EX.

SMOOTH MAD
BULAN PASIEN DATANG MA FORECAST 0,5 FORECAST 0,8 DEVIATION 0,5
1 88 80 80 8
2 86 84 86 2
3 88 87 85 86 3
4 52 87 87 88 (35)
4 50 70 69 59 (19)
6 66 51 60 52 6
7 63 58 63 63 0
8 72 65 63 63 9
9 86 68 67 70 19
10 89 79 77 83 12
11 92 88 83 88 24
12 78 91 87 91 11

CATATAN HA
KASUS 1. Dari history data
2. Data kunjungan I
Di rumah sakit diketahui data poli umum setiap random.
bulannya dalam satu tahun. Dengan prediksi pada 3. Forecasting dilak
bulan Januari 80 orang. Berikut data ditampilkan - Moving average
diatas. (Jumlah pasien
- Exponential smo
(forecast period
Pada metode ex
deviation/periode n
Dengan penguk
-Trend proyeksi
Trend proyeksi d
ketiga.
4. Dari semua penc
exponential smoot
5. Metode exponen
6. Dengan mengeta
forecasting kunjung
7.Hasil forecasting
 MAD MSE MAPE TREND PROYEKSI
DEVIATION 0,8 ERROR^ 0,5 ERROR^ 0,8 0.5 0.8
8 64 64 9 9 145
(0) 4 0 2 (0) 143
2 9 4 3 2 142
(36) 1,190 1,268 (66) (68) 141
9 371 81 (39) 18 141
14 41 201 10 21 139
51 0 2,601 0 81 137
9 83 80 13 12 136
16 344 249 22 18 135
3 151 9 14 3 134
26 576 676 26 28 133
4 121 16 14 5 132

9 246 438 1 11

CATATAN HASIL
1. Dari history data dalam satu tahun ini dilakukan forecasting dengan metode kuantitatif.
2. Data kunjungan ICU dalam 12 bulan ini setelah dianalisis termasuk dalam pendekatan time series model pola data y
random.
3. Forecasting dilakukan dengan tiga metode yaitu moving average, exponential smooth, dan proyeksi trend.
- Moving average( periode yg dinilai selama 2 bulan);
(Jumlah pasien 2 bulan sebelumnya/2)
- Exponential smoothing (dengan uji coba konstanta 0,5 dan 0,8)
(forecast periode sebelumnya + (konstanta*(aktual pasien yg datang-forecast periode sebelumnya))
Pada metode exponential smoothing ini diuji tingkat error yg paling kecil yg paling baik dengan MAD (jumlah
deviation/periode n), MSE (pangkat deviation/n), dan MAPE ((100*deviation/ nilai aktual)/n).
Dengan pengukuran ini didapatkan konstanta 0,5 paling baik karena tingkat errornya kecil.
-Trend proyeksi
Trend proyeksi didapatkan dengan rumus y=(a+(b.x)),, untuk nilai a dan b didapatkan dengan program regresi dishee
ketiga.
4. Dari semua pencobaan metode ini dan dilihat dari grafik bahwa metode yang cukup baik adalah (moving average, d
exponential smoothing) pada data ini dibandingkan dengan trend proyeksi.
5. Metode exponential smoothing yang terbaik ialah dengan konstanta 0,5 karena kecil errornya.
6. Dengan mengetahui motode mana yang terbaik maka untuk data ini kita bisa gunakan metode ini untuk melakukan
forecasting kunjungan pasien ICU tahun selanjutnya.
7.Hasil forecasting untuk periode selanjutnya dibulan januari 2014 ialah 136 pasien.
 160

140

120

100

80

60

tif.
time series model pola data yg 40

dan proyeksi trend.

20

e sebelumnya))
ik dengan MAD (jumlah 0
0 2 4 6 8
ual)/n).
a kecil.

dengan program regresi disheet

aik adalah (moving average, dan

rrornya.
metode ini untuk melakukan
6 8 10 12 14
160

140

120

100

80

60

40

20

0
0 2 4 6 8
8 10 12 14
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.22044442
R Square 0.04859574
Adjusted R S -0.04654468
Standard Erro 19.8360552
Observations 12

ANOVA
df SS MS F Significance F
Regression 1 200.975799 200.975799 0.51077913 0.49114884
Residual 10 3934.69087 393.469087
Total 11 4135.66667

CoefficientsStandard Error t Stat P-value Lower 95% Upper 95%

Intercept 145.671583 11.9607432 12.1791414 2.54108E-07 119.021386 172.321779
X Variable 1 -1.16959728 1.63651419 -0.71468814 0.49114884 -4.81597813 2.47678357

Y=a+X.b
Y=145,67+X(-)1,16
Lower 95,0% Upper 95,0%
119.021386 172.321779
-4.81597813 2.47678357