini, diharapkan mahasiswa mampu :

1. Mengerti materi yang sudah diajarkan dari sesi 8 sampai dengan sesi 13
2. Mampu memilih metode apa yang tepat untuk memecahkan suatu permasalah
atau kasus

B. Uraian dan Contoh

1. Pendahuluan

Mahasiswa mampu menganalisa suatu kasus untuk dipecahkan dengan teknik

pemodelan statistik dan mempresentasikannya dalam bentuk tulisan dan lisan. Diskusi
Projek Akhir (Final Student Project Discussion)
• Akan diberikan studi kasus
• Mahasiswa diminta untuk melakukan analisa dan membuat tulisan atau
makalah serta mempresentasikan di depan kelas.
• Cakupan materi dari pertemuan 8 - 13
• Diskusi Projek Akhir (Final Student Project Discussion)
• Akan diberikan studi kasus
• Mahasiswa diminta untuk melakukan analisa dan membuat tulisan atau
makalah serta mempresentasikan.
• Cakupan materi dari pertemuan 8 – 13
KASUS
1. Kasus 1: Dipilih secara random topiknya (OR, RR, dan Multinomial logistic
Regression), sumber data dapat diperoleh dari internet dengan mencantumkan
sumbernya.
2. Kasus 2: Pemecahan kasus peramalan deret waktu dengan menggunakan
metode moving average.
Berikut ini adalah data rata-rata kunjungan harian pasien yang masuk di Unit
Gawat Darurat (UGD) sebuah rumah sakit. Data dikumpulkan dari minggu

Universitas Esa Unggul

http://esaunggul.ac.id 1 / 15
 pertama bulan desember tahun 2016 sampai data minggu ke-4 bulan April 2017.
a. Prediksikan atau ramalkan rata-rata kunjungan harian pasien UGD dari
bulan Desember minggu ke-3 2016 sampai dengan April minggu ke-2 tahun
2017 dengan metode 3-rata-rata bergerak (Moving Average-3 rata- rata)!.
b. Buatlah plot data actual dan data ramalan dengan menggunakan moving
average -3 (3 rata-rata) !
Kasus untuk Metode Moving Average:

Week Average Daily Admissions

December Week 1 11
December Week 2 14
December Week 3 17
December Week 4 15
Januari Week 1 12
Januari Week 2 11
Januari Week 3 9
Januari Week 4 9
February Week 1 12
February Week 2 8
February Week 3 13
February Week 4 11
March Week 1 15
March Week 2 17
March Week 3 14
March Week 4 19

Universitas Esa Unggul

http://esaunggul.ac.id 2 / 15
2. Beberapa contoh project yang dilakukan

Tugas pertemuan ke 14 ini adalah merupakan student's project. Mahasiswa diperbolehkan

mengambil 1 contoh kasus saja untuk diselesaikan berdasarkan metode yang telah diajarkan
untuk UAS. Pilih salah satu topik saja! (Note: contoh kasus berbeda dengan tugas sebelumnya
yang telah disubmit)
1. OR (odds Ratio) dan RR (Relative Risks)
2. Regresi Logistik
3. Regresi Logistik Multinomial
4. Time Series.

JAWAB:
1. Contoh OR dan RR
Pada tabel dibawah ini. bahwa dari 200 pasien. resiko pada pasien kanker usus dengan
kemoterapi yang mual menggunakan obat baru 90 pasien dan yang tidak mual dengan
menggunakan obat baru 110 pasien. Sementara itu resiko pada pasien kanker usus dengan
kemoterapi yang mual dengan menggunakan obat standar 60 pasien dan yang tidak mual
menggunakan obat standar yaitu 140. Hitunglah besarnya faktor risiko (RR dan OR) yang
besarnya masing -masing adalah

Resiko obat Mual Tidak Jumlah

mual
Obat baru 90 110 200
Obat standar 60 140 200
Jumlah 150 250 400
Nilai OR

= 1.90

Kesimpulan OR :

Berdasarkan hasil nilai OR diatas yaitu sebesar 1,90 yang artinya bahwa risiko
mual pada pasien dengan kemoterapi yang menggunakan obat baru 1,92 kali lebih

Universitas Esa Unggul

http://esaunggul.ac.id 3 / 15
 besar dibandingkan risiko mual pasien dengan kemoterapi yang menggunakan obat
standar .

Nilai RR

= = 1.5

· RR =1, artinya resiko sama pada kedua kelompok dan tidak ada hubungan antara
faktor resiko dengan kejadian penyakit.

· RR > 1, artinya resiko penyakit lebih tinggi pada kelompok terpapar (kelompok
intervensi) dibandingkan dengan resiko kelompok tidak terpapar (kelompok kontrol).

· RR < 1, artinya resiko lebih rendah pada kelompok terpapar dan menunjukkan bahwa
faktor paparan (intervensi) merupakan proteksi

Kesimpulan RR:

Berdasarkan perhitungan diatas, maka dengan RR sebesar 1,5 artinya resiko mual pada
pasien kanker usus dengan kemoterapi yang menggunakan obat baru 1,5 kali lebih tinggi
dibandingkan resiko mual pada pasien kanker usus dengan kemoterapi yang menggunakan
obat standar.

2. Contoh Regresi Logistik:

Contoh Kasus Regresi Logistik

Seorang peneliti ingin mengetahui bagaimana pengaruh kualitas pelayanan publik terhadap
kepuasan pengguna (masyarakat). Kualitas pelayanan publik diteliti melaluji variabel Daya
Tanggap (X1) dan Empati (X2). Kepuasan penggunana layanan (Y) sebagai variabel
dependent adalah variabel dummy dimana dimana jika responden menjawab puas maka kita
beri skor 1 dan jika menjawab tidak puas kita beri skor 0.

Universitas Esa Unggul

http://esaunggul.ac.id 4 / 15
Input data di bawah ini!

No X1 X2 Y
1 36 45 1
2 34 39 0
3 30 38 0
4 32 38 1
5 36 45 1
6 33 42 0
7 36 45 1
8 36 45 1
9 31 36 0
10 31 37 0
11 36 45 1
12 33 41 0
13 32 40 0
14 33 39 0
15 34 42 1
16 34 42 0
17 32 39 0
18 34 42 1
19 33 40 0
20 34 40 0
Karakteristik masing-masing variabel adalah sebagai berikut.
X1 Daya tanggap
Measurement level: Scale
Format: F4 Column Width: 8 Alignment: Right
X2 Empati
Measurement level: Scale
Y kepuasan pengguna
Value Label 0 tidak puas 1 puas

Universitas Esa Unggul

http://esaunggul.ac.id 5 / 15
 3. Contoh Time Series
DATA JUMLAH PASIEN PADA RS XXX DALAM 11 TAHUN TERAKHIR (2009- 2019)
NO TAHUN JUMLAH PASIEN
1 2009 15000
2 2010 16800
3 2011 17000
4 2012 19000
5 2013 18000
6 2014 18500
7 2015 18800
8 2016 19000
9 2017 22000
10 2018 19000
11 2019 18200
1. LEAST SQUARE METHODS
Uji Kelayakan Model Regresi

Berdasarkan hasil uji kelayakan model regresi tersebut diperoleh nilai signifikansi sebesar
0.016 Dimana nilai P value 0,016 < 0,05 yang artinya bahwa model regresi layak untuk
diprediksi.
Kesimpulan: Model Regresi layak di prediksi.
Uji Autokorelasi
Hipotesis:
➢ H0 : Tidak terjadi autokorelasi
➢ H1 : terjadi autokorelasi
Dari output SPSS lihat tabel model summary yang mengandung nilai Durbin Watson.

Universitas Esa Unggul

http://esaunggul.ac.id 6 / 15
 Diketahui:
N = 11(jumlah data)
k = 2 (jumlah parameter dalam model regresi yaitu b0 dan b1
Dibandingkan dengan nilai di tabel Durbin-Watson dengan  = 5% dengan k=2 dan
n=11, diperoleh:
Durbin-Watson = d = 1,708

dL = 0,7580
dU= 1,6044
Keputusan:
➢ dU < d < 4 –dU
➢ 1,6044< 1,708< (4-1,6044= 2,3956)
➢ 1,6044< 1,708< 2,3956 maka Ho diterima (tidak terjadi autokorelasi)
Kesimpulan : Tidak terjadi Autokorelasi.

a. Persamaan Metode Least Square menggunakan SPSS

Universitas Esa Unggul

http://esaunggul.ac.id 7 / 15
 •
•
•
•
Yang artinya setiap bertambah 1 tahun maka akan bertambah sebanyak 145,238 pasien
di Puskesmas XXX
Untuk meramalkan nilai y di tahun 2020, nilai x menjadi = 11
• 𝑌=
• 𝑌= + 4060,001
• 𝑌 = 20.145,45
Yang artinya pada tahun 2020 diprediksi pasien yang berkunjung sebanyak 20.633,32
orang

b. Persamaan Metode Least Square secara Manual

NO TAHUN PASIEN (Y) X XY X²

1 2009 15000 -9 -135000 81
2 2010 16800 -7 -117600 49
3 2011 17000 -5 -85000 25
4 2012 19000 -3 -57000 9
5 2013 18000 -1 -18000 1
6 2014 18500 0 0 0
7 2015 18800 1 18800 1
8 2016 19000 3 57000 9
9 2017 22000 5 110000 25
10 2018 19000 7 133000 49
11 2019 18200 9 163800 81
JUMLAH 201300 0 70000 330

•
•

Untuk meramalkan nilai y di tahun 2020, nilai x menjadi = 11

• 𝑌= (11)

• 𝑌= + 2333,32

Universitas Esa Unggul

http://esaunggul.ac.id 8 / 15
 • 𝑌 = 20633,32

Yang artinya pada tahun 2020 diprediksi pasien yang berkunjung sebanyak 20.633,32
orang
Data Ramalan
NO TAHUN PASIEN (Y) X XY X² Error |Error| Error² (A-F)/F
(18300+212,12 X)
1 2009 15000 -9 -135000 81 16390,91 -126,45 126,45 15988,66 -0,085
2 2010 16800 -7 -117600 49 16815,15 -1,38 1,38 1,89726 -0,001
3 2011 17000 -5 -85000 25 17239,39 -21,76 21,76 473,6319 -0,014
4 2012 19000 -3 -57000 9 17663,64 121,49 121,49 14759,24 0,076
5 2013 18000 -1 -18000 1 18087,88 -7,99 7,99 63,82381 -0,005
6 2014 18500 0 0 0 18300,00 18,18 18,18 330,5785 0,011
7 2015 18800 1 18800 1 18512,12 26,17 26,17 684,9107 0,016
8 2016 19000 3 57000 9 18936,36 5,79 5,79 33,46766 0,003
9 2017 22000 5 110000 25 19360,61 239,94 239,94 57573,56 0,136
10 2018 19000 7 133000 49 19784,85 -71,35 71,35 5090,803 -0,040
11 2019 18200 9 163800 81 20209,09 -182,64 182,64 33359,06 -0,099
JUMLAH 201300 0 70000 330 201300 0 823,14 128359,6 -0,17643
MAD MAPE MSE
74,83095 -0,01604 11669,06

2. Moving Average Methods

DATA JUMLAH PASIEN PADA RS XXX DALAM 11 TAHUN TERAKHIR (2009-
2019)
NO TAHUN JUMLAH PASIEN
1 2009 15000
2 2010 16800
3 2011 17000
4 2012 19000
5 2013 18000
6 2014 18500
7 2015 18800

Universitas Esa Unggul

http://esaunggul.ac.id 9 / 15
 8 2016 19000
9 2017 22000
10 2018 19000
11 2019 18200

a. Moving Average (3 tahunan)

NO TAHUN PASIEN (Y) MA (3)

1 2009 15000
2 2010 16800
3 2011 17000 16266,7
4 2012 19000 17600,0
5 2013 18000 18000,0
6 2014 18500 18500,0
7 2015 18800 18433,3
8 2016 19000 18766,7
9 2017 22000 19933,3
10 2018 19000 20000,0
11 2019 18200 19733,3
JUMLAH 201300 167233,3

Universitas Esa Unggul

http://esaunggul.ac.id 10 /
15
 Berdasarkan grafik tersebut dapat terlihat bahwa Moving Average 3 tahunan dari
Jumlah Kunjungan Pasien dapat terlihat bahwa terjadi fluktuasi.

NO TAHUN PASIEN (Y) MA (3) Error |Error| Error² |%Error|

1 2009 15000
2 2010 16800 16266,7 48,48 48,48 2350,78 0,0030
3 2011 17000 17600,0 -54,55 54,55 2975,21 -0,0031
4 2012 19000 18000,0 90,91 90,91 8264,46 0,0051
5 2013 18000 18500,0 -45,45 45,45 2066,12 -0,0025
6 2014 18500 18433,3 6,06 6,06 36,73 0,0003
7 2015 18800 18766,7 3,03 3,03 9,18 0,0002
8 2016 19000 19933,3 -84,85 84,85 7199,27 -0,0043
9 2017 22000 20000,0 181,82 181,82 33057,85 0,0091
10 2018 19000 19733,3 -66,67 66,67 4444,44 -0,0034
11 2019 18200
JUMLAH 201300 167233,3 78,788 581,818 60404,040 0,004
MAD MSE MAPE
64,64646 6711,56004 0,00049

Universitas Esa Unggul

http://esaunggul.ac.id 11 /
15
 • = 64,64

• 6711,56

b. Moving Average 4 tahun

NO TAHUN PASIEN (Y) MA (4)

1 2009 15000
2 2010 16800
3 2011 17000 16950
4 2012 19000 17700
5 2013 18000 18125
6 2014 18500 18575
7 2015 18800 18575
8 2016 19000 19575
9 2017 22000 19700
10 2018 19000 19550
11 2019 18200
JUMLAH 201300 148750

Universitas Esa Unggul

http://esaunggul.ac.id 12 /
15
 Berdasarkan grafik tersebut dapat terlihat bahwa Moving Average 3 tahunan dari
Jumlah Kunjungan Pasien dapat terlihat bahwa terjadi fluktuasi.

NO TAHUN PASIEN (Y) MA (4) Error |Error| Error² |%Error|

1 2009 15000
2 2010 16800
3 2011 17000 16950 4,545 4,55 20,661 0,00027
4 2012 19000 17700 118,182 118,18 13966,942 0,00668
5 2013 18000 18125 -11,364 11,36 129,132 -0,00063
6 2014 18500 18575 -6,818 6,82 46,488 -0,00037
7 2015 18800 18575 20,455 20,45 418,388 0,00110
8 2016 19000 19575 -52,273 52,27 2732,438 -0,00267
9 2017 22000 19700 209,091 209,09 43719,008 0,01061
10 2018 19000 19550 -50,000 50,00 2500,000 -0,00256
11 2019 18200
JUMLAH 201300 148750 231,8182 472,7273 63533,0579 0,0124
MAD MSE MAPE
59,091 7941,632 0,001555

Universitas Esa Unggul

http://esaunggul.ac.id 13 /
15
 • = 59,091

• 7941,632

Model MSE MAPE (%) MAD

Least Square %
Moving Average (3 tahunan) 6711,56 % 64,64
Moving Average (4 tahunan) 7941,632 % 59,091

Maka dapat kita simpulkan bahawa model Moving Average 3 tahunan memberikan nilai
peramalan yang lebih baik dibandingkan 2 model lainnya. Dilihat dari nilai MSE, MAPE dan
MAD nya yang paling kecil

A. Daftar Pustaka

1. Robert, David, Time Series Analysis and Its Application, 1st edition,
Springer, 2000.
2. Sugiarto, Harijono. Peramalan Bisnis. 2000
3. Asra A, Rudiansyah. Statistika Terapan. Edisi kedua. 2014
4. https://e-journal.unair.ac.id/JBK/article/view/5834

Universitas Esa Unggul

http://esaunggul.ac.id 14 /
15