ANALISIS PREDIKSI DAN PERAMALAN DATA

DI FASILITAS KESEHATAN

Oleh:
Mieke Nurmalasari, M.Si, M.Sc

Workshop Analisis Big Data Pelayanan Kesehatan

Prodi Manajemen Informasi Kesehatan – DPD PROMIKI DKI Jakarta
Sabtu – Minggu, 11 – 12 Juni 2022
OUTLINE

1. Pendahuluan
2. Persiapan Data (Data Preparation)
3. Eksplorasi Data (Data Exploration)
4. Prediksi dengan Regresi Linier di Tableau
5. Peramalan di Tableau
6. Evaluasi Model
7. Membuat Dashboard
PENDAHULUAN
TABLEAU PUBLIC
 TABLEAU PUBLIC TERM
1. Start Page
5. View Cards 6. Toolbar Icon 7. Worksheet View
2. Data Pane
3. Analytics Pane

10. Dashboards
8. Data Source 9. Worksheet
DATA PREPARATION
 PERSIAPAN DATA
1. Buka data yang akan dipakai untuk ( File > Open > Pilih data yang akan digunakan)
 TAMPILAN DATA SOURCE TABLEAU
2. Cek data di “data source”, kemudian “sheet” sebagai tempat kita melakukan analisis (worksheet).

Data Tarif INACBGS di Rumah Sakit-X

 TAMPILAN DATA SOURCE TABLEAU
Dimension:
Measure:
Data Kategorik
Data Kontinyu

Data Tarif INACBGS di Rumah Sakit-X

EKSPLORASI DATA

EKSPLORASI DATA
• Eksplorasi data merupakan
langkah untuk memahami data
sebelum dilakukan praproses.
• Eksplorasi data sangat penting
dilakukan di tahap awal untuk
mendapatkan gambaran data.
• Dalam eksplorasi data, hal yang
perlu kita ketahui pertama kali
adalah tipe data.
Eksplorasi data:
Statistika ringkasan:
Tipe data kategorik :
count, frekuensi dan modus.
Tipe data numerik : rata-rata,
frekuensi, median, modus, standar
deviasi, range, minimum,
maksimum, quartile
Visualisasi data dalam bentuk
grafik:
Membantu mengetahui karakteristik
dan hubungan antar atribut dari
data
Eksplorasi masing-masing dari
setiap variable, kemudian coba
eksplorasi dengan mengabungkan
2 atau lebih variable, sehingga
mendapat informasi lebih
Eksplorasi data penting dilakukan
di awal untuk memperoleh
gambaran POLA DATA yang
akan diprediksi/ diramalkan. Line
Graph dapat digunakan pada
tahap eksplorasi data.
Line Graph berguna untuk
menyampaikan dua informasi
yaitu
1. Informasi bagaimana sesuatu
berubah dari waktu ke waktu.
2. Informasi untuk menjelaskan
seberapa baik dua buah variabel
saling berhubungan satu
dengan lainnya.
 EKSPLORASI DATA
CASEMIX MAIN GROUP (CMG)

Ascending/ Decending

Klik “Label” jika ingin menampilkan

jumlah pasien setiap CMG
EKSPLORASI DATA UNTUK DIGESTIVE SYSTEM GROUP (KODE K)
 TIPE KASUS DALAM CMG
1. Ubah Tipe Kasus menjadi 2. Masukkan tipe kasus ke “column”
“dimension” dan number of records ke “Rows”
 DIGESTIVE SYSTEM GROUP (K)

Jika hanya ingin menampilkan CMG untuk

Digestive System Group (K) saja, maka dapat
memakai menu “Filter”, dan pilih “K”
 TARIF INACBGS DI DIGESTIVE SYSTEM GROUP
HATI-HATI dalam memilih ukuran, pilihlah yang sesuai! Karena akan misleading informasinya! Setelah
memberikan koreksi terhadap “measurement”, dari SUM menjadi AVG (Average), maka terlihat rata-rata
tarif INACBG tipe 1 lebih besar dari pada tipe 4.
Predicting Patient Discharges

Source: https://www.youtube.com/watch?v=It3yWTL3xAs
 CONTOH 1:

Scatter Plot Tarif INACBGS Vs LOS untuk Digestive System Group

PREDICTION MODEL IN TABLEAU
Sumber: https://xkcd.com/2048/
 LINIER REGRESSION IN TABLEAU

• A linier regression model is used to describe the dependence

of some dependent variable Y on variable X. Such models are
often used to describe trends in quantities.
• Trends are tendencies of changes in quantities in
mathematics, they can be described by linear, logarithmic,
power and other equations.
• We focus on linear trends and linear regression in
Tableau

Source: https://coolbluedata.com/linear-regression-in-tableau/
Klik kanan kursor, pilih “edit all trend lines”, dan centang
“Show confidence bands”
Deskripsi Trend Line
Deskripsi Trend Model
Model Regresi Linier Sederhana:
Y=a+bX
 Case Example 2:
Prediksi Tarif INACBG dalam Sistem Pencernaan dilihat dari Tipe Kasus
PERAMALAN DI TABLEAU
 PERAMALAN DI TABLEAU
Forecasting atau peramalan adalah meramalkan sebuah
nilai (value) atau kejadian di masa depan.

Komponen dalam deret waktu (time series):

1. Trend: suatu kecenderungan umum (general
tendency) dari suatu data berkala (cenderung
naik/turun).
2. Seasonal: Komponen dalam time series yang
menunjukkan reguler fluktuasi berdasarkan musim
(misalnya setiap bulan/kuartal/tahun).
3. Cycle : data menunjukkan naik dan turun yang jangka
waktu tidak tetap/reguler. Panjang rata-rata siklus
lebih panjang dari panjang pola musiman.
4. Irregular component = a stationary process
 FORECASTING MODEL IN TABLEAU
Tableau use Exponential Smoothing Model
• A common form to assume that the equation has an additive
decomposition:
Yt = Tt + St + Et

• A common form to assume that the equation has the

multiplicative decomposition:
Yt = Tt · St · Et

Specifies whether the components Level, Trend, or Season are

part of the model used to generate the forecast. The value for
each component is one of the following:

• None—The component is not present in the model.

• Additive—The component is present and is added to the other

components to create the overall forecast value.

• Multiplicative—The component is present and is multiplied by Source: https://www.daitan.com/innovation/exponential-

the other components to smoothing-methods-for-time-series-forecasting/
 Additive Vs Multiplicative Seasonality

• An additive model is appropriate if

the magnitude of the seasonal
fluctuations does not vary with the
level of time series;
• The multiplicative model is
appropriate if the seasonal
fluctuations increase or decrease
proportionally with increases and
decreases in the level of the series
Source:
https://kourentzes.com/forecasting/2014/11/09/additive-and-
multiplicative-seasonality/
 Prosedur Peramalan (forecasting) di Tableau
Ada 3 cara melakukan forecasting di Tableau:
Cara1. Klik kanan pada view, kemudian kita pilih Forecast dan Show Forecast
Cara 2: Melalui menu “Analysis”
Cara 3: Gunakan menu “Analytics”, kemudian drag “Forecast” ke view di
bagian kanan
Model ramalan bisa diperbaiki dengan memilih menu “Forecast Option”
Pilih “Custom”, dan pertimbangkan apakah dalam data ada pola “Trend” atau “Season”, dan
bentuknya apakah Additive atau Multiplikatif.
Misalkan saya memilih model dengan season multiplicative dan tidak ada unsur trend, maka klik
pilihan seperti gambar di bawah ini:
Hasil ramalan (forecasting) sebagai berikut:

Perbaiki judul Y-axis menjadi Number of Patients

Deskripsi Peramalan dapat diihat dari menu Forecast -> Describe Forecast
Evaluasi Kualitas Model Peramalan di Tableau
Describe Model: Summary

Deskripsi Peramalan dapat

diihat dari menu:
Forecast -> Describe Forecast

Hanya memasukkan
unsur “season” di dalam
model

• Kualitas model masuk dalam kategori “OK

• Ada 3 kategori kualitas model dalam Tableau
yaitu: Good, Ok dan Poor”
 Describe Forecast: Model
Coefisien smoothing =
bobot yang diberikan
pada data terbaru
(recent data)

Alpha = initial level

Macam-macam ukuran kualitas model peramalan:
1. Root Mean Square Error (RMSE)
2. Mean Absolute Error (MAE)
3. Mean Absolute Scaled Error (MASE)
4. Mean Absolute Percentage Error (MAPE)
5. Akaike Information Criterion (AIC)
Beta = trend
Gamma = seasonal
Jika nilai Beta dan Gamma
mendekati 1, artinya bobot data
terbaru semakin besar.
Jika nilai Beta dan Gamma
mendekati 0, artinya banyak data
masa lalu yang diperhitungkan di
dalam model
Intepretation MAPE for Forecasting Accuracy

Source: https://www.researchgate.net/publication/257812432_Using_the_R-
MAPE_index_as_a_resistant_measure_of_forecast_accuracy
Membuat Dashboard
Pilih Layout Dashboard

Klik Dashboard
DASHBOARD
 REFERENSI
1. https://help.tableau.com/current/pro/desktop/en-us/forecast_how_it_works.htm
2. https://help.tableau.com/current/pro/desktop/en-us/forecast_create.htm
3. https://help.tableau.com/current/pro/desktop/en-us/forecast_describe.htm
4. https://data-flair.training/blogs/tableau-forecasting/
5. Andrius Buteikis. Time series with trend and seasonality components.
http://web.vu.lt/mif/a.buteikis/
6. https://www.daitan.com/innovation/exponential-smoothing-methods-for-time-series-
forecasting/
7. https://otexts.com/fpp2/taxonomy.html
8. https://coolbluedata.com/linear-regression-in-tableau/
9. https://help.tableau.com/current/pro/desktop/en-us/predictions_overview.htm
Terima Kasih